Qwen3.5 Flash snapshot 2026-02-23 — versi beku dari qwen3.5-flash, kemampuan yang sama.
qwen/qwen3.5-flash-2026-02-23 adalah versi spesifik dari model Qwen3.5 Flash dari keluarga Qwen buatan Alibaba. Model ini merupakan model multimodal yang mendukung input teks, gambar, dan video.…
Model ini dapat melakukan berbagai tugas berbasis teks yang umum pada model bahasa besar: peringkasan, penerjemahan, tanya jawab, penulisan kreatif, pembuatan kode, dan lainnya. Jendela konteksnya yang besar membuatnya sangat cocok untuk tugas-tugas yang memerlukan pemahaman dokumen panjang atau mempertahankan dialog dalam banyak giliran. Model ini juga mampu melakukan pembelajaran few-shot dan zero-shot, yang berarti dapat mengikuti instruksi tanpa penyetelan halus yang ekstensif. Namun, tidak ada metrik akurasi spesifik yang diberikan untuk tugas-tugas ini. Untuk tugas-tugas yang memerlukan penalaran matematis yang presisi atau pengingatan fakta, Anda mungkin perlu mengevaluasi model terhadap tolok ukur Anda sendiri.
Model menerima input gambar sebagai bagian dari prompt. Ia dapat mendeskripsikan gambar, menjawab pertanyaan tentang konten visual, serta mengekstrak teks atau objek dari gambar. Gambar direpresentasikan sebagai urutan token yang mengonsumsi sebagian dari jendela konteks. Ukuran gambar maksimum atau jumlah gambar per permintaan tidak ditentukan; dalam praktiknya, gambar beresolusi tinggi akan menggunakan lebih banyak token. Untuk hasil terbaik, berikan gambar yang jelas dan terang. Model tidak mendukung pembuatan atau keluaran gambar. Tidak ada informasi yang diberikan tentang apakah ia menangani urutan multi-gambar atau teks dan gambar yang diselingi di luar format multimodal yang biasa.
Input video didukung, kemungkinan dengan melakukan sampling frame dan mentokenisasinya. Model dapat menganalisis klip video pendek untuk peringkasan, pengenalan aksi, atau menjawab pertanyaan. Setiap frame mengonsumsi token dari jendela konteks, sehingga panjang video dibatasi oleh konteks yang tersedia. Tidak ada detail spesifik tentang tingkat sampling frame atau durasi video maksimum yang diberikan. Untuk penggunaan produksi, pertimbangkan untuk melakukan prapemrosesan video guna mengekstrak frame kunci. Model tidak menghasilkan output video. Jika aplikasi Anda memerlukan pemrosesan video waktu nyata, uji latensi dengan hati-hati karena tokenisasi video dapat membutuhkan komputasi yang intensif.
Model ini berbiaya $0.10 per 1M token input dan $0.40 per 1M token output. Jika aplikasi Anda dapat mentolerir akurasi yang lebih rendah untuk tugas yang lebih sederhana, model yang lebih kecil (misalnya, Qwen2.5-0.5B) mungkin lebih murah. Jika Anda membutuhkan kualitas yang lebih tinggi untuk penalaran kompleks atau penulisan kreatif, pertimbangkan model yang lebih besar seperti Qwen3.5-Plus (jika tersedia) atau GPT-4o, yang mungkin memiliki biaya per token lebih tinggi tetapi menawarkan performa benchmark yang lebih baik. Varian flash ideal untuk aplikasi volume tinggi yang mengutamakan kecepatan dan biaya. Tidak ada penawaran fine-tuning atau kustomisasi yang didokumentasikan untuk model ini di halaman ini.
Kelebihan utama model ini adalah jendela konteksnya yang besar (1.048.576 token), dukungan input multimodal (teks, gambar, video), dan harga per token yang rendah ($0,10/$0,40 per 1 juta token). Model ini dirancang untuk kecepatan dan efisiensi, sehingga cocok untuk aplikasi waktu nyata. Sebutan flash menunjukkan bahwa model ini telah dioptimalkan untuk latensi yang lebih rendah dibandingkan dengan model yang lebih besar. Tidak ada skor tolok ukur yang disediakan di halaman ini, sehingga kinerja pastinya pada tugas NLP atau visi standar tidak diketahui. Berdasarkan model flash pada umumnya, model ini mungkin mengorbankan sebagian akurasi demi throughput dan biaya.
Keterbatasan yang jujur termasuk kurangnya data benchmark yang disediakan; tanpanya, pengguna harus memvalidasi kinerja model pada tugas mereka sendiri. Model ini adalah varian flash, sehingga mungkin tidak menyamai akurasi model yang lebih besar atau tujuan umum dalam penalaran kompleks, matematika, atau pengambilan fakta. Dukungan video mungkin dibatasi oleh konteks dan efisiensi pengambilan sampel frame. Karena tidak ada angka kecepatan atau latensi spesifik yang diberikan, throughput aktual tergantung pada infrastruktur OrcaRouter. Model ini tidak mendukung fine-tuning atau endpoint embedding kustom melalui API ini. Selain itu, tanggal batas pengetahuan model tidak ditentukan; model mungkin tidak diperbarui dengan peristiwa terbaru.
Latensi tidak ditentukan untuk model ini di halaman ini. Sebagai varian flash, model ini diharapkan menawarkan inferensi yang lebih cepat daripada model yang lebih besar, tetapi kecepatan sebenarnya bergantung pada faktor-faktor seperti panjang input, perangkat keras yang digunakan oleh OrcaRouter, dan beban permintaan bersamaan. Untuk aplikasi real-time, uji dengan payload yang representatif. Titik akhir API OrcaRouter dihosting pada infrastruktur yang dapat diskalakan, tetapi tidak ada jaminan mengenai latensi yang diberikan. Pengguna harus melakukan benchmarking dengan beban kerja mereka sendiri. Jendela konteks yang besar dapat meningkatkan waktu ke token pertama jika seluruh konteks harus diproses. Meminta hanya konteks yang diperlukan dapat meningkatkan waktu respons.
Tidak ada data tolok ukur resmi yang disediakan di halaman ini untuk qwen/qwen3.5-flash-2026-02-23. Untuk mengevaluasi model, lihat kartu model Qwen di Hugging Face atau repositori GitHub Qwen untuk kinerja Qwen3.5 Flash yang umum. Dimensi evaluasi umum mencakup tolok ukur MMLU, HumanEval, dan tolok ukur visual QA, tetapi hasilnya dapat bervariasi untuk snapshot spesifik ini. OrcaRouter tidak menerbitkan tolok ukurnya sendiri untuk model ini. Pengguna disarankan untuk menjalankan evaluasi mereka sendiri untuk menentukan kesesuaian untuk kasus penggunaan spesifik mereka, terutama untuk keamanan, bias, atau akurasi domain-spesifik.
Harganya adalah $0.10 per 1 juta token input dan $0.40 per 1 juta token output. Ini adalah tarif penyedia dengan markup nol dari OrcaRouter. Token input mencakup teks, gambar, dan bingkai video. Token output hanya menghitung teks yang dihasilkan. Tidak ada biaya per permintaan, dan tidak ada harga khusus untuk kapasitas massal atau cadangan yang didokumentasikan. Biaya dikenakan untuk jumlah token input dan output yang digunakan dalam setiap panggilan API. Untuk input 1.000 token dan output 500 token yang khas, biayanya sekitar $0.0003. Karena tidak ada markup, biayanya persis seperti yang dikenakan Qwen.
OrcaRouter menagih model ini dengan tarif penyedia tanpa markup. Ini berarti Anda membayar tepat $0.10 per 1M token input dan $0.40 per 1M token output tanpa biaya layanan tambahan. Tidak ada biaya tersembunyi untuk permintaan API, autentikasi, atau transfer data sebagai bagian dari harga token. Namun, biaya jaringan standar mungkin berlaku tergantung pada infrastruktur Anda. Tidak disebutkan adanya tingkat gratis. Penetapan harga yang transparan ini memudahkan untuk menghitung biaya dan membandingkan dengan model dari penyedia lain yang mungkin menambahkan margin. Tarif dapat berubah oleh penyedia; periksa halaman harga OrcaRouter untuk pembaruan.
Tidak ada diskon cache atau harga volume yang didokumentasikan untuk model ini di halaman ini. Setiap token ditagih secara individual per panggilan API. Tidak ada penyebutan tentang prompt caching, pemrosesan batch diskon, atau diskon penggunaan komitmen. Jika Anda memperkirakan volume tinggi, hubungi OrcaRouter untuk kemungkinan pengaturan khusus, tetapi tidak ada jaminan yang diberikan. Struktur harganya sederhana: token input sebesar $0,10/M, token output sebesar $0,40/M, tanpa tingkat gratis. Tidak seperti beberapa penyedia yang menawarkan harga lebih rendah untuk prompt yang di-cache, model ini saat ini tidak mengiklankan fitur tersebut.
Pada $0.10/$0.40 per juta token, model ini kompetitif dengan banyak model flash open-weight. Sebagai contoh, beberapa varian Llama 3.1 8B memiliki harga yang serupa. Model yang lebih besar seperti GPT-4o mini seringkali memiliki biaya per token yang lebih tinggi. Pembeda utamanya adalah markup nol dari OrcaRouter, sehingga Anda membayar tarif penyedia yang tepat. Saat membandingkan, pertimbangkan juga ukuran jendela konteks: model ini menawarkan 1,048,576 token, yang dapat mengurangi kebutuhan akan chunking yang kompleks. Namun, tanpa data benchmark, biaya saja bukanlah dasar yang cukup untuk pemilihan; evaluasi akurasi dan latensi untuk tugas spesifik Anda.
Untuk menggunakan model ini, kirim permintaan ke titik akhir API yang kompatibel dengan OpenAI milik OrcaRouter di https://api.orcarouter.ai/v1. Atur parameter model menjadi persis "qwen/qwen3.5-flash-2026-02-23". Anda harus menyertakan kunci API (diperoleh dari OrcaRouter) di header Authorization. API ini mendukung format chat completions standar OpenAI. Input multimodal (gambar, video) dapat disertakan dalam daftar konten pesan. Misalnya, gunakan titik akhir "chat/completions" dengan array messages. Tidak diperlukan konfigurasi tambahan. Lihat dokumentasi OrcaRouter untuk informasi autentikasi dan batas kecepatan.
API ini mendukung parameter standar yang kompatibel dengan OpenAI: model (wajib), messages (wajib), temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty, stream, dan lainnya. max_tokens dapat diatur hingga 65.536. Array messages dapat mencakup peran system, user, dan assistant. Konten multimodal terstruktur sebagai objek dengan tipe "text" atau "image_url". Untuk video, beberapa entri image_url dapat digunakan. Tidak ada parameter kustom yang spesifik untuk model ini yang didokumentasikan. Parameter seperti stream memungkinkan output token secara real-time. Selalu uji dengan parameter yang Anda inginkan, karena kombinasi tertentu (misalnya, suhu tinggi dengan konteks panjang) dapat menghasilkan hasil yang tidak terduga.
Migrasi sangat mudah karena API OrcaRouter kompatibel dengan OpenAI. Ganti base URL Anda dari https://api.openai.com/v1 menjadi https://api.orcarouter.ai/v1. Ubah model ID Anda dari model GPT apa pun menjadi "qwen/qwen3.5-flash-2026-02-23". Dapatkan kunci API OrcaRouter dan atur di header Authorization. Jika kode Anda yang sudah ada menggunakan pustaka Python OpenAI, cukup perbarui base_url dan api_key di klien OpenAI. Perhatikan bahwa model ini mendukung input multimodal, jadi jika sebelumnya Anda menggunakan endpoint visi terpisah, kini Anda dapat mengirimkan gambar langsung dalam format chat. Uji secara menyeluruh karena hasil keluaran akan berbeda.
URL dasar untuk semua panggilan API adalah https://api.orcarouter.ai/v1. ID model yang tepat adalah "qwen/qwen3.5-flash-2026-02-23". String ini harus digunakan persis seperti yang diberikan, termasuk garis miring dan akhiran tanggal. Endpoint untuk penyelesaian obrolan adalah POST /v1/chat/completions. Untuk streaming, tambahkan parameter stream. Tidak ada endpoint lain (misalnya, embeddings, fine-tuning) yang tercantum untuk model ini. Selalu verifikasi dokumentasi endpoint terbaru di situs OrcaRouter. ID model mungkin berbeda dari yang digunakan secara asli oleh Qwen; selalu gunakan ID model OrcaRouter.
Qwen3.5-Plus kemungkinan adalah varian yang lebih besar dan lebih mumpuni. Meskipun tidak ada detail spesifik yang diberikan untuk kedua model, varian flash umumnya menukar akurasi demi kecepatan dan biaya yang lebih rendah. Model flash memiliki harga yang lebih rendah ($0.10/$0.40 vs biasanya lebih tinggi untuk Plus). Keduanya kemungkinan mendukung jendela konteks dan modalitas yang sama. Pilih flash untuk skenario throughput tinggi di mana akurasi sempurna tidak diperlukan; pilih Plus untuk tugas-tugas kompleks. Karena tidak ada data benchmark yang tersedia, uji keduanya pada data Anda sendiri jika memungkinkan. Model flash juga mengandung tag tanggal 2026-02-23, yang menunjukkan snapshot tertentu.
Llama 3.1 8B adalah model bobot terbuka yang populer dengan jendela konteks standar 128K token. Model flash Qwen ini menawarkan konteks yang jauh lebih besar (1.048.576 token) dan mendukung input gambar serta video secara native, sedangkan Llama 3.1 terutama berbasis teks. Harga Llama di OrcaRouter mungkin serupa atau sedikit berbeda; periksa halaman harga. Untuk tugas berbasis teks dengan biaya serupa, Llama mungkin lebih disukai jika Anda sudah memiliki infrastruktur yang ada. Untuk kebutuhan multimodal, model Qwen ini memiliki keunggulan. Keduanya diakses melalui API yang kompatibel dengan OpenAI milik OrcaRouter.
GPT-4o-mini dari OpenAI adalah model yang lebih kecil dan lebih murah dengan jendela konteks 128K. Model ini mendukung masukan teks dan gambar tetapi tidak video. Harga GPT-4o-mini di OrcaRouter tidak disebutkan di sini, tetapi biasanya sekitar $0.15/$0.60 per 1M token. Model Qwen ini sedikit lebih murah untuk token masukan ($0.10) dan untuk token keluaran ($0.40). Keunggulan utama model Qwen adalah konteks 1M dan dukungan video. Namun, GPT-4o-mini mungkin telah di-benchmark lebih menyeluruh dan memiliki dukungan ekosistem yang lebih luas. Pilihlah berdasarkan kebutuhan Anda akan konteks panjang atau video, dan kepercayaan Anda pada kinerja model.
Model flash lainnya, seperti Llama 3.2 Flash atau Mistral small, biasanya memiliki jendela konteks yang lebih kecil (misalnya, 128K) dan mungkin tidak mendukung video. Konteks sejuta token dari model Qwen flash ini adalah fitur yang menonjol. Harganya kompetitif yaitu $0.10/$0.40. Keterbatasan umum di seluruh model flash mencakup akurasi yang lebih rendah pada tugas penalaran kompleks dan faktual. Untuk aplikasi yang memerlukan kualitas maksimal, model non-flash dari keluarga yang sama atau model tertutup yang lebih besar mungkin lebih baik. Tidak ada perbandingan spesifik mengenai kecepatan atau skor benchmark yang disediakan.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
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| Input / 1M token | $0.100 |
|---|---|
| Output / 1M token | $0.400 |
| Mata uang | USD |
Perkiraan berdasarkan harga daftar
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
Yang dibicarakan developer minggu ini
GET /api/public/models/qwen/qwen3.5-flash-2026-02-23Buka @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