Qwen3.5 Flash snapshot 2026-02-23 — versione congelata di qwen3.5-flash, stesse capacità.
qwen/qwen3.5-flash-2026-02-23 è una versione specifica del modello Qwen3.5 Flash della famiglia Qwen di Alibaba. È un modello multimodale che supporta input di testo, immagini e video. La sua…
Questo modello può eseguire un'ampia gamma di attività basate sul testo tipiche dei grandi modelli linguistici: sintesi, traduzione, risposta a domande, scrittura creativa, generazione di codice e altro ancora. La sua ampia finestra di contesto lo rende particolarmente adatto per attività che richiedono la comprensione di documenti lunghi o il mantenimento di un dialogo per molti turni. Il modello è anche in grado di apprendimento few-shot e zero-shot, il che significa che può seguire istruzioni senza un esteso fine-tuning. Tuttavia, non vengono fornite metriche di precisione specifiche per queste attività. Per attività che richiedono un ragionamento matematico preciso o il richiamo di fatti, potrebbe essere necessario valutare il modello rispetto ai propri benchmark.
Il modello accetta input di immagini come parte del prompt. Può descrivere immagini, rispondere a domande sui contenuti visivi ed estrarre testo o oggetti dalle immagini. L'immagine è rappresentata come una sequenza di token che consumano parte della finestra di contesto. La dimensione massima dell'immagine o il numero di immagini per richiesta non è specificato; in pratica, le immagini ad alta risoluzione utilizzeranno più token. Per ottenere i migliori risultati, fornisci immagini nitide e ben illuminate. Il modello non supporta la generazione o l'output di immagini. Non vengono fornite informazioni sul fatto che gestisca sequenze di immagini multiple o testo e immagini intervallati oltre il tipico formato multimodale.
L'input video è supportato, probabilmente campionando i fotogrammi e tokenizzandoli. Il modello può analizzare brevi clip video per riassunto, riconoscimento di azioni o risposta a domande. Ogni fotogramma consuma token dalla finestra di contesto, quindi la durata del video è limitata dal contesto disponibile. Non vengono forniti dettagli specifici sui tassi di campionamento dei fotogrammi o sulla durata massima del video. Per uso in produzione, considera di preprocessare i video per estrarre i fotogrammi chiave. Il modello non genera output video. Se la tua applicazione richiede l'elaborazione video in tempo reale, testa attentamente la latenza poiché la tokenizzazione video può essere computazionalmente intensiva.
Questo modello costa $0.10 per 1M input token e $0.40 per 1M output token. Se la tua applicazione può tollerare una minore accuratezza per compiti più semplici, modelli più piccoli (ad esempio, Qwen2.5-0.5B) potrebbero essere ancora più economici. Se hai bisogno di una qualità superiore per ragionamenti complessi o scrittura creativa, considera un modello più grande come Qwen3.5-Plus (se disponibile) o GPT-4o, che potrebbero avere costi per token più elevati ma offrono prestazioni migliori nei benchmark. La variante flash è ideale per applicazioni ad alto volume dove velocità e costo sono priorità. Non è documentata alcuna offerta di fine-tuning o personalizzazione per questo modello in questa pagina.
I punti di forza principali di questo modello sono l'ampia finestra di contesto (1.048.576 token), il supporto per input multimodali (testo, immagine, video) e il prezzo basso per token ($0,10/$0,40 per 1 milione di token). È progettato per velocità ed efficienza, rendendolo adatto per applicazioni in tempo reale. La designazione "flash" suggerisce che è stato ottimizzato per una latenza inferiore rispetto a modelli più grandi. In questa pagina non vengono forniti punteggi di benchmark, quindi le prestazioni esatte su attività standard di NLP o visione non sono note. Sulla base dei tipici modelli flash, probabilmente sacrifica una certa accuratezza a favore di throughput e costo.
Le limitazioni oneste includono la mancanza di dati di benchmark forniti; senza di essi, gli utenti devono validare le prestazioni del modello sui propri compiti. Il modello è una variante flash, quindi potrebbe non eguagliare l'accuratezza di modelli più grandi o per scopi generali su ragionamenti complessi, matematica o recupero di fatti. Il supporto video potrebbe essere limitato dal contesto e dall'efficienza del campionamento dei fotogrammi. Poiché non vengono forniti numeri specifici di velocità o latenza, il throughput effettivo dipende dall'infrastruttura di OrcaRouter. Il modello non supporta il fine-tuning o endpoint di embedding personalizzati tramite questa API. Inoltre, la data di cutoff della conoscenza del modello non è specificata; potrebbe non essere aggiornato con gli ultimi eventi.
La latenza non è specificata per questo modello in questa pagina. Essendo una variante flash, si prevede che offra un'inferenza più rapida rispetto a modelli più grandi, ma la velocità effettiva dipende da fattori come la lunghezza dell'input, l'hardware utilizzato da OrcaRouter e il carico di richieste simultanee. Per applicazioni in tempo reale, testare con payload rappresentativi. L'endpoint API di OrcaRouter è ospitato su infrastruttura scalabile, ma non vengono fornite garanzie sulla latenza. Gli utenti dovrebbero fare benchmark con i propri carichi di lavoro. L'ampia finestra di contesto può aumentare il tempo per il primo token se l'intero contesto deve essere elaborato. Richiedere solo il contesto necessario può migliorare il tempo di risposta.
In questa pagina non vengono forniti dati ufficiali di benchmark per qwen/qwen3.5-flash-2026-02-23. Per valutare il modello, consulta la scheda del modello Qwen su Hugging Face o il repository GitHub di Qwen per le prestazioni tipiche di Qwen3.5 Flash. Le dimensioni di valutazione comuni includono MMLU, HumanEval e benchmark di QA visiva, ma i risultati possono variare per questo snapshot specifico. OrcaRouter non pubblica propri benchmark per questo modello. Gli utenti sono incoraggiati a eseguire le proprie valutazioni per determinare l'idoneità al proprio caso d'uso specifico, in particolare per quanto riguarda sicurezza, bias o accuratezza in domini specifici.
Il prezzo è di $0.10 per 1 milione di token di input e $0.40 per 1 milione di token di output. Si tratta di tariffe dei provider, senza alcun ricarico da parte di OrcaRouter. I token di input includono testo, immagini e fotogrammi video. I token di output contano solo il testo generato. Non è prevista alcuna commissione per richiesta, né alcun prezzo speciale per capacità bulk o riservata documentata. I costi sono sostenuti per la somma dei token di input e output utilizzati in ogni chiamata API. Per un input tipico di 1.000 token e un output di 500 token, il costo è di circa $0.0003. Poiché non c'è alcun ricarico, il costo è esattamente quello che Qwen addebita.
OrcaRouter fattura questo modello alla tariffa del provider con margine zero. Ciò significa che paghi esattamente $0,10 per 1 milione di token in input e $0,40 per 1 milione di token in output, senza alcuna commissione di servizio aggiuntiva. Non ci sono costi nascosti per richieste API, autenticazione o trasferimento dati inclusi nel prezzo per token. Tuttavia, potrebbero applicarsi costi di rete standard in base alla tua infrastruttura. Non viene menzionato alcun piano gratuito. Questa trasparenza dei prezzi rende facile calcolare i costi e confrontarli con modelli di altri provider che potrebbero aggiungere margini. La tariffa è soggetta a modifiche da parte del provider; controlla la pagina dei prezzi di OrcaRouter per aggiornamenti.
Non sono documentati sconti per caching né prezzi per volume elevato per questo modello in questa pagina. Ogni token viene fatturato singolarmente per chiamata API. Non vi è menzione di caching delle richieste, elaborazione batch scontata o sconti per impegno d'uso. Se prevedi volumi elevati, contatta OrcaRouter per potenziali accordi personalizzati, ma non viene fornita alcuna garanzia. La struttura dei prezzi è lineare: token di input a $0,10/M, token di output a $0,40/M, nessun livello gratuito. A differenza di alcuni provider che offrono prezzi più bassi per richieste già in cache, questo modello attualmente non pubblicizza tale funzionalità.
A $0.10/$0.40 per milione di token, questo modello è competitivo con molti modelli flash a peso aperto. Ad esempio, alcune varianti di Llama 3.1 8B hanno un prezzo simile. Modelli più grandi come GPT-4o mini hanno spesso costi per token più elevati. Il principale elemento di differenziazione è il markup zero di OrcaRouter, quindi paghi la tariffa esatta del fornitore. Quando confronti, considera anche la dimensione della finestra di contesto: questo modello offre 1.048.576 token, il che può ridurre la necessità di chunking complesso. Tuttavia, senza dati di benchmark, il costo da solo non è una base sufficiente per la selezione; valuta l'accuratezza e la latenza per il tuo compito specifico.
Per utilizzare questo modello, invia richieste all'endpoint API compatibile con OpenAI di OrcaRouter all'indirizzo https://api.orcarouter.ai/v1. Imposta il parametro model esattamente su "qwen/qwen3.5-flash-2026-02-23". Devi includere una chiave API (ottenuta da OrcaRouter) nell'intestazione Authorization. L'API supporta il formato standard di chat completions di OpenAI. Input multimodali (immagini, video) possono essere inclusi nella lista dei contenuti del messaggio. Ad esempio, utilizza l'endpoint "chat/completions" con un array di messaggi. Non è necessaria alcuna configurazione aggiuntiva. Fare riferimento alla documentazione di OrcaRouter per l'autenticazione e i limiti di frequenza.
L'API supporta i parametri standard compatibili con OpenAI: model (obbligatorio), messages (obbligatorio), temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty, stream e altri. max_tokens può essere impostato fino a 65.536. L'array messages può includere i ruoli system, user e assistant. Il contenuto multimodale è strutturato come oggetti con tipo "text" o "image_url". Per il video, possono essere utilizzate più voci image_url. Non sono documentati parametri personalizzati specifici di questo modello. Parametri come stream consentono l'output dei token in tempo reale. Testare sempre con i parametri desiderati, poiché alcune combinazioni (ad es., temperatura elevata con contesti lunghi) possono produrre risultati imprevedibili.
La migrazione è semplice perché l'API di OrcaRouter è compatibile con OpenAI. Sostituisci il tuo URL base da https://api.openai.com/v1 a https://api.orcarouter.ai/v1. Cambia il tuo ID modello da qualsiasi modello GPT a "qwen/qwen3.5-flash-2026-02-23". Ottieni una chiave API di OrcaRouter e impostala nell'intestazione Authorization. Se il tuo codice esistente utilizza la libreria Python di OpenAI, aggiorna semplicemente base_url e api_key nel client OpenAI. Nota che il modello supporta input multimodale, quindi se in precedenza utilizzavi endpoint separati per la visione, ora puoi passare le immagini direttamente nel formato chat. Esegui test approfonditi poiché gli output saranno diversi.
L'URL di base per tutte le chiamate API è https://api.orcarouter.ai/v1. L'ID esatto del modello è "qwen/qwen3.5-flash-2026-02-23". Questa stringa deve essere utilizzata esattamente come fornita, inclusi la barra e il suffisso della data. L'endpoint per le completazioni chat è POST /v1/chat/completions. Per lo streaming, aggiungi il parametro stream. Nessun altro endpoint (ad es., embeddings, fine-tuning) è elencato per questo modello. Verifica sempre la documentazione più recente degli endpoint sul sito di OrcaRouter. L'ID del modello potrebbe differire da quello utilizzato nativamente da Qwen; usa sempre l'ID del modello di OrcaRouter.
Qwen3.5-Plus è probabilmente una variante più grande e più capace. Sebbene non siano forniti dettagli specifici per nessuno dei due modelli, le varianti flash generalmente scambiano accuratezza per velocità e costo inferiore. Il modello flash ha un prezzo inferiore ($0.10/$0.40 rispetto a tipicamente più alto per Plus). Entrambi supportano probabilmente la stessa finestra di contesto e le stesse modalità. Scegli flash per scenari ad alto throughput dove non è richiesta una precisione perfetta; scegli Plus per compiti complessi. Poiché non sono disponibili dati di benchmark, testa entrambi sui tuoi dati se possibile. Il modello flash contiene anche il tag data 2026-02-23, che indica uno snapshot specifico.
Llama 3.1 8B è un modello open-weight popolare con una finestra di contesto standard di 128K token. Questo modello flash Qwen offre un contesto molto più ampio (1.048.576 token) e supporta nativamente l'input di immagini e video, mentre Llama 3.1 è principalmente testuale. I prezzi di Llama su OrcaRouter potrebbero essere simili o leggermente diversi; consulta la pagina dei prezzi. Per attività puramente testuali a un costo simile, Llama potrebbe essere preferito se disponi già di un'infrastruttura esistente. Per esigenze multimodali, questo modello Qwen ha un vantaggio. Entrambi sono accessibili tramite l'API compatibile con OpenAI di OrcaRouter.
GPT-4o-mini di OpenAI è un modello più piccolo ed economico con una finestra di contesto di 128K. Supporta input di testo e immagini, ma non video. I prezzi per GPT-4o-mini su OrcaRouter non sono forniti qui, ma tipicamente si attestano intorno a $0,15/$0,60 per 1 milione di token. Questo modello Qwen è leggermente più economico sui token di input ($0,10) e su quelli di output ($0,40). Il grande vantaggio del modello Qwen è il contesto di 1M e il supporto video. Tuttavia, GPT-4o-mini potrebbe essere più approfonditamente testato e avere un ecosistema più ampio. Scegli in base alla tua necessità di contesto lungo o video, e alla tua fiducia nelle prestazioni del modello.
Altri modelli flash, come Llama 3.2 Flash o Mistral small, hanno tipicamente finestre di contesto più piccole (ad es., 128K) e potrebbero non supportare video. Il contesto da un milione di token di questo modello flash Qwen è una caratteristica di spicco. Il prezzo è competitivo a $0.10/$0.40. Le limitazioni comuni tra i modelli flash includono una minore accuratezza in attività di ragionamento complesso e fattuali. Per applicazioni che richiedono la massima qualità, un modello non flash della stessa famiglia o un modello chiuso più grande potrebbe essere migliore. Non vengono forniti confronti specifici su velocità o punteggi benchmark.
Compatibile con OpenAI: mantieni il tuo 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| Input / 1M token | $0.100 |
|---|---|
| Output / 1M token | $0.400 |
| Valuta | USD |
Stima basata sul prezzo di listino
Solo una stima — il numero effettivo di token dipende dal tokenizzatore del provider.
Di cosa parlano gli sviluppatori questa settimana
GET /api/public/models/qwen/qwen3.5-flash-2026-02-23Apri @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