Qwen3.5 Flash snapshot 2026-02-23 — versão congelada do qwen3.5-flash, mesmas capacidades.
qwen/qwen3.5-flash-2026-02-23 é uma versão específica do modelo Qwen3.5 Flash da família Qwen, da Alibaba. É um modelo multimodal que suporta entradas de texto, imagem e vídeo. Sua janela de contexto…
Este modelo pode executar uma ampla gama de tarefas baseadas em texto típicas de grandes modelos de linguagem: sumarização, tradução, resposta a perguntas, escrita criativa, geração de código e muito mais. Sua grande janela de contexto o torna especialmente adequado para tarefas que exigem compreensão de documentos longos ou manutenção de diálogo ao longo de muitas interações. O modelo também é capaz de aprendizado few-shot e zero-shot, o que significa que pode seguir instruções sem ajustes finos extensivos. No entanto, nenhuma métrica de precisão específica é fornecida para essas tarefas. Para tarefas que exigem raciocínio matemático preciso ou recuperação factual, pode ser necessário avaliar o modelo em relação aos seus próprios benchmarks.
O modelo aceita entradas de imagem como parte do prompt. Ele pode descrever imagens, responder a perguntas sobre conteúdo visual e extrair texto ou objetos de imagens. A imagem é representada como uma sequência de tokens que consomem parte da janela de contexto. O tamanho máximo da imagem ou número de imagens por solicitação não é especificado; na prática, imagens de alta resolução usarão mais tokens. Para melhores resultados, forneça imagens claras e bem iluminadas. O modelo não suporta geração ou saída de imagens. Nenhuma informação é fornecida sobre se ele lida com sequências de múltiplas imagens ou texto e imagens intercalados além do formato multimodal típico.
A entrada de vídeo é suportada, provavelmente por amostragem de quadros e tokenização dos mesmos. O modelo pode analisar clipes de vídeo curtos para resumo, reconhecimento de ações ou respostas a perguntas. Cada quadro consome tokens da janela de contexto, portanto, a duração do vídeo é limitada pelo contexto disponível. Nenhum detalhe específico sobre taxas de amostragem de quadros ou duração máxima de vídeo é fornecido. Para uso em produção, considere o pré-processamento de vídeos para extrair quadros-chave. O modelo não gera saída de vídeo. Se sua aplicação exigir processamento de vídeo em tempo real, teste a latência cuidadosamente, pois a tokenização de vídeo pode ser computacionalmente intensiva.
Este modelo custa $0,10 por 1M de tokens de entrada e $0,40 por 1M de tokens de saída. Se sua aplicação tolerar menor precisão para tarefas simples, modelos menores (por exemplo, Qwen2.5-0.5B) podem ser ainda mais baratos. Se você precisar de maior qualidade para raciocínio complexo ou escrita criativa, considere um modelo maior como Qwen3.5-Plus (se disponível) ou GPT-4o, que podem ter custos por token mais altos, mas oferecer melhor desempenho em benchmarks. A variante flash é ideal para aplicações de alto volume onde velocidade e custo são prioridades. Não há opção de ajuste fino ou personalização documentada para este modelo nesta página.
Os principais pontos fortes deste modelo são sua ampla janela de contexto (1.048.576 tokens), suporte a entrada multimodal (texto, imagem, vídeo) e baixo preço por token ($0,10/$0,40 por 1 milhão de tokens). Ele foi projetado para velocidade e eficiência, tornando-o adequado para aplicações em tempo real. A designação flash sugere que foi otimizado para menor latência em comparação com modelos maiores. Nenhuma pontuação de benchmark é fornecida nesta página, portanto, o desempenho exato em tarefas padrão de PNL ou visão não é conhecido. Com base em modelos flash típicos, é provável que ele sacrifique alguma precisão em prol da taxa de transferência e do custo.
As limitações honestas incluem a falta de dados de referência fornecidos; sem eles, os usuários devem validar o desempenho do modelo em suas próprias tarefas. O modelo é uma variante flash, portanto pode não igualar a precisão de modelos maiores ou de propósito geral em raciocínio complexo, matemática ou recuperação factual. O suporte a vídeo pode ser limitado pela eficiência de amostragem de contexto e quadros. Como nenhum número específico de velocidade ou latência é fornecido, a taxa de transferência real depende da infraestrutura do OrcaRouter. O modelo não suporta fine-tuning ou endpoints de embedding personalizados por meio desta API. Além disso, a data de corte de conhecimento do modelo não é especificada; ele pode não estar atualizado com os eventos mais recentes.
A latência não é especificada para este modelo nesta página. Como uma variante flash, espera-se que ofereça inferência mais rápida que modelos maiores, mas a velocidade real depende de fatores como comprimento da entrada, hardware usado pelo OrcaRouter e carga de requisições concorrentes. Para aplicações em tempo real, teste com cargas representativas. O endpoint da API do OrcaRouter está hospedado em uma infraestrutura escalável, mas não são feitas garantias sobre a latência. Os usuários devem realizar benchmarks com suas próprias cargas de trabalho. A grande janela de contexto pode aumentar o tempo até o primeiro token se todo o contexto precisar ser processado. Solicitar apenas o contexto necessário pode melhorar o tempo de resposta.
Nenhum dado oficial de benchmark é fornecido nesta página para qwen/qwen3.5-flash-2026-02-23. Para avaliar o modelo, consulte o cartão do modelo Qwen no Hugging Face ou o repositório Qwen no GitHub para obter o desempenho típico do Qwen3.5 Flash. As dimensões de avaliação comuns incluem MMLU, HumanEval e benchmarks de visual QA, mas os resultados podem variar para este snapshot específico. O OrcaRouter não publica seus próprios benchmarks para este modelo. Os usuários são incentivados a realizar suas próprias avaliações para determinar a adequação ao seu caso de uso específico, especialmente em relação a segurança, viés ou precisão específica do domínio.
O preço é de $0,10 por 1 milhão de tokens de entrada e $0,40 por 1 milhão de tokens de saída. Estas são tarifas do provedor, sem margem de lucro da OrcaRouter. Tokens de entrada incluem texto, imagem e quadros de vídeo. Tokens de saída contam apenas texto gerado. Não há taxa por requisição, nem preços especiais documentados para capacidade em lote ou reservada. Os custos são incorridos pela soma dos tokens de entrada e saída usados em cada chamada de API. Para uma entrada típica de 1.000 tokens e saída de 500 tokens, o custo é de aproximadamente $0,0003. Como não há margem de lucro, o custo é exatamente o que a Qwen cobra.
A OrcaRouter fatura este modelo à taxa do provedor, sem margem de lucro. Isso significa que você paga exatamente $0,10 por 1 milhão de tokens de entrada e $0,40 por 1 milhão de tokens de saída, sem nenhuma taxa de serviço adicional. Não há cobranças ocultas por requisições de API, autenticação ou transferência de dados como parte do preço dos tokens. No entanto, custos de rede padrão podem ser aplicados dependendo da sua infraestrutura. Não há menção a um plano gratuito. Esse preço transparente facilita o cálculo de custos e a comparação com modelos de outros provedores que podem adicionar margens. A taxa está sujeita a alterações pelo provedor; verifique a página de preços da OrcaRouter para atualizações.
Não há descontos por cache ou descontos por volume documentados para este modelo nesta página. Cada token é cobrado individualmente por chamada de API. Não há menção a cache de prompt, processamento em lote com desconto ou descontos por uso comprometido. Se você prevê alto volume, entre em contato com a OrcaRouter para possíveis acordos personalizados, mas nenhuma garantia é feita. A estrutura de preços é direta: tokens de entrada a $0,10/M, tokens de saída a $0,40/M, sem camada gratuita. Diferente de alguns provedores que oferecem preços mais baixos para prompts em cache, este modelo atualmente não anuncia tal recurso.
A $0,10/$0,40 por milhão de tokens, este modelo é competitivo com muitos modelos flash de peso aberto. Por exemplo, algumas variantes do Llama 3.1 8B têm preços semelhantes. Modelos maiores como GPT-4o mini geralmente têm custos mais altos por token. O principal diferencial é a margem zero da OrcaRouter, então você paga exatamente a taxa do provedor. Ao comparar, considere também o tamanho da janela de contexto: este modelo oferece 1.048.576 tokens, o que pode reduzir a necessidade de fragmentação complexa. No entanto, sem dados de benchmark, o custo por si só não é uma base suficiente para a seleção; avalie a precisão e a latência para sua tarefa específica.
Para usar este modelo, envie requisições para o endpoint de API compatível com OpenAI do OrcaRouter em https://api.orcarouter.ai/v1. Defina o parâmetro model exatamente como "qwen/qwen3.5-flash-2026-02-23". Você deve incluir uma chave de API (obtida do OrcaRouter) no cabeçalho Authorization. A API suporta o formato padrão de chat completions do OpenAI. Entradas multimodais (imagens, vídeos) podem ser incluídas na lista de conteúdo da mensagem. Por exemplo, use o endpoint "chat/completions" com um array de mensagens. Nenhuma configuração adicional é necessária. Consulte a documentação do OrcaRouter para autenticação e limites de taxa.
A API suporta parâmetros padrão compatíveis com OpenAI: model (obrigatório), messages (obrigatório), temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty, stream e outros. max_tokens pode ser definido até 65,536. O array messages pode incluir papéis de system, user e assistant. O conteúdo multimodal é estruturado como objetos com tipo "text" ou "image_url". Para vídeo, múltiplas entradas image_url podem ser usadas. Nenhum parâmetro personalizado específico deste modelo está documentado. Parâmetros como stream permitem a saída de tokens em tempo real. Sempre teste com seus parâmetros desejados, pois certas combinações (por exemplo, temperatura alta com contextos longos) podem produzir resultados imprevisíveis.
A migração é direta porque a API do OrcaRouter é compatível com a OpenAI. Substitua sua URL base de https://api.openai.com/v1 para https://api.orcarouter.ai/v1. Altere seu ID de modelo de qualquer modelo GPT para "qwen/qwen3.5-flash-2026-02-23". Obtenha uma chave de API do OrcaRouter e defina-a no cabeçalho Authorization. Se seu código existente usa a biblioteca Python da OpenAI, basta atualizar o base_url e o api_key no cliente OpenAI. Observe que o modelo suporta entrada multimodal; portanto, se você usava endpoints de visão separados, agora pode passar imagens diretamente no formato de chat. Teste minuciosamente, pois as saídas serão diferentes.
A URL base para todas as chamadas de API é https://api.orcarouter.ai/v1. O ID exato do modelo é "qwen/qwen3.5-flash-2026-02-23". Essa string deve ser usada exatamente como fornecida, incluindo a barra e o sufixo da data. O endpoint para conclusões de chat é POST /v1/chat/completions. Para streaming, adicione o parâmetro stream. Nenhum outro endpoint (ex.: embeddings, fine-tuning) está listado para este modelo. Sempre verifique a documentação mais recente do endpoint no site do OrcaRouter. O ID do modelo pode diferir do usado nativamente pelo Qwen; sempre use o ID do modelo do OrcaRouter.
O Qwen3.5-Plus é provavelmente uma variante maior e mais capaz. Embora não haja detalhes específicos fornecidos para nenhum dos modelos, variantes flash geralmente trocam precisão por velocidade e menor custo. O modelo flash tem um preço mais baixo ($0,10/$0,40 vs. tipicamente mais alto para o Plus). Ambos provavelmente suportam o mesmo contexto de janela e modalidades. Escolha flash para cenários de alta taxa de transferência onde a precisão perfeita não é necessária; escolha Plus para tarefas complexas. Como não há dados de benchmark disponíveis, teste ambos com seus próprios dados, se possível. O modelo flash também contém a tag de data 2026-02-23, indicando um snapshot específico.
O Llama 3.1 8B é um modelo popular de pesos abertos com uma janela de contexto padrão de 128 mil tokens. Este modelo flash Qwen oferece um contexto muito maior (1.048.576 tokens) e suporta entrada de imagem e vídeo nativamente, enquanto o Llama 3.1 é principalmente texto. O preço do Llama no OrcaRouter pode ser similar ou ligeiramente diferente; verifique a página de preços. Para tarefas apenas de texto com custo similar, o Llama pode ser preferido se você tiver infraestrutura existente. Para necessidades multimodais, este modelo Qwen tem uma vantagem. Ambos são acessados pela API compatível com OpenAI do OrcaRouter.
O GPT-4o-mini da OpenAI é um modelo menor e mais barato, com uma janela de contexto de 128K. Ele suporta entrada de texto e imagem, mas não vídeo. O preço do GPT-4o-mini no OrcaRouter não é fornecido aqui, mas geralmente fica em torno de $0,15/$0,60 por 1M de tokens. Este modelo Qwen é ligeiramente mais barato nos tokens de entrada ($0,10) e na saída ($0,40). A principal vantagem do modelo Qwen é o contexto de 1M e o suporte a vídeo. No entanto, o GPT-4o-mini pode ser mais amplamente testado e ter um ecossistema de suporte maior. Escolha com base na sua necessidade de contexto longo ou vídeo, e na sua confiança no desempenho do modelo.
Outros modelos flash, como Llama 3.2 Flash ou Mistral small, normalmente têm janelas de contexto menores (por exemplo, 128K) e podem não suportar vídeo. A janela de contexto de um milhão de tokens deste modelo flash Qwen é um recurso de destaque. O preço é competitivo a $0.10/$0.40. As limitações comuns entre modelos flash incluem menor precisão em tarefas complexas de raciocínio e factuais. Para aplicações que exigem qualidade máxima, um modelo não flash da mesma família ou um modelo fechado maior pode ser melhor. Nenhuma comparação específica sobre velocidade ou pontuações de benchmark é fornecida.
Compatível com OpenAI — mantenha seu 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| Entrada / 1M tokens | $0.100 |
|---|---|
| Saída / 1M tokens | $0.400 |
| Moeda | USD |
Estimativa com base no preço de tabela
Apenas uma estimativa — a contagem real de tokens depende do tokenizador do provedor.
Do que os desenvolvedores estão falando 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