Qwen3.6 Plus snapshot 2026-04-02 — เวอร์ชันที่ถูกตรึงของ qwen3.6-plus, ความสามารถเหมือนเดิม
qwen/qwen3.6-plus-2026-04-02 เป็น checkpoint เฉพาะของซีรีส์ Qwen3.6 Plus ซึ่งโฮสต์โดย Qwen และเข้าถึงได้ผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter โดยรองรับอินพุตข้อความ รูปภาพ และวิดีโอ…
qwen/qwen3.6-plus-2026-04-02 สามารถรับไฟล์วิดีโอหรือลำดับของเฟรมเป็นอินพุตร่วมกับข้อความ Prompt มันเข้าใจบริบทเชิงเวลาข้ามเฟรมวิดีโอ ทำให้สามารถทำงานต่างๆ เช่น การสรุปวิดีโอ การตรวจจับเหตุการณ์ และการตอบคำถามเกี่ยวกับเนื้อหาภาพที่เปลี่ยนแปลงตามเวลา เนื่องจากบริบทที่มี 1 ล้านโทเค็น โมเดลจึงสามารถประมวลผลวิดีโอที่ยาวหลายนาที (ขึ้นอยู่กับอัตราเฟรมและความละเอียด) ได้ในครั้งเดียว โมเดลไม่ได้สร้างวิดีโอได้เองตามธรรมชาติ แต่จะวิเคราะห์และใช้เหตุผลกับอินพุตวิดีโอ เพื่อผลลัพธ์ที่ดีที่สุด นักพัฒนาควรจัดเตรียมวิดีโอที่อัตราเฟรมที่เหมาะสม (เช่น 1 เฟรมต่อวินาที) และขนาดที่พอเหมาะ เนื่องจากการใช้อัตราเฟรมสูงอาจทำให้หน้าต่างบริบทถูกใช้ไปอย่างรวดเร็ว API ของ OrcaRouter รองรับโคเดกวิดีโอและรูปแบบทั่วไป โปรดตรวจสอบเอกสารสำหรับข้อจำกัดเฉพาะ
แม้ว่าโมเดลนี้จะโดดเด่นในงานเชิงเอเจนต์แบบ multimodal ที่มีบริบทยาว แต่ก็อาจมากเกินความจำเป็นสำหรับกรณีการใช้งานที่ง่ายกว่า สำหรับการแชทข้อความธรรมดา การจำแนกประเภท หรือการสร้างข้อความสั้น โมเดลที่เล็กกว่าและเร็วกว่าที่มีให้ใช้งานบน OrcaRouter (เช่น Qwen3.6 Base, Llama 3 หรือ GPT-4o-mini equivalents) โดยทั่วไปจะมีความหน่วงต่ำกว่าและต้นทุนต่อ token ที่ลดลง หากแอปพลิเคชันของคุณไม่จำเป็นต้องใช้หน้าต่างบริบทแบบ 1M-token หรือการประมวลผลภาพ/วิดีโอ ทางเลือกที่ถูกกว่าก็อาจตอบสนองความต้องการของคุณได้ในราคาที่ต่ำกว่ามาก นอกจากนี้ สำหรับงานที่คะแนน τ²-Bench ไม่ใช่สิ่งสำคัญ (เช่น การสรุปความแบบง่าย) โมเดลอื่นๆ อาจมีประสิทธิภาพเท่าเทียมกัน ควรประเมินความยาวบริบทและข้อกำหนดด้าน modality ที่เกิดขึ้นจริงเมื่อเทียบกับต้นทุนและความหน่วงเสมอเมื่อเลือกโมเดล
โมเดลนี้ได้คะแนน 97.7 จาก τ²-Bench ซึ่งเป็นเกณฑ์มาตรฐานที่วัดความสามารถของ AI ในการทำหน้าที่เป็นเอเจนต์ในสภาพแวดล้อมจำลอง τ²-Bench ทดสอบการวางแผน การใช้เครื่องมือ การจัดการหน่วยความจำ และการใช้เหตุผลแบบหลายรอบในงานต่างๆ เช่น การช้อปปิ้งออนไลน์ การวิเคราะห์ข้อมูล และการพัฒนาซอฟต์แวร์ คะแนนที่สูงบ่งชี้ว่าโมเดลสามารถแยกย่อยคำสั่งที่ซับซ้อน ใช้เครื่องมือภายนอก (เช่น เครื่องคิดเลข การค้นหา ตัวเรียกใช้โค้ด) และรักษาสถานะที่สอดคล้องกันในหลายขั้นตอนได้อย่างมีประสิทธิภาพ ทำให้โมเดลนี้เหมาะสมสำหรับการสร้างเอเจนต์อัตโนมัติที่โต้ตอบกับ API ท่องเว็บ หรือจัดการไฟล์ อย่างไรก็ตาม คะแนนจากเกณฑ์มาตรฐานไม่ได้รับประกันพฤติกรรมที่สมบูรณ์แบบในทุกสภาพแวดล้อมจริง โมเดลอาจยังล้มเหลวในงานใหม่หรือไม่ชัดเจน นักพัฒนาควรทดสอบการกำหนดค่าเอเจนต์อย่างละเอียด
τ²-Bench เป็นเกณฑ์มาตรฐานสำหรับประเมิน AI agent ในงานที่เหมือนจริงและมีหลายขั้นตอนในสภาพแวดล้อมที่ควบคุมได้ คะแนน 97.7 บ่งชี้ว่าโมเดลทำงานที่ได้รับมอบหมายได้เกือบสมบูรณ์ทุกงานภายในชุดเกณฑ์มาตรฐาน ซึ่งรวมถึงงานเช่น การจองการเดินทาง การแก้ไขเอกสาร การเขียนโค้ด และการค้นหาฐานข้อมูล—ทั้งหมดนี้ต้องการให้โมเดลวางแผนการกระทำย่อย ใช้เครื่องมือ และกู้คืนจากข้อผิดพลาด คะแนนนี้ชี้ว่าโมเดลมีความสามารถในการใช้เหตุผล การทำตามคำสั่ง และการใช้เครื่องมือที่แข็งแกร่ง อย่างไรก็ตาม เกณฑ์มาตรฐานมีข้อจำกัด: ไม่ครอบคลุมสถานการณ์จริงทั้งหมด และประสิทธิภาพอาจลดลงในสภาพแวดล้อมเปิดที่ไม่มีข้อเสนอแนะแบบมีโครงสร้าง ควรมองคะแนนนี้เป็นตัวบ่งชี้เชิงเปรียบเทียบภายในตระกูลโมเดล Qwen และเทียบกับโมเดลที่เน้น agent อื่นๆ ที่มีอยู่ใน OrcaRouter
เฉพาะคะแนน τ²-Bench (97.7) เท่านั้นที่ถูกระบุไว้อย่างชัดเจนสำหรับโมเดลนี้ ไม่มีผลการทดสอบมาตรฐานอื่น (เช่น MMLU, HumanEval, GSM8K) ในข้อมูลที่ให้มา ในฐานะโมเดล multimodal ขนาดใหญ่ที่มีบริบท 1M คาดว่ามันจะทำงานได้ดีในการแข่งขันกับงานให้เหตุผลทั่วไป แต่ไม่ได้เปิดเผยตัวเลขเฉพาะที่นี่ นักพัฒนาควรทำการประเมินของตนเองบนชุดข้อมูลเฉพาะโดเมนเพื่อวัดประสิทธิภาพ OrcaRouter รองรับเครื่องมือบันทึกและประเมินผลที่ช่วยเปรียบเทียบผลลัพธ์ระหว่างโมเดลต่างๆ สำหรับภาพรวมที่สมบูรณ์ ควรพิจารณาทดสอบกับงานที่สะท้อนภาระงานผลิตของคุณ โดยเฉพาะอย่างยิ่งที่เกี่ยวข้องกับการทำความเข้าใจบริบทยาวและการให้เหตุผลแบบ multimodal
แม้ว่าโมเดลจะมีคะแนน τ²-Bench สูง แต่ก็มีข้อจำกัดที่พบได้ทั่วไปในโมเดลภาษาขนาดใหญ่: อาจเกิดการหลอนข้อเท็จจริง (hallucinate facts) สร้างเนื้อหาที่มีอคติหรือเป็นอันตราย และประสบปัญหาในการทำงานที่ต้องการการคำนวณทางคณิตศาสตร์ที่แม่นยำโดยไม่มีเครื่องมือภายนอก บริบท 1M-token แม้จะใหญ่ แต่ก็ยังมีขอบเขตจำกัด—บริบทที่ยาวมากอาจทำให้โมเดลสูญเสียการโฟกัสในส่วนแรกๆ หรือพลาดรายละเอียดเล็กน้อย ความเข้าใจแบบมัลติโมดัล โดยเฉพาะวิดีโอ ขึ้นอยู่กับการเลือกเฟรม; โมเดลไม่เข้าใจวิดีโอแบบเรียลไทม์โดยธรรมชาติ นอกจากนี้ คะแนน 97.7 บน τ²-Bench ไม่ได้รับประกันประสิทธิภาพที่สมบูรณ์แบบในทุกงานตัวแทน โดยเฉพาะงานที่ต้องโต้ตอบกับคำตอบ API ที่ไม่คาดคิดหรือคำแนะนำที่ไม่ชัดเจน ความหน่วง (latency) และต้นทุนสูงกว่าโมเดลขนาดเล็กเนื่องจากบริบทที่ใหญ่และการประมวลผลแบบมัลติโมดัล
รายละเอียดราคาสำหรับ qwen/qwen3.6-plus-2026-04-02 ถูกกำหนดโดย OrcaRouter และไม่ได้รวมอยู่ในข้อมูลที่ให้ไว้ โดยทั่วไปแล้ว ราคาสำหรับโมเดลดังกล่าวจะขึ้นอยู่กับจำนวนโทเค็นอินพุตและเอาต์พุต พร้อมค่าธรรมเนียมเพิ่มเติมสำหรับการประมวลผลภาพและวิดีโอ (ต่อภาพหรือต่อเฟรม) หน้าต่างบริบทขนาดใหญ่หมายความว่าการใช้โทเค็น 1M เต็มในคำขอเดียวจะมีค่าใช้จ่ายสูงกว่าการใช้บริบทที่สั้นกว่า OrcaRouter มีรูปแบบการชำระเงินตามการใช้งาน และอาจมีขีดจำกัดอัตราขึ้นอยู่กับระดับบัญชี สำหรับอัตราต่อโทเค็นที่แน่นอนและส่วนลดที่เกี่ยวข้อง (เช่น สำหรับการประมวลผลแบบแบตช์หรือการใช้งานตามสัญญา) ให้ดูที่หน้าราคาอย่างเป็นทางการของ OrcaRouter หรือติดต่อทีมขายของพวกเขา การแคชของพรอมต์ที่ใช้บ่อยยังไม่ได้รับการยืนยันสำหรับโมเดลนี้โดยเฉพาะ ตรวจสอบเอกสารของ OrcaRouter เกี่ยวกับการแคชพรอมต์
เนื่องจากโมเดลมีหน้าต่างบริบทขนาดใหญ่และการรับอินพุตแบบหลายรูปแบบ (multimodal) ต้นทุนจึงอาจแตกต่างกันอย่างมากตามรูปแบบการใช้งาน หากพรอมต์ของคุณแทบจะไม่เกิน 10,000 โทเค็นและไม่ต้องใช้รูปภาพ การใช้โมเดลที่ราคาถูกกว่าจะช่วยลดค่าใช้จ่าย ในทางกลับกัน หากคุณประมวลผลเอกสารยาวหรือรูปภาพความละเอียดสูงเป็นประจำ ต้นทุนต่อคำขออาจคุ้มค่ากับประสิทธิภาพ τ²-Bench ที่สูงของโมเดล การประมวลผลวิดีโอมีราคาแพงเป็นพิเศษเนื่องจากแต่ละเฟรมกินโทเค็น OrcaRouter อาจเสนอการแคชหรือส่วนลดแบบกลุ่มเพื่อลดต้นทุนที่แท้จริง เพื่อเพิ่มประสิทธิภาพการใช้จ่าย ให้พิจารณาตัดทอนอินพุตให้เหลือความยาวบริบทที่จำเป็นขั้นต่ำ ลดความละเอียดของรูปภาพ และใช้การสุ่มตัวอย่างเฟรม นอกจากนี้ ให้ตรวจสอบการใช้โทเค็นของคุณผ่านแดชบอร์ดการใช้งานของ OrcaRouter เพื่อหลีกเลี่ยงความประหลาดใจ ไม่มีการกล่าวถึงระดับฟรีหรือเครดิตทดลองใช้สำหรับโมเดลนี้
เมื่อต้องการใช้โมเดล ให้ส่งคำขอ HTTP ไปยัง URL ฐานของ OrcaRouter: https://api.orcarouter.ai/v1 ใช้ตัวระบุโมเดลตามที่แสดงให้ถูกต้อง: "qwen/qwen3.6-plus-2026-04-02" API รองรับการทำงานร่วมกับ OpenAI ดังนั้นคุณสามารถใช้ SDK ของ OpenAI กับปลายทางที่กำหนดเองได้ ตัวอย่างเช่น ใน Python กับไลบรารี openai ให้ตั้งค่า `base_url` เป็นปลายทางของ OrcaRouter และ `api_key` เป็นคีย์ OrcaRouter ของคุณ เนื้อหาคำขอรองรับพารามิเตอร์มาตรฐาน: `model`, `messages`, `max_tokens`, `temperature`, `top_p` ฯลฯ สำหรับอินพุตหลายรูปแบบ ให้รวม URL รูปภาพหรือข้อมูลที่เข้ารหัส base64 ในอาร์เรย์ content โดยใช้ประเภท `image_url` หรือ `video_url` โปรดดูเอกสาร API ของ OrcaRouter สำหรับรูปแบบที่แน่นอนของอินพุตวิดีโอ
API รองรับพารามิเตอร์มาตรฐานของ OpenAI Chat Completions: `model` (required), `messages` (array of message objects), `max_tokens` (max 65,536), `temperature` (0.0–2.0; typical range 0.0–1.0), `top_p` (0.0–1.0), `frequency_penalty`, `presence_penalty`, `stop` sequences, และ `stream` (boolean) สำหรับงานที่ต้องใช้ตัวแทน (agentic tasks) มักแนะนำให้ตั้งค่า `temperature` เป็น 0.0 หรือค่าต่ำเพื่อส่งเสริมพฤติกรรมที่แน่นอน สำหรับงานสร้างสรรค์ อุณหภูมิที่สูงกว่าอาจเหมาะสม พารามิเตอร์ `max_tokens` ควบคุมความยาวของผลลัพธ์; โมเดลสามารถสร้างโทเค็นได้สูงสุด 65,536 โทเค็นต่อรอบ โปรดทราบว่าการตั้งค่า `max_tokens` สูงเกินไปอาจเพิ่มเวลาแฝงและค่าใช้จ่าย หากคุณต้องการจำกัดความยาวของผลลัพธ์เพื่อควบคุมค่าใช้จ่าย ให้ตั้งค่าที่เหมาะสมกับกรณีการใช้งานของคุณ รองรับการสตรีมและสามารถลดเวลาแฝงที่รับรู้ได้
หากคุณกำลังใช้ API ของ OrcaRouter กับโมเดลอื่นอยู่แล้ว การย้ายมาใช้ qwen/qwen3.6-plus-2026-04-02 โดยทั่วไปแล้วคุณเพียงแค่ต้องเปลี่ยนพารามิเตอร์ `model` ในคำขอของคุณจากรหัสเดิมเป็น "qwen/qwen3.6-plus-2026-04-02" เท่านั้น ไม่จำเป็นต้องเปลี่ยนแปลง endpoint API หรือวิธีการรับรองความถูกต้องอื่น ๆ เนื่องจากโมเดลทั้งหมดใช้ base URL และวิธีการรับรองความถูกต้องเดียวกัน หากคุณเคยใช้ข้อมูลนำเข้าแบบมัลติโมดัล (รูปภาพ, วิดีโอ) รูปแบบดังกล่าวก็ยังเข้ากันได้ อย่างไรก็ตาม โปรดทราบว่าพฤติกรรมและรูปแบบผลลัพธ์ของโมเดลอาจแตกต่างจากโมเดลก่อนหน้า คุณควรทดสอบ prompt ของคุณและปรับ system messages หรือ temperature หากจำเป็น นอกจากนี้ โปรดทราบว่า context window และขีดจำกัดของ token นั้นแตกต่างกัน คำขอของคุณอาจต้องได้รับการปรับปรุงเพื่อใช้ประโยชน์สูงสุดจากบริบท 1M หรือเพื่อหลีกเลี่ยงการเกินขีดจำกัดผลลัพธ์สูงสุด OrcaRouter มีคู่มือการย้ายข้อมูลในเอกสารประกอบของพวกเขา
Qwen มีหลายโมเดลบน OrcaRouter รวมถึงรุ่นก่อนหน้าอย่าง Qwen3.5 และ Qwen3.6 Base เมื่อเทียบกับรุ่น base แล้ว รุ่น Plus นี้มีหน้าต่างบริบทที่ใหญ่กว่า (1M เทียบกับปกติ 128K หรือ 256K), รองรับมัลติโมดัล (ภาพและวิดีโอ), และคะแนน τ²-Bench ที่สูงกว่า (97.7 เทียบกับที่คาดว่าต่ำกว่า) การประทับวันที่ (2026-04-02) บ่งชี้ว่าเป็น checkpoint ที่ใหม่กว่า ซึ่งอาจมีการปรับปรุงการให้เหตุผลหรือการทำตามคำแนะนำ อย่างไรก็ตาม รุ่น Plus อาจมีราคาต่อ token แพงกว่าและมีความหน่วงสูงกว่าเนื่องจากบริบทที่ใหญ่ขึ้นและการประมวลผลแบบมัลติโมดัล สำหรับงานที่ใช้ข้อความล้วนและบริบทสั้น รุ่น base อาจคุ้มค่ากว่า สำหรับงาน agentic หรือมัลติโมดัล รุ่น Plus นี้เป็นตัวเลือกที่แนะนำในบรรดาโมเดล Qwen
โมเดลทั้งสองมีให้บริการบน OrcaRouter แต่ qwen/qwen3.6-plus-2026-04-02 มีหน้าต่างบริบทที่ใหญ่กว่า (1M เทียบกับ 128K ของ GPT-4o) และรองรับการป้อนข้อมูลวิดีโอ (GPT-4o รองรับรูปภาพและเสียง) คะแนน τ²-Bench ที่ 97.7 เป็นเมตริกเฉพาะที่ไม่ได้รายงานต่อสาธารณะสำหรับ GPT-4o ดังนั้นจึงไม่สามารถเปรียบเทียบโดยตรงในเกณฑ์นั้นได้ ในด้านราคา GPT-4o อาจมีอัตรา token ที่แตกต่างกัน โปรดตรวจสอบหน้าราคาของ OrcaRouter โดยทั่วไป GPT-4o มีประสิทธิภาพหลายภาษาที่แข็งแกร่งและความรู้กว้างขวาง ในขณะที่โมเดล Qwen นี้อาจได้รับการปรับให้เหมาะสมสำหรับการรองรับภาษาเอเชีย (แม้จะไม่ได้ระบุไว้อย่างชัดเจน) นักพัฒนาควรทดสอบทั้งสองโมเดลกับงานเฉพาะของตนเพื่อพิจารณาว่าโมเดลใดให้คุณภาพและความสมดุลของต้นทุนที่ดีกว่า OrcaRouter อนุญาตให้สลับโมเดลโดยเปลี่ยนโค้ดเพียงเล็กน้อย
Claude 3.5 Sonnet เป็นอีกหนึ่งโมเดลยอดนิยมบน OrcaRouter ที่มีความโดดเด่นด้านการให้เหตุผลและความปลอดภัย มีหน้าต่างบริบท (context window) ขนาด 200K โทเค็น และรองรับการป้อนข้อมูลรูปภาพ แต่ไม่รองรับวิดีโอ qwen/qwen3.6-plus-2026-04-02 มีบริบทมากกว่าถึงห้าเท่า (1M) และรองรับวิดีโอแบบเนทีฟ รวมถึงมีคะแนน τ²-Bench สูง โมเดล Claude มักได้รับการชื่นชมในด้านการทำตามคำแนะนำที่ละเอียดอ่อนและพฤติกรรมการปฏิเสธ โมเดล Qwen นี้มีประสิทธิภาพด้านเอเจนต์ (agentic performance) ที่ 97.7 τ²-Bench ซึ่งบ่งชี้ถึงความสามารถที่เทียบเท่าหรือเหนือกว่าในงานที่ใช้เครื่องมือ (tool-use tasks) มีความแตกต่างด้านราคา; โปรดดูอัตราค่าบริการ (rate cards) ของ OrcaRouter สำหรับงานที่ต้องใช้บริบทยาวหรือวิดีโอ โมเดล Qwen อาจเป็นตัวเลือกที่เหนือกว่า สำหรับการใช้งานที่ต้องการความปลอดภัยสูง การปฏิบัติตามมาตรการป้องกันความปลอดภัย (safety guardrails) ของ Claude อาจเป็นข้อได้เปรียบ อีกครั้ง, ขอแนะนำให้ทดสอบโดยผู้ใช้
Gemini 2.0 Pro ที่มีให้ใช้งานบน OrcaRouter มีหน้าต่างบริบทขนาด 1M โทเค็น และรองรับการป้อนข้อมูลทั้งข้อความ รูปภาพ เสียง และวิดีโอ นอกจากนี้ยังทำคะแนนในการวัดประสิทธิภาพได้ดีเยี่ยม โมเดลทั้งสองมีความยาวบริบทและความสามารถแบบมัลติโหมดที่ใกล้เคียงกัน ความแตกต่างที่สำคัญอาจอยู่ที่ประสิทธิภาพเชิงเอเจนต์: qwen/qwen3.6-plus-2026-04-02 ได้คะแนน 97.7 ในการวัด τ²-Bench ซึ่งเป็นเกณฑ์มาตรฐานที่เน้นงานเชิงเอเจนต์ ส่วนคะแนนของ Gemini ในการวัดดังกล่าวยังไม่เปิดเผยต่อสาธารณะ นอกจากนี้ โมเดลแต่ละตัวอาจมีจุดแข็งที่แตกต่างกันในด้านการเขียนโค้ด การรองรับหลายภาษา หรือความแม่นยำของข้อเท็จจริง นักพัฒนาควรประเมินทั้งสองโมเดลในโดเมนเฉพาะของตน OrcaRouter ทำให้การสลับระหว่างโมเดลทั้งสองทำได้ง่ายผ่านอินเทอร์เฟซ API เดียวกัน ราคาอาจแตกต่างกัน โปรดตรวจสอบ OrcaRouter สำหรับอัตราปัจจุบัน
เลือก qwen/qwen3.6-plus-2026-04-02 เมื่อคุณต้องการ: หน้าต่างบริบทขนาด 1M tokens (ใหญ่กว่าตัวเลือกอื่นๆ มากมาย), รองรับวิดีโออินพุต (ไม่ใช่แค่รูปภาพและข้อความ), และประสิทธิภาพแบบ agentic สูงตามการวัด τ²-Bench (97.7) หากกรณีการใช้งานของคุณเกี่ยวข้องกับการประมวลผลเอกสารหรือวิดีโอที่ยาวมาก หรือการสร้างเอเจนต์อัตโนมัติที่ต้องการหน่วยความจำขยาย โมเดลนี้เป็นตัวเลือกที่แข็งแกร่ง หากคุณแทบไม่เกิน 128K tokens ไม่ต้องการวิดีโอ และต้องการการอนุมานที่เร็วขึ้น ให้พิจารณาโมเดลอย่าง GPT-4o mini หรือ Qwen3.6 Base สำหรับงานที่ต้องการความถูกต้องตามข้อเท็จจริงหรือความปลอดภัยสูงสุด ให้ประเมินทางเลือกอื่นที่มีการ์ดเรลที่แข็งแกร่งกว่า ท้ายที่สุด โมเดลที่ดีที่สุดขึ้นอยู่กับการแลกเปลี่ยนเฉพาะของคุณระหว่างต้นทุน เวลาแฝง ความยาวบริบท การรองรับโมดอลลิตี และประสิทธิภาพการวัดมาตรฐาน
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="qwen/qwen3.6-plus-2026-04-02",
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| ระดับ | อินพุต / 1M โทเค็น | เอาต์พุต / 1M โทเค็น |
|---|---|---|
| ≤ 256K | $0.500 | $3.00 |
| ≤ 1.0M | $2.00 | $6.00 |
| เลือกระดับชั้นตามจำนวนโทเค็นอินพุตของแต่ละคำขอ | ||
ประมาณการจากราคาตั้ง
ราคาแบบขั้นบันได — การประเมินนี้ใช้อัตราขั้นพื้นฐาน
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/qwen/qwen3.6-plus-2026-04-02เปิด @misc{orcarouter_qwen3_6_plus_2026_04_02,
title = {qwen/qwen3.6-plus-2026-04-02 API},
author = {qwen},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.6-plus-2026-04-02}
}qwen. (n.d.). qwen/qwen3.6-plus-2026-04-02 API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.6-plus-2026-04-02