Qwen3.5 Flash snapshot 2026-02-23 — phiên bản cố định của qwen3.5-flash, cùng khả năng.
qwen/qwen3.5-flash-2026-02-23 là một phiên bản cụ thể của mô hình Qwen3.5 Flash thuộc dòng Qwen của Alibaba. Đây là mô hình đa phương thức hỗ trợ đầu vào văn bản, hình ảnh và video. Cửa sổ ngữ cảnh…
Mô hình này có thể thực hiện nhiều tác vụ dựa trên văn bản điển hình của các mô hình ngôn ngữ lớn: tóm tắt, dịch thuật, trả lời câu hỏi, viết sáng tạo, sinh mã và hơn thế nữa. Cửa sổ ngữ cảnh lớn giúp mô hình đặc biệt phù hợp với các tác vụ yêu cầu hiểu tài liệu dài hoặc duy trì hội thoại qua nhiều lượt. Mô hình cũng có khả năng học ít mẫu và học không mẫu, nghĩa là có thể làm theo hướng dẫn mà không cần tinh chỉnh sâu rộng. Tuy nhiên, không có số liệu độ chính xác cụ thể nào được cung cấp cho các tác vụ này. Đối với các tác vụ yêu cầu suy luận toán học chính xác hoặc truy xuất thông tin thực tế, bạn có thể cần đánh giá mô hình dựa trên các tiêu chuẩn riêng của mình.
Mô hình chấp nhận đầu vào là hình ảnh như một phần của prompt. Nó có thể mô tả hình ảnh, trả lời câu hỏi về nội dung trực quan, và trích xuất văn bản hoặc đối tượng từ hình ảnh. Hình ảnh được biểu diễn dưới dạng một chuỗi các token, tiêu tốn một phần cửa sổ ngữ cảnh. Kích thước hình ảnh tối đa hoặc số lượng hình ảnh mỗi yêu cầu không được xác định; trên thực tế, hình ảnh có độ phân giải cao sẽ sử dụng nhiều token hơn. Để có kết quả tốt nhất, hãy cung cấp hình ảnh rõ ràng, đủ ánh sáng. Mô hình không hỗ trợ tạo hoặc xuất hình ảnh. Không có thông tin nào được cung cấp về việc liệu nó có xử lý chuỗi nhiều hình ảnh hoặc văn bản xen kẽ hình ảnh ngoài định dạng đa phương thức thông thường hay không.
Đầu vào video được hỗ trợ, thông qua việc lấy mẫu khung hình và mã hóa chúng thành token. Mô hình có thể phân tích các đoạn video ngắn để tóm tắt, nhận dạng hành động hoặc trả lời câu hỏi. Mỗi khung hình tiêu thụ token từ cửa sổ ngữ cảnh, do đó độ dài video bị giới hạn bởi ngữ cảnh khả dụng. Không có thông tin chi tiết cụ thể về tỷ lệ lấy mẫu khung hình hoặc thời lượng video tối đa được cung cấp. Khi sử dụng trong sản xuất, hãy cân nhắc tiền xử lý video để trích xuất các khung hình chính. Mô hình không tạo ra đầu ra video. Nếu ứng dụng của bạn yêu cầu xử lý video theo thời gian thực, hãy kiểm tra độ trễ cẩn thận vì quá trình mã hóa video thành token có thể tốn nhiều tài nguyên tính toán.
Mô hình này có giá $0.10 cho mỗi 1M token đầu vào và $0.40 cho mỗi 1M token đầu ra. Nếu ứng dụng của bạn có thể chấp nhận độ chính xác thấp hơn cho các tác vụ đơn giản, các mô hình nhỏ hơn (ví dụ: Qwen2.5-0.5B) có thể còn rẻ hơn. Nếu bạn cần chất lượng cao hơn cho suy luận phức tạp hoặc viết sáng tạo, hãy cân nhắc mô hình lớn hơn như Qwen3.5-Plus (nếu có) hoặc GPT-4o, có thể có chi phí mỗi token cao hơn nhưng cho hiệu suất benchmark tốt hơn. Biến thể flash là lý tưởng cho các ứng dụng khối lượng lớn, nơi tốc độ và chi phí được ưu tiên. Không có tài liệu về tinh chỉnh hoặc tùy chỉnh nào cho mô hình này trên trang này.
Các điểm mạnh chính của mô hình này là cửa sổ ngữ cảnh lớn (1.048.576 token), hỗ trợ đầu vào đa phương thức (văn bản, hình ảnh, video) và mức giá thấp cho mỗi token ($0,10/$0,40 cho mỗi 1 triệu token). Mô hình được thiết kế để đạt tốc độ và hiệu quả, phù hợp cho các ứng dụng thời gian thực. Ký hiệu flash cho thấy mô hình này đã được tối ưu hóa để có độ trễ thấp hơn so với các phiên bản lớn hơn. Trang này không cung cấp điểm chuẩn, do đó hiệu suất chính xác trên các tác vụ NLP hoặc thị giác tiêu chuẩn chưa được biết. Dựa trên các mô hình flash điển hình, nó có thể hy sinh một phần độ chính xác để đổi lấy thông lượng và chi phí.
Các hạn chế trung thực bao gồm việc thiếu dữ liệu benchmark được cung cấp; nếu không có dữ liệu đó, người dùng phải tự xác thực hiệu suất của mô hình trên các tác vụ của riêng họ. Mô hình là một biến thể flash, do đó nó có thể không đạt được độ chính xác bằng các mô hình lớn hơn hoặc đa năng trong các tác vụ suy luận phức tạp, toán học hoặc truy xuất thông tin thực tế. Hỗ trợ video có thể bị hạn chế bởi ngữ cảnh và hiệu quả lấy mẫu khung hình. Vì không có số liệu cụ thể về tốc độ hoặc độ trễ được cung cấp, thông lượng thực tế phụ thuộc vào hạ tầng của OrcaRouter. Mô hình không hỗ trợ tinh chỉnh hoặc các endpoint nhúng tùy chỉnh thông qua API này. Ngoài ra, ngày cắt kiến thức của mô hình không được chỉ định; mô hình có thể không được cập nhật với các sự kiện mới nhất.
Độ trễ không được chỉ định cho mô hình này trên trang này. Là một biến thể flash, mô hình được kỳ vọng sẽ cung cấp khả năng suy luận nhanh hơn so với các mô hình lớn hơn, nhưng tốc độ thực tế phụ thuộc vào các yếu tố như độ dài đầu vào, phần cứng được OrcaRouter sử dụng và tải yêu cầu đồng thời. Đối với các ứng dụng thời gian thực, hãy kiểm tra với các tải trọng đại diện. Điểm cuối API của OrcaRouter được lưu trữ trên hạ tầng có thể mở rộng, nhưng không có bảo đảm nào về độ trễ. Người dùng nên tự đo điểm chuẩn với khối lượng công việc của riêng mình. Cửa sổ ngữ cảnh lớn có thể làm tăng thời gian đến token đầu tiên nếu toàn bộ ngữ cảnh phải được xử lý. Chỉ yêu cầu ngữ cảnh cần thiết có thể cải thiện thời gian phản hồi.
Trang này không cung cấp dữ liệu điểm chuẩn chính thức cho qwen/qwen3.5-flash-2026-02-23. Để đánh giá mô hình, hãy tham khảo thẻ mô hình Qwen trên Hugging Face hoặc kho lưu trữ GitHub của Qwen để biết thông tin về hiệu suất điển hình của Qwen3.5 Flash. Các khía cạnh đánh giá phổ biến bao gồm MMLU, HumanEval và các điểm chuẩn QA trực quan, nhưng kết quả có thể khác nhau đối với phiên bản snapshot cụ thể này. OrcaRouter không công bố điểm chuẩn riêng cho mô hình này. Người dùng được khuyến khích tự chạy đánh giá để xác định mức độ phù hợp với trường hợp sử dụng cụ thể của mình, đặc biệt là về độ an toàn, độ thiên lệch hoặc độ chính xác theo lĩnh vực cụ thể.
Giá là $0.10 cho mỗi 1 triệu token đầu vào và $0.40 cho mỗi 1 triệu token đầu ra. Đây là mức giá của nhà cung cấp không có phụ phí từ OrcaRouter. Token đầu vào bao gồm văn bản, hình ảnh và khung hình video. Token đầu ra chỉ tính văn bản được sinh ra. Không có phí cho mỗi yêu cầu, và không có giá đặc biệt cho dung lượng số lượng lớn hoặc dung lượng dự trữ được ghi nhận. Chi phí được tính dựa trên tổng số token đầu vào và đầu ra được sử dụng trong mỗi lần gọi API. Đối với một đầu vào điển hình 1.000 token và đầu ra 500 token, chi phí khoảng $0,0003. Vì không có phụ phí, chi phí chính xác là những gì Qwen tính.
OrcaRouter tính phí mô hình này theo giá của nhà cung cấp, không có phụ phí. Điều này có nghĩa là bạn chỉ trả chính xác $0.10 cho mỗi 1M token đầu vào và $0.40 cho mỗi 1M token đầu ra mà không có bất kỳ phí dịch vụ bổ sung nào. Không có chi phí ẩn cho các yêu cầu API, xác thực hoặc truyền dữ liệu như một phần của giá token. Tuy nhiên, chi phí mạng tiêu chuẩn có thể áp dụng tùy thuộc vào cơ sở hạ tầng của bạn. Không có gói miễn phí nào được đề cập. Mức giá minh bạch này giúp dễ dàng tính toán chi phí và so sánh với các mô hình từ các nhà cung cấp khác có thể cộng thêm phụ phí. Tỷ lệ có thể thay đổi bởi nhà cung cấp; hãy kiểm tra trang giá của OrcaRouter để cập nhật.
Không có giảm giá bộ nhớ đệm hay giá theo khối lượng được ghi nhận cho mô hình này trên trang này. Mỗi token được tính phí riêng lẻ cho mỗi lần gọi API. Không có đề cập đến bộ nhớ đệm prompt, xử lý hàng loạt giảm giá, hoặc các khoản giảm giá sử dụng cam kết. Nếu bạn dự kiến khối lượng lớn, hãy liên hệ OrcaRouter để có các thỏa thuận tùy chỉnh tiềm năng, nhưng không có bảo đảm nào được đưa ra. Cấu trúc giá rất đơn giản: token đầu vào ở mức $0,10/M, token đầu ra ở mức $0,40/M, không có bậc miễn phí. Không giống như một số nhà cung cấp đưa ra giá thấp hơn cho các prompt được lưu trong bộ nhớ đệm, mô hình này hiện không quảng cáo tính năng như vậy.
Với mức giá $0.10/$0.40 trên một triệu token, mô hình này có tính cạnh tranh với nhiều mô hình flash trọng lượng mở. Ví dụ, một số biến thể Llama 3.1 8B có giá tương tự. Các mô hình lớn hơn như GPT-4o mini thường có chi phí trên mỗi token cao hơn. Điểm khác biệt chính là không có phụ phí từ OrcaRouter, vì vậy bạn trả đúng giá của nhà cung cấp. Khi so sánh, cũng xem xét kích thước cửa sổ ngữ cảnh: mô hình này cung cấp 1,048,576 token, có thể giảm nhu cầu phân chia phức tạp. Tuy nhiên, nếu không có dữ liệu điểm chuẩn, chỉ chi phí là không đủ để lựa chọn; hãy đánh giá độ chính xác và độ trễ cho tác vụ cụ thể của bạn.
Để sử dụng mô hình này, hãy gửi các yêu cầu đến điểm cuối API tương thích với OpenAI của OrcaRouter tại https://api.orcarouter.ai/v1. Đặt tham số model chính xác là "qwen/qwen3.5-flash-2026-02-23". Bạn phải bao gồm khóa API (lấy từ OrcaRouter) trong header Authorization. API hỗ trợ định dạng chat completions chuẩn của OpenAI. Đầu vào đa phương thức (hình ảnh, video) có thể được đưa vào danh sách nội dung tin nhắn. Ví dụ, sử dụng endpoint "chat/completions" với một mảng messages. Không cần cấu hình thêm. Tham khảo tài liệu của OrcaRouter để biết thông tin về xác thực và giới hạn tốc độ.
API hỗ trợ các tham số tương thích với OpenAI tiêu chuẩn: model (bắt buộc), messages (bắt buộc), temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty, stream và các tham số khác. max_tokens có thể được đặt lên đến 65,536. Mảng messages có thể bao gồm các vai trò system, user và assistant. Nội dung đa phương thức được cấu trúc dưới dạng các đối tượng với kiểu "text" hoặc "image_url". Đối với video, có thể sử dụng nhiều mục image_url. Không có tham số tùy chỉnh nào dành riêng cho mô hình này được ghi lại. Các tham số như stream cho phép xuất token theo thời gian thực. Luôn kiểm tra với các tham số mong muốn của bạn, vì một số kết hợp (ví dụ: temperature cao với ngữ cảnh dài) có thể tạo ra kết quả không thể đoán trước.
Việc di chuyển rất đơn giản vì API của OrcaRouter tương thích với OpenAI. Thay thế base URL của bạn từ https://api.openai.com/v1 thành https://api.orcarouter.ai/v1. Đổi model ID từ bất kỳ model GPT nào thành "qwen/qwen3.5-flash-2026-02-23". Lấy một khóa API OrcaRouter và đặt nó trong header Authorization. Nếu code hiện tại của bạn sử dụng thư viện Python OpenAI, chỉ cần cập nhật base_url và api_key trong client OpenAI. Lưu ý rằng model hỗ trợ đầu vào đa phương thức, vì vậy nếu trước đây bạn sử dụng các endpoint vision riêng biệt, giờ đây bạn có thể truyền trực tiếp ảnh trong định dạng chat. Kiểm tra kỹ lưỡng vì đầu ra sẽ khác nhau.
URL gốc cho tất cả các lời gọi API là https://api.orcarouter.ai/v1. ID mô hình chính xác là "qwen/qwen3.5-flash-2026-02-23". Chuỗi này phải được sử dụng chính xác như được cung cấp, bao gồm dấu gạch chéo và hậu tố ngày tháng. Điểm cuối cho chat completions là POST /v1/chat/completions. Để phát trực tuyến, thêm tham số stream. Không có điểm cuối nào khác (ví dụ: embeddings, fine-tuning) được liệt kê cho mô hình này. Luôn kiểm tra tài liệu điểm cuối mới nhất trên trang web của OrcaRouter. ID mô hình có thể khác với ID được Qwen sử dụng gốc; luôn sử dụng ID mô hình của OrcaRouter.
Qwen3.5-Plus có khả năng là một biến thể lớn hơn, mạnh mẽ hơn. Mặc dù không có thông tin chi tiết cụ thể cho cả hai mô hình, các biến thể flash thường đánh đổi độ chính xác để lấy tốc độ và chi phí thấp hơn. Mô hình flash có giá thấp hơn ($0,10/$0,40 so với thường cao hơn cho Plus). Cả hai đều hỗ trợ cùng cửa sổ ngữ cảnh và phương thức. Chọn flash cho các tình huống thông lượng cao khi không yêu cầu độ chính xác tuyệt đối; chọn Plus cho các tác vụ phức tạp. Vì không có dữ liệu điểm chuẩn, hãy thử nghiệm cả hai trên dữ liệu của bạn nếu có thể. Mô hình flash cũng chứa thẻ ngày 2026-02-23, cho biết một ảnh chụp cụ thể.
Llama 3.1 8B là một mô hình mã nguồn mở phổ biến với cửa sổ ngữ cảnh tiêu chuẩn 128K token. Mô hình Qwen flash này cung cấp ngữ cảnh lớn hơn nhiều (1,048,576 token) và hỗ trợ đầu vào hình ảnh và video một cách tự nhiên, trong khi Llama 3.1 chủ yếu là văn bản. Giá của Llama trên OrcaRouter có thể tương tự hoặc hơi khác; hãy kiểm tra trang giá. Đối với các tác vụ chỉ văn bản với chi phí tương tự, Llama có thể được ưu tiên nếu bạn có cơ sở hạ tầng hiện có. Đối với nhu cầu đa phương tiện, mô hình Qwen này có lợi thế. Cả hai đều được truy cập thông qua API tương thích OpenAI của OrcaRouter.
GPT-4o-mini từ OpenAI là một mô hình nhỏ hơn, rẻ hơn với cửa sổ ngữ cảnh 128K. Mô hình này hỗ trợ đầu vào văn bản và hình ảnh nhưng không hỗ trợ video. Giá cho GPT-4o-mini trên OrcaRouter không được nêu ở đây, nhưng thông thường vào khoảng $0.15/$0.60 trên 1 triệu token. Mô hình Qwen này rẻ hơn một chút ở đầu vào ($0.10) và đầu ra ($0.40). Lợi thế chính của mô hình Qwen là ngữ cảnh 1M và hỗ trợ video. Tuy nhiên, GPT-4o-mini có thể được benchmark kỹ lưỡng hơn và có hệ sinh thái hỗ trợ rộng hơn. Hãy lựa chọn dựa trên nhu cầu về ngữ cảnh dài hoặc video, cũng như độ tin cậy của bạn vào hiệu suất mô hình.
Các mô hình flash khác, chẳng hạn như Llama 3.2 Flash hay Mistral small, thường có cửa sổ ngữ cảnh nhỏ hơn (ví dụ: 128K) và có thể không hỗ trợ video. Mô hình flash Qwen này với ngữ cảnh triệu token là một tính năng nổi bật. Giá cả cạnh tranh ở mức $0.10/$0.40. Các hạn chế chung trên các mô hình flash bao gồm độ chính xác thấp hơn trong các tác vụ suy luận phức tạp và thực tế. Đối với các ứng dụng yêu cầu chất lượng tối đa, một mô hình không phải flash từ cùng một dòng hoặc một mô hình đóng lớn hơn có thể tốt hơn. Không có so sánh cụ thể về tốc độ hoặc điểm chuẩn nào được đưa ra.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
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| Đầu vào / 1M tokens | $0.100 |
|---|---|
| Đầu ra / 1M tokens | $0.400 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
Điều các nhà phát triển đang nói tuần này
GET /api/public/models/qwen/qwen3.5-flash-2026-02-23Mở @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