Qwen3.5 Plus — trò chuyện đa phương thức (văn bản/hình ảnh/video), ngữ cảnh 1M, khả năng lập trình mạnh mẽ + khả năng tác nhân.
Qwen3.5-Plus là một mô hình ngôn ngữ lớn (LLM) thuộc dòng Qwen do nhóm Qwen của Alibaba Cloud phát triển. Mô hình này hỗ trợ cửa sổ ngữ cảnh lên tới 1,048,576 token và đầu ra tối đa 65,536 token. Các…
Dựa trên thiết kế của mình, Qwen3.5-Plus có thể thực hiện nhiều tác vụ ngôn ngữ và đa phương thức. Các tác vụ văn bản bao gồm tóm tắt, trả lời câu hỏi, dịch thuật, sinh mã và suy luận trên các tài liệu dài. Với đầu vào hình ảnh và video, nó có thể mô tả nội dung trực quan, trả lời câu hỏi về hình ảnh hoặc phân tích cảnh quay video. Ngữ cảnh lớn giúp nó đặc biệt hiệu quả với các tác vụ yêu cầu quét khối lượng lớn văn bản, chẳng hạn như khám phá pháp lý, đánh giá tài liệu khoa học hoặc hội thoại nhiều lượt. Mô hình cũng có khả năng làm theo các hướng dẫn phức tạp trên nhiều lĩnh vực khác nhau.
If use case của bạn chỉ liên quan đến các prompt văn bản ngắn (ví dụ: vài trăm token) và không yêu cầu đầu vào đa phương thức, một mô hình nhỏ hơn như Qwen2.5-7B hoặc LLM nhỏ gọn tương tự có thể tiết kiệm chi phí hơn. Ngữ cảnh 1M và số lượng tham số lớn của Qwen3.5-Plus dẫn đến giá mỗi token cao hơn và suy luận chậm hơn so với các lựa chọn thay thế nhỏ hơn. Ngoài ra, nếu bạn không cần độ dài đầu ra tối đa 65k token, một mô hình rẻ hơn với giới hạn đầu ra ngắn hơn có thể đáp ứng. Hãy đánh giá yêu cầu tối thiểu về độ dài ngữ cảnh và phương thức của tác vụ trước khi chọn mô hình này.
Đúng vậy, mô hình chấp nhận hình ảnh và video làm phương thức đầu vào. Điều này cho phép nó hiểu các cảnh trực quan, đọc văn bản trong hình ảnh hoặc phân tích video. Cách thức cụ thể để truyền video (ví dụ: dưới dạng luồng khung hình, một khung hình chính duy nhất hoặc tệp video nén) không được chỉ rõ trong các dữ kiện được cung cấp. Người dùng nên tham khảo tài liệu API của OrcaRouter để biết định dạng đầu vào yêu cầu. Giống như nhiều mô hình ngôn ngữ lớn đa phương thức, việc xử lý video có thể tiêu tốn một số lượng token đáng kể cho mỗi khung hình, do đó cần quản lý cẩn thận cửa sổ ngữ cảnh để tránh bị cắt bớt.
Các dữ kiện được cung cấp không bao gồm thông tin về sử dụng công cụ hoặc gọi hàm. Thông thường, nhiều mô hình Qwen hỗ trợ các tính năng này thông qua API tương thích với OpenAI, nhưng điều này không thể xác nhận cho Qwen3.5-Plus từ dữ liệu đã cho. Các nhà phát triển nên kiểm tra mô hình với lược đồ gọi công cụ để xác định khả năng tương thích. Nếu việc sử dụng công cụ là cần thiết, hãy cân nhắc sử dụng một mô hình mà khả năng đó được ghi chép rõ ràng. API của OrcaRouter hỗ trợ các tham số OpenAI tiêu chuẩn, vì vậy bạn có thể thử sử dụng function_call hoặc tools trong yêu cầu của mình.
Không có điểm số benchmark nào được cung cấp trong các dữ kiện đã cho cho Qwen3.5-Plus. Nếu không có các con số hiệu năng cụ thể (ví dụ: MMLU, HumanEval, hoặc các benchmark đa phương thức), thì không thể so sánh một cách khách quan độ chính xác hay khả năng suy luận của nó với các mô hình khác. Người dùng nên tự chạy các đánh giá trên các tác vụ đại diện để đo lường hiệu năng. Dựa trên dòng họ Qwen, các mô hình trước đó đã cho thấy kết quả cạnh tranh; tuy nhiên, điểm số của phiên bản cụ thể này không được công bố trong dữ liệu hiện có. Tham khảo các bản phát hành Qwen chính thức của Alibaba Cloud để biết kết quả benchmark tiềm năng.
Độ trễ và thông lượng không được chỉ định trong các dữ kiện được cung cấp. Nói chung, các mô hình lớn hơn với cửa sổ ngữ cảnh 1M sẽ nặng hơn để tính toán, đặc biệt nếu sử dụng toàn bộ ngữ cảnh. Tốc độ sinh sẽ phụ thuộc vào độ dài đầu ra, số lượng token hình ảnh và cơ sở hạ tầng bên dưới. Sử dụng OrcaRouter, bạn có thể trải nghiệm độ trễ thấp hơn với kích thước batch nhỏ hơn và bằng cách giới hạn ngữ cảnh chỉ ở những gì cần thiết. Streaming (chat.completions với stream=true) cũng có thể giảm độ trễ cảm nhận khi các token được trả về dần dần.
Điểm mạnh chính của Qwen3.5-Plus là cửa sổ ngữ cảnh lớn với 1.048.576 token, cho phép xử lý các tài liệu và hội thoại rất dài mà không bị mất thông tin. Hỗ trợ đa phương thức (văn bản, hình ảnh, video) mở rộng phạm vi đầu vào mà nó có thể xử lý. Đầu ra tối đa 65.536 token cũng rất hào phóng, cho phép tạo các bản tóm tắt, báo cáo hoặc mã nguồn dài. Những tính năng này làm cho nó trở thành ứng cử viên tốt cho các tác vụ yêu cầu cả ngữ cảnh nặng và hiểu biết thị giác trong một lần gọi mô hình duy nhất.
Nếu không có dữ liệu benchmark cụ thể, hiệu suất chính xác của nó so với các LLM khác vẫn chưa được biết. Các cửa sổ ngữ cảnh lớn có thể dẫn đến chi phí tính toán và độ trễ tăng lên. Mô hình cũng có thể gặp khó khăn với các ngữ cảnh rất dài do hiện tượng "lost-in-the-middle" phổ biến trong nhiều LLM. Ngoài ra, dữ liệu được cung cấp không đề cập đến việc mô hình có hỗ trợ các ngôn ngữ khác ngoài tiếng Anh hay không; khả năng đa ngôn ngữ của nó là không chắc chắn. Cuối cùng, thông tin về giá cả không được cung cấp, vì vậy người dùng phải tính đến chi phí xử lý nhiều token.
Giá cụ thể cho mỗi token hoặc mỗi yêu cầu cho Qwen3.5-Plus không được bao gồm trong các thông tin được cung cấp. Thông thường, các nhà cung cấp LLM tính phí dựa trên số lượng token đầu vào và đầu ra, và đôi khi có thêm phụ phí cho xử lý hình ảnh hoặc video. Để biết giá hiện tại, bạn nên tham khảo trang giá của OrcaRouter hoặc liên hệ với đội ngũ bán hàng của họ. Giá của mô hình này có thể sẽ cao hơn so với các biến thể Qwen nhỏ hơn do dung lượng ngữ cảnh lớn hơn và khả năng đa phương thức. Luôn xác minh chi phí trước khi tích hợp.
Khi sử dụng cửa sổ ngữ cảnh 1M, chi phí có thể tăng nhanh nếu bạn lấp đầy toàn bộ ngữ cảnh bằng token. Đối với các tác vụ có thể hoàn thành với ngữ cảnh ngắn hơn (ví dụ: 32k token), bạn có thể đang trả quá nhiều khi dùng mô hình này. Tương tự, xử lý nhiều hình ảnh hoặc một video dài sẽ tiêu tốn nhiều token đầu vào. Giới hạn đầu ra tối đa 65,536 token cũng đồng nghĩa với việc sinh nội dung có thể tốn kém nếu bạn tạo ra các phản hồi dài. Hãy cân nhắc sử dụng mô hình nhỏ hơn cho các tác vụ đơn giản và dành Qwen3.5-Plus cho các tình huống thực sự cần ngữ cảnh lớn và đầu vào đa phương thức.
Các sự kiện được cung cấp không đề cập đến bất kỳ cơ chế lưu trữ đệm (caching) hay giảm giá nào cho các token lặp lại trên Qwen3.5-Plus. Một số nhà cung cấp API hỗ trợ lưu trữ đệm prompt giúp giảm chi phí cho các token tiền tố giống hệt nhau qua nhiều lần gọi. OrcaRouter có thể hỗ trợ hoặc không hỗ trợ tính năng này. Để biết thêm, hãy tham khảo tài liệu của OrcaRouter hoặc liên hệ với bộ phận hỗ trợ. Nếu có tính năng lưu trữ đệm, nó có thể giảm đáng kể chi phí cho các trường hợp sử dụng như hội thoại nhiều lượt với một system prompt chung hoặc ngữ cảnh lặp lại.
Qwen3.5-Plus được truy cập thông qua API tương thích với OpenAI của OrcaRouter. Đặt URL cơ sở thành https://api.orcarouter.ai/v1. Sử dụng ID mô hình "qwen/qwen3.5-plus". Xác thực thường được thực hiện qua khóa API trong header Authorization (ví dụ: "Bearer YOUR_API_KEY"). Đối với yêu cầu chat completion, gửi một POST đến /chat/completions với phần thân JSON chứa trường "model" được đặt thành ID mô hình, và một mảng "messages" theo định dạng của OpenAI. Ví dụ: {"model": "qwen/qwen3.5-plus", "messages": [{"role": "user", "content": "Hello"}]}.
OrcaRouter hỗ trợ các tham số OpenAI tiêu chuẩn bao gồm "messages", "max_tokens", "temperature", "top_p", "frequency_penalty", "presence_penalty", "stop", và "stream". Vì mô hình hỗ trợ đầu vào hình ảnh và video, bạn cũng có thể truyền nội dung đa phương thức trong trường "content" dưới dạng mảng các đối tượng với "type":"text" và "type":"image_url" (hoặc tương tự). Lược đồ chính xác cho video không được xác định trong dữ liệu được cung cấp. Hãy tham khảo tài liệu API của OrcaRouter để biết danh sách tham số đầy đủ. Lưu ý rằng "max_tokens" không được vượt quá đầu ra tối đa của mô hình là 65,536 token.
Để chuyển từ một mô hình khác sang Qwen3.5-Plus, hãy cập nhật trường "model" trong yêu cầu API của bạn từ ID mô hình trước đó (ví dụ: "gpt-4" hoặc "qwen2.5-72b") thành "qwen/qwen3.5-plus". Đảm bảo mã của bạn có thể xử lý ngữ cảnh lớn hơn và đầu vào đa phương thức nếu bạn định sử dụng các tính năng đó. Nếu bạn đang sử dụng mô hình hỗ trợ gọi công cụ hoặc gọi hàm song song, hãy kiểm tra các tính năng đó với Qwen3.5-Plus để đảm bảo tương thích. Đồng thời, điều chỉnh giới hạn token nếu mô hình trước đó của bạn có đầu ra tối đa nhỏ hơn (đặt max_tokens phù hợp).
Có, tính năng streaming được hỗ trợ thông qua tham số API chuẩn của OpenAI: đặt "stream": true trong yêu cầu của bạn. Điều này trả về các token khi chúng được sinh ra, giảm độ trễ cảm nhận. Phản hồi sẽ là một luồng các Server-Sent Events (SSE). Mỗi sự kiện chứa một delta của phần tiếp theo của tin nhắn. Cơ chế này hoạt động giống hệt chế độ streaming của OpenAI. Đối với đầu vào đa phương thức, chunk đầu tiên có thể bị chậm một chút trong khi mô hình xử lý hình ảnh hoặc video. API của OrcaRouter tuân theo cùng định dạng streaming như OpenAI, do đó mã streaming hiện có có thể được tái sử dụng với id mô hình mới.
Qwen3.5-Plus là một phiên bản mới hơn trong dòng Qwen. Các thông tin được cung cấp không bao gồm các cải tiến hiệu suất cụ thể so với Qwen2.5, nhưng thông thường các phiên bản mới hơn bổ sung hỗ trợ ngữ cảnh dài hơn và đào tạo tinh chỉnh. Các mô hình Qwen2.5 thường có cửa sổ ngữ cảnh lên tới 128k token, trong khi Qwen3.5-Plus cung cấp 1M. Ngoài ra, Qwen3.5-Plus liệt kê rõ ràng video như một phương thức đầu vào, điều này có thể không có sẵn trong các biến thể Qwen2.5 cũ hơn. Nếu bạn không cần ngữ cảnh lớn hơn hoặc đầu vào video, một mô hình Qwen2.5 có thể hiệu quả về chi phí và nhanh hơn.
Các mô hình như Gemini 1.5 Pro (1M token), Claude 3.5 Sonnet (200k) và GPT-4 Turbo (128k) cũng cung cấp ngữ cảnh dài. Qwen3.5-Plus tương đương với ngữ cảnh 1M token của Gemini 1.5 Pro và vượt trội hơn hầu hết các mô hình khác. Việc bổ sung đầu vào video cũng tương đối hiếm trong số các LLM. Tuy nhiên, nếu không có dữ liệu benchmark, rất khó để so sánh độ chính xác, khả năng suy luận hay lập trình. Giá cả và độ trễ cũng khác nhau tùy theo nhà cung cấp. Người dùng nên đánh giá dựa trên các tác vụ cụ thể của họ. OrcaRouter cung cấp quyền truy cập vào nhiều mô hình, giúp dễ dàng chuyển đổi và so sánh.
Bạn sẽ chọn mô hình này nếu trường hợp sử dụng của bạn yêu cầu cả ngữ cảnh rất dài (trên 256k token) và đầu vào đa phương thức (văn bản, hình ảnh, video) trong một mô hình duy nhất. Ví dụ: phân tích hàng giờ video kèm bản ghi âm, hoặc đọc toàn bộ cuốn sách có sơ đồ nhúng. Nếu nhiệm vụ của bạn chỉ là văn bản thuần túy với ngữ cảnh ngắn, một giải pháp thay thế rẻ hơn và nhanh hơn (ví dụ: Qwen2.5-7B hoặc GPT-4o-mini) sẽ phù hợp hơn. Ngoài ra, nếu bạn cần xuất ra hơn 16k token, đầu ra tối đa 65k của Qwen3.5-Plus có thể là lợi thế.
Các sự kiện được cung cấp không bao gồm thông tin chi tiết về cách xử lý dữ liệu hoặc quyền riêng tư đối với Qwen3.5-Plus. Khi sử dụng OrcaRouter, bạn nên xem xét chính sách quyền riêng tư và điều khoản dịch vụ của họ để hiểu cách dữ liệu được xử lý, lưu trữ hoặc ghi nhật ký. Như với bất kỳ API bên thứ ba nào, hãy tránh gửi thông tin cá nhân nhạy cảm trừ khi bạn đã xác nhận chứng chỉ bảo mật của nhà cung cấp (ví dụ: SOC 2, tuân thủ GDPR). Bản thân mô hình được lưu trữ trên cơ sở hạ tầng do OrcaRouter và Alibaba Cloud quản lý, và các nhà cung cấp API điển hình chỉ giữ lại dữ liệu tạm thời để cung cấp dịch vụ.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
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/qwen3.5-plus",
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| Bậc | Đầu vào / 1M tokens | Đầu ra / 1M tokens |
|---|---|---|
| ≤ 256K | $0.400 | $2.40 |
| ≤ 1.0M | $0.500 | $3.00 |
| Bậc được chọn theo số token đầu vào của mỗi yêu cầu | ||
Ước tính theo giá niêm yết
Giá theo bậc — ước tính này dùng mức giá bậc cơ bản.
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
GET /api/public/models/qwen/qwen3.5-plusMở @misc{orcarouter_qwen3_5_plus,
title = {qwen/qwen3.5-plus API},
author = {qwen},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.5-plus}
}qwen. (n.d.). qwen/qwen3.5-plus API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.5-plus