Qwen3.5-122B-A10B-FP8

Qwen3.5‑122B‑A10B is a multimodal foundation model in the Qwen family. Its Mixture-of-Experts architecture has 122 billion total parameters and 10 billion active. It natively handles text, images and video for multimodal agentic applications. It supports context up to 262,144 tokens, extendable for tasks that process large volumes of visual and textual data.

• PROVIDER LOCATION: Non-EU
• PARAMETERS: 122B (10B active)
• MAX CONTEXT: 262K token
• LICENSE: Apache 2.0
• FEATURES: Function calling, Multimodal (images + video), Reasoning, Agents
• OUTPUT FORMATS: Raw_text, Json_object, Json_schema

• Advanced multimodal agent
• Combined text and image analysis
• Long-video understanding
• Enterprise visual assistant

curl --request POST \
--url https://apiaruba.it/aiplatform/v1/chat/completions \
--header 'content-type: application/json' \
--header 'x-aruba-api-key: *****' \
--data '{
"model": "Qwen3.5-122B-A10B-FP8",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 2000
}'

{
"id": "41367279a5664415ae0f67afafbb3c7d",
"created": 1787560516,
"model": "Qwen3.5-122B-A10B-FP8",
"object": "chat.completion",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "\n\nUn **embedding** è una rappresentazione vettoriale di dati complessi (come parole o immagini) che ne cattura il significato.\n\nTrasforma concetti astratti in coordinate numeriche: elementi simili risultano vicini nello spazio matematico. Questo permette all'AI di elaborare relazioni e similarità in modo efficiente.",
"role": "assistant",
"reasoning_content": "Thinking Process:\n\n1. **Analyze the Request:**\n * Task: Explain what an \"embedding\" is.\n * Language: Italian.\n * Constraint: \"Sei un assistente conciso\" (You are a concise assistant). This means the explanation should be brief, clear, and to the point, avoiding unnecessary fluff.\n\n2. **Define \"Embedding\":**\n * Context: Machine Learning / NLP / Data Science.\n * Core concept: Representing complex data (words, images, etc.) as vectors of numbers (real-valued vectors).\n * Purpose: Capture semantic meaning, relationships, and similarity in a mathematical space.\n * Analogy: Mapping items to coordinates where similar items are closer together.\n\n3. **Drafting the Explanation (Internal Monologue/Trial):**\n * *Draft 1 (Too long):* Un embedding è una tecnica usata nell'apprendimento automatico per convertire dati complessi come parole o immagini in vettori di numeri. In questo modo, i computer possono capire le relazioni tra questi dati. Per esempio, la parola \"re\" e \"regina\" avranno vettori simili. Serve per ridurre la dimensionalità e catturare il significato semantico.\n * *Draft 2 (More concise):* Un embedding è una rappresentazione numerica di dati complessi (come parole o immagini) sotto forma di vettori. Consente ai modelli di AI di cogliere relazioni e similarità semantiche: elementi simili sono vicini nello spazio vettoriale.\n * *Draft 3 (Even more concise & punchy):* Un embedding è una rappresentazione vettoriale di dati (es. parole, immagini) che cattura il loro significato e le relazioni. Elementi simili hanno vettori vicini nello spazio matematico, permettendo all'AI di elaborarli efficacemente.\n\n4. **Refining for Conciseness (Italian):**\n * Start with a direct definition.\n * Mention the purpose (similarity, relationships).\n * Keep it under 3-4 sentences.\n\n *Selected Version:*\n Un **embedding** è una rappresentazione numerica (vettoriale) di dati complessi, come parole o immagini.\n\n Trasforma concetti astratti in coordinate matematiche, dove elementi con significato simile si trovano vicini nello spazio.\n\n Questo permette ai modelli di intelligenza artificiale di comprendere relazioni e similarità in modo efficiente.\n\n5. **Final Polish:** Check against \"conciso\".\n * Maybe combine into one tight paragraph.\n\n *Revised:*\n Un **embedding** è una rappresentazione vettoriale di dati (come parole o immagini) che ne cattura il significato semantico.\n\n Trasforma elementi complessi in coordinate numeriche: oggetti simili risultano vicini nello spazio matematico. Questo permette all'AI di elaborare relazioni e similarità in modo efficiente.\n\n6. **Final Decision:** Keep it extremely direct.\n\n *Final Plan:*\n 1. Definition (Vettori).\n 2. Function (Similarità/Relazioni).\n 3. Benefit (AI elaborazione).\n\n *Italian:*\n Un **embedding** è una rappresentazione vettoriale di dati (es. parole, immagini) che ne codifica il significato.\n\n Trasforma concetti complessi in coordinate numeriche, posizionando elementi simili vicini nello spazio matematico. Questo permette all'intelligenza artificiale di comprendere relazioni e similarità in modo efficiente.\n\n *Wait, can I make it even shorter?*\n Un **embedding** è una rappresentazione numerica (vettoriale) di dati complessi, come parole o immagini.\n\n Trasforma il significato in coordinate: elementi simili hanno vettori vicini. Questo permette all'AI di cogliere relazioni semantiche in modo efficiente.\n\n *Let's go with this one.*\n\n7. **Output Generation** (matching the persona).\n\n (Self-Correction during output generation): Ensure bolding is used for key terms to aid quick reading.\n\n *Final Text:*\n Un **embedding** è una rappresentazione vettoriale di dati complessi (come parole o immagini) che ne cattura il significato.\n\n Trasforma concetti astratti in coordinate numeriche: elementi simili risultano vicini nello spazio matematico. Questo permette all'AI di elaborare relazioni e similarità in modo efficiente.cw\n",
"provider_specific_fields": {
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 1038,
"prompt_tokens": 31,
"total_tokens": 1069,
"completion_tokens_details": {
"reasoning_tokens": 967,
"text_tokens": 71
}
},
"metadata": {
"weight_version": "default"
}
}

• Mistral‑Small‑3.2‑24B‑Instruct‑2506
• gpt‑oss‑120b

• Hugging Face
• NVIDIA NGC