Qwen-Long er Qwens produktlinje til dokumentbehandling: at finde oplysninger, sammenligne materiale og besvare spørgsmål på tværs af et stort tekstkorpus. Dens særlige kendetegn er et dokumenteret forløb med filupload og referencer, som håndterer op til 10 millioner tokens. Opgaven er ikke blot at producere et længere chatsvar, men at holde en omfattende samling kildedokumenter tilgængelig, mens du stiller målrettede spørgsmål til dem.
Sådan fungerer dokumentforløbet
Producenten beskriver to trin. Upload først de valgte filer, og lad dokumentparseren blive færdig. De resulterende referencer identificerer de klargjorte dokumenter. Stil dernæst et spørgsmål, og medtag referencerne til det materiale, der skal indgå. Modellen udfører inferens på den tekst, der er knyttet til dokumenterne. Det adskiller dokumentklargøringen fra spørgsmålet og undgår, at hele filen skal sendes igen i hver samtalerunde.
Klargør ét dokument, når målet er et resumé, en forklaring på et afsnit eller udtræk af bestemte betingelser. Angiv de relevante afsnit, og bed om et resultat med et konkret, observerbart formål. Du kan eksempelvis give en produktspecifikation, bede om de driftsbetingelser, den udtrykkeligt angiver, og anmode om en kort tabel med betingelsen, kildeafsnittet og eventuelle manglende detaljer. Disse feltnavne er et eksempel på resultatets udformning, ikke et indbygget, fast skema.
Flere dokumenter og opfølgende spørgsmål
Det dokumenterede forløb accepterer flere klargjorte filer i samme forespørgsel. Det understøtter sammenligning på tværs af dokumenter: identificer en egenskab i hver specifikation, adskil fælles udsagn fra forskelle, og saml de uafklarede spørgsmål. Én forespørgsel kan indeholde op til 100 filreferencer. Vælg de filer, der er relevante for spørgsmålet, i stedet for at antage, at en stor kontekst i sig selv definerer, hvad der skal sammenlignes.
Producenten viser også, hvordan et nyt dokument tilføjes efter et første svar. Behold det tidligere svar i samtalen, tilføj den nye kilde, og stil et opfølgende spørgsmål, eksempelvis om forskellene mellem de to beskrivelser. I en applikation skal du skelne mellem det tidligere svar og det nye kildemateriale. Et nyttigt resultat kan være en sammenligningstabel med særskilte kolonner for hvert dokument og en forklaring på uoverensstemmelserne, frem for et samlet resumé, hvor kilden til hvert udsagn går tabt.
Direkte indtastning af ren tekst er en anden dokumenteret mulighed. Mindre materialer kan angives direkte som tekst i stedet for referencer til uploadede filer. Producentens vejledning kræver den referencebaserede metode, når dokumentindhold indsat direkte i forespørgslen overstiger 1 million tokens, på grund af grænserne for forespørgslens størrelse. Denne grænse er adskilt fra dokumentkonteksten på 10 millioner tokens: understøttelse af et stort korpus er ikke et løfte om, at en enkelt, lige så stor forespørgsel med rå tekst accepteres.
Formater, kontekst og output
Dokumenttjenesten angiver TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON samt BMP, PNG, JPG/JPEG og GIF. Uploadede billedfiler er begrænset til 20 MB; øvrige understøttede filer til 150 MB. Det er grænser for producentens forløb til dokumentklargøring, ikke en påstand om, at sprogmodellen direkte ræsonnerer over alle binære formater uden parsing.
Den offentliggjorte specifikation angiver en kontekst og et maksimalt input på 10.000.000 tokens samt op til 32.768 outputtokens. I det dokumenterede samtaleformat med filreferencer har brugerens spørgsmål en særskilt grænse på 9.000 tokens, når den anden systembesked leverer dokumenterne. Hold spørgsmålet kort, og reserver hovedparten af dokumentkonteksten til kildematerialet. Lang inputkontekst og svarlængde løser forskellige problemer: et stort korpus kan stadig kræve et kort, stramt struktureret resultat.
Producentens FAQ dokumenterer struktureret output baseret på JSON Schema for Qwen-Long og dets snapshots. Det er nyttigt ved gentagne udtræksopgaver, der skal bruge de samme felter på tværs af en samling. Angiv de nødvendige oplysninger, typen for hvert felt, og hvad der skal ske, når kilden ikke indeholder en værdi. Tjenesten dokumenterer også asynkron batchbehandling, som er en alternativ måde at indsende opgaver på, ikke en yderligere ræsonnementstilstand.
En praktisk dokumentsammenligning
Klargør de relevante specifikationer, og identificer deres roller, før du stiller spørgsmålet: Hvilken er den eksisterende beskrivelse, hvilken er den foreslåede erstatning, og hvilke krav er obligatoriske? Bed om et resultat med fælles betingelser, modstridende udsagn, manglende oplysninger og kildeplaceringer. Et efterfølgende spørgsmål kan bede modellen omsætte resultatet til en kort forklaring til en kollega, mens de oprindelige skel bevares.
Vigtige begrænsninger ved klargøring
Parsing skal være afsluttet, før de klargjorte filer bruges; større dokumenter kan kræve længere parsingtid. Modellens dokumenterede inferens bruger udtrukket tekst, så det klargjorte indholds fuldstændighed og læsbarhed er vigtige. Angiv filvalg, spørgsmål og ønsket output tydeligt. Qwen-Longs dokumentkapacitet må ikke træde i stedet for grænserne for en anden Qwen-udgave, en forespørgsel med rå tekst indsat direkte eller det endelige svar.
", "aboutText": "Qwen-Long er Qwens produktlinje til dokumentbehandling: at finde oplysninger, sammenligne materiale og besvare spørgsmål på tværs af et stort tekstkorpus. Dens særlige kendetegn er et dokumenteret forløb med filupload og referencer, som håndterer op til 10 millioner tokens. Opgaven er ikke blot at producere et længere chatsvar, men at holde en omfattende samling kildedokumenter tilgængelig, mens du stiller målrettede spørgsmål til dem.\n\nSådan fungerer dokumentforløbet\n\nProducenten beskriver to trin. Upload først de valgte filer, og lad dokumentparseren blive færdig. De resulterende referencer identificerer de klargjorte dokumenter. Stil dernæst et spørgsmål, og medtag referencerne til det materiale, der skal indgå. Modellen udfører inferens på den tekst, der er knyttet til dokumenterne. Det adskiller dokumentklargøringen fra spørgsmålet og undgår, at hele filen skal sendes igen i hver samtalerunde.\n\nKlargør ét dokument, når målet er et resumé, en forklaring på et afsnit eller udtræk af bestemte betingelser. Angiv de relevante afsnit, og bed om et resultat med et konkret, observerbart formål. Du kan eksempelvis give en produktspecifikation, bede om de driftsbetingelser, den udtrykkeligt angiver, og anmode om en kort tabel med betingelsen, kildeafsnittet og eventuelle manglende detaljer. Disse feltnavne er et eksempel på resultatets udformning, ikke et indbygget, fast skema.\n\nFlere dokumenter og opfølgende spørgsmål\n\nDet dokumenterede forløb accepterer flere klargjorte filer i samme forespørgsel. Det understøtter sammenligning på tværs af dokumenter: identificer en egenskab i hver specifikation, adskil fælles udsagn fra forskelle, og saml de uafklarede spørgsmål. Én forespørgsel kan indeholde op til 100 filreferencer. Vælg de filer, der er relevante for spørgsmålet, i stedet for at antage, at en stor kontekst i sig selv definerer, hvad der skal sammenlignes.\n\nProducenten viser også, hvordan et nyt dokument tilføjes efter et første svar. Behold det tidligere svar i samtalen, tilføj den nye kilde, og stil et opfølgende spørgsmål, eksempelvis om forskellene mellem de to beskrivelser. I en applikation skal du skelne mellem det tidligere svar og det nye kildemateriale. Et nyttigt resultat kan være en sammenligningstabel med særskilte kolonner for hvert dokument og en forklaring på uoverensstemmelserne, frem for et samlet resumé, hvor kilden til hvert udsagn går tabt.\n\nDirekte indtastning af ren tekst er en anden dokumenteret mulighed. Mindre materialer kan angives direkte som tekst i stedet for referencer til uploadede filer. Producentens vejledning kræver den referencebaserede metode, når dokumentindhold indsat direkte i forespørgslen overstiger 1 million tokens, på grund af grænserne for forespørgslens størrelse. Denne grænse er adskilt fra dokumentkonteksten på 10 millioner tokens: understøttelse af et stort korpus er ikke et løfte om, at en enkelt, lige så stor forespørgsel med rå tekst accepteres.\n\nFormater, kontekst og output\n\nDokumenttjenesten angiver TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON samt BMP, PNG, JPG/JPEG og GIF. Uploadede billedfiler er begrænset til 20 MB; øvrige understøttede filer til 150 MB. Det er grænser for producentens forløb til dokumentklargøring, ikke en påstand om, at sprogmodellen direkte ræsonnerer over alle binære formater uden parsing.\n\nDen offentliggjorte specifikation angiver en kontekst og et maksimalt input på 10.000.000 tokens samt op til 32.768 outputtokens. I det dokumenterede samtaleformat med filreferencer har brugerens spørgsmål en særskilt grænse på 9.000 tokens, når den anden systembesked leverer dokumenterne. Hold spørgsmålet kort, og reserver hovedparten af dokumentkonteksten til kildematerialet. Lang inputkontekst og svarlængde løser forskellige problemer: et stort korpus kan stadig kræve et kort, stramt struktureret resultat.\n\nProducentens FAQ dokumenterer struktureret output baseret på JSON Schema for Qwen-Long og dets snapshots. Det er nyttigt ved gentagne udtræksopgaver, der skal bruge de samme felter på tværs af en samling. Angiv de nødvendige oplysninger, typen for hvert felt, og hvad der skal ske, når kilden ikke indeholder en værdi. Tjenesten dokumenterer også asynkron batchbehandling, som er en alternativ måde at indsende opgaver på, ikke en yderligere ræsonnementstilstand.\n\nEn praktisk dokumentsammenligning\n\nKlargør de relevante specifikationer, og identificer deres roller, før du stiller spørgsmålet: Hvilken er den eksisterende beskrivelse, hvilken er den foreslåede erstatning, og hvilke krav er obligatoriske? Bed om et resultat med fælles betingelser, modstridende udsagn, manglende oplysninger og kildeplaceringer. Et efterfølgende spørgsmål kan bede modellen omsætte resultatet til en kort forklaring til en kollega, mens de oprindelige skel bevares.\n\nVigtige begrænsninger ved klargøring\n\nParsing skal være afsluttet, før de klargjorte filer bruges; større dokumenter kan kræve længere parsingtid. Modellens dokumenterede inferens bruger udtrukket tekst, så det klargjorte indholds fuldstændighed og læsbarhed er vigtige. Angiv filvalg, spørgsmål og ønsket output tydeligt. Qwen-Longs dokumentkapacitet må ikke træde i stedet for grænserne for en anden Qwen-udgave, en forespørgsel med rå tekst indsat direkte eller det endelige svar.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.qwen-longQwen-Long er udviklet til spørgsmål på tværs af store dokumentsamlinger. Producenten dokumenterer et forløb med filupload og referencer, op til 10 millioner tokens dokumentkontekst, sammenligning på tværs af filer og strukturerede tekstsvar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-Long er Qwens produktlinje til dokumentbehandling: at finde oplysninger, sammenligne materiale og besvare spørgsmål på tværs af et stort tekstkorpus. Dens særlige kendetegn er et dokumenteret forløb med filupload og referencer, som håndterer op til 10 millioner tokens. Opgaven er ikke blot at producere et længere chatsvar, men at holde en omfattende samling kildedokumenter tilgængelig, mens du stiller målrettede spørgsmål til dem.
Sådan fungerer dokumentforløbet
Producenten beskriver to trin. Upload først de valgte filer, og lad dokumentparseren blive færdig. De resulterende referencer identificerer de klargjorte dokumenter. Stil dernæst et spørgsmål, og medtag referencerne til det materiale, der skal indgå. Modellen udfører inferens på den tekst, der er knyttet til dokumenterne. Det adskiller dokumentklargøringen fra spørgsmålet og undgår, at hele filen skal sendes igen i hver samtalerunde.
Klargør ét dokument, når målet er et resumé, en forklaring på et afsnit eller udtræk af bestemte betingelser. Angiv de relevante afsnit, og bed om et resultat med et konkret, observerbart formål. Du kan eksempelvis give en produktspecifikation, bede om de driftsbetingelser, den udtrykkeligt angiver, og anmode om en kort tabel med betingelsen, kildeafsnittet og eventuelle manglende detaljer. Disse feltnavne er et eksempel på resultatets udformning, ikke et indbygget, fast skema.
Flere dokumenter og opfølgende spørgsmål
Det dokumenterede forløb accepterer flere klargjorte filer i samme forespørgsel. Det understøtter sammenligning på tværs af dokumenter: identificer en egenskab i hver specifikation, adskil fælles udsagn fra forskelle, og saml de uafklarede spørgsmål. Én forespørgsel kan indeholde op til 100 filreferencer. Vælg de filer, der er relevante for spørgsmålet, i stedet for at antage, at en stor kontekst i sig selv definerer, hvad der skal sammenlignes.
Producenten viser også, hvordan et nyt dokument tilføjes efter et første svar. Behold det tidligere svar i samtalen, tilføj den nye kilde, og stil et opfølgende spørgsmål, eksempelvis om forskellene mellem de to beskrivelser. I en applikation skal du skelne mellem det tidligere svar og det nye kildemateriale. Et nyttigt resultat kan være en sammenligningstabel med særskilte kolonner for hvert dokument og en forklaring på uoverensstemmelserne, frem for et samlet resumé, hvor kilden til hvert udsagn går tabt.
Direkte indtastning af ren tekst er en anden dokumenteret mulighed. Mindre materialer kan angives direkte som tekst i stedet for referencer til uploadede filer. Producentens vejledning kræver den referencebaserede metode, når dokumentindhold indsat direkte i forespørgslen overstiger 1 million tokens, på grund af grænserne for forespørgslens størrelse. Denne grænse er adskilt fra dokumentkonteksten på 10 millioner tokens: understøttelse af et stort korpus er ikke et løfte om, at en enkelt, lige så stor forespørgsel med rå tekst accepteres.
Formater, kontekst og output
Dokumenttjenesten angiver TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON samt BMP, PNG, JPG/JPEG og GIF. Uploadede billedfiler er begrænset til 20 MB; øvrige understøttede filer til 150 MB. Det er grænser for producentens forløb til dokumentklargøring, ikke en påstand om, at sprogmodellen direkte ræsonnerer over alle binære formater uden parsing.
Den offentliggjorte specifikation angiver en kontekst og et maksimalt input på 10.000.000 tokens samt op til 32.768 outputtokens. I det dokumenterede samtaleformat med filreferencer har brugerens spørgsmål en særskilt grænse på 9.000 tokens, når den anden systembesked leverer dokumenterne. Hold spørgsmålet kort, og reserver hovedparten af dokumentkonteksten til kildematerialet. Lang inputkontekst og svarlængde løser forskellige problemer: et stort korpus kan stadig kræve et kort, stramt struktureret resultat.
Producentens FAQ dokumenterer struktureret output baseret på JSON Schema for Qwen-Long og dets snapshots. Det er nyttigt ved gentagne udtræksopgaver, der skal bruge de samme felter på tværs af en samling. Angiv de nødvendige oplysninger, typen for hvert felt, og hvad der skal ske, når kilden ikke indeholder en værdi. Tjenesten dokumenterer også asynkron batchbehandling, som er en alternativ måde at indsende opgaver på, ikke en yderligere ræsonnementstilstand.
En praktisk dokumentsammenligning
Klargør de relevante specifikationer, og identificer deres roller, før du stiller spørgsmålet: Hvilken er den eksisterende beskrivelse, hvilken er den foreslåede erstatning, og hvilke krav er obligatoriske? Bed om et resultat med fælles betingelser, modstridende udsagn, manglende oplysninger og kildeplaceringer. Et efterfølgende spørgsmål kan bede modellen omsætte resultatet til en kort forklaring til en kollega, mens de oprindelige skel bevares.
Vigtige begrænsninger ved klargøring
Parsing skal være afsluttet, før de klargjorte filer bruges; større dokumenter kan kræve længere parsingtid. Modellens dokumenterede inferens bruger udtrukket tekst, så det klargjorte indholds fuldstændighed og læsbarhed er vigtige. Angiv filvalg, spørgsmål og ønsket output tydeligt. Qwen-Longs dokumentkapacitet må ikke træde i stedet for grænserne for en anden Qwen-udgave, en forespørgsel med rå tekst indsat direkte eller det endelige svar.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-long | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.000144 / 1K tokens Output · Outputtokens $0.000572 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-long", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen-long
Brug metodestierne vist ovenfor.
qwen-longQwen-Long er udviklet til spørgsmål på tværs af store dokumentsamlinger. Producenten dokumenterer et forløb med filupload og referencer, op til 10 millioner tokens dokumentkontekst, sammenligning på tværs af filer og strukturerede tekstsvar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-Long er Qwens produktlinje til dokumentbehandling: at finde oplysninger, sammenligne materiale og besvare spørgsmål på tværs af et stort tekstkorpus. Dens særlige kendetegn er et dokumenteret forløb med filupload og referencer, som håndterer op til 10 millioner tokens. Opgaven er ikke blot at producere et længere chatsvar, men at holde en omfattende samling kildedokumenter tilgængelig, mens du stiller målrettede spørgsmål til dem.
Sådan fungerer dokumentforløbet
Producenten beskriver to trin. Upload først de valgte filer, og lad dokumentparseren blive færdig. De resulterende referencer identificerer de klargjorte dokumenter. Stil dernæst et spørgsmål, og medtag referencerne til det materiale, der skal indgå. Modellen udfører inferens på den tekst, der er knyttet til dokumenterne. Det adskiller dokumentklargøringen fra spørgsmålet og undgår, at hele filen skal sendes igen i hver samtalerunde.
Klargør ét dokument, når målet er et resumé, en forklaring på et afsnit eller udtræk af bestemte betingelser. Angiv de relevante afsnit, og bed om et resultat med et konkret, observerbart formål. Du kan eksempelvis give en produktspecifikation, bede om de driftsbetingelser, den udtrykkeligt angiver, og anmode om en kort tabel med betingelsen, kildeafsnittet og eventuelle manglende detaljer. Disse feltnavne er et eksempel på resultatets udformning, ikke et indbygget, fast skema.
Flere dokumenter og opfølgende spørgsmål
Det dokumenterede forløb accepterer flere klargjorte filer i samme forespørgsel. Det understøtter sammenligning på tværs af dokumenter: identificer en egenskab i hver specifikation, adskil fælles udsagn fra forskelle, og saml de uafklarede spørgsmål. Én forespørgsel kan indeholde op til 100 filreferencer. Vælg de filer, der er relevante for spørgsmålet, i stedet for at antage, at en stor kontekst i sig selv definerer, hvad der skal sammenlignes.
Producenten viser også, hvordan et nyt dokument tilføjes efter et første svar. Behold det tidligere svar i samtalen, tilføj den nye kilde, og stil et opfølgende spørgsmål, eksempelvis om forskellene mellem de to beskrivelser. I en applikation skal du skelne mellem det tidligere svar og det nye kildemateriale. Et nyttigt resultat kan være en sammenligningstabel med særskilte kolonner for hvert dokument og en forklaring på uoverensstemmelserne, frem for et samlet resumé, hvor kilden til hvert udsagn går tabt.
Direkte indtastning af ren tekst er en anden dokumenteret mulighed. Mindre materialer kan angives direkte som tekst i stedet for referencer til uploadede filer. Producentens vejledning kræver den referencebaserede metode, når dokumentindhold indsat direkte i forespørgslen overstiger 1 million tokens, på grund af grænserne for forespørgslens størrelse. Denne grænse er adskilt fra dokumentkonteksten på 10 millioner tokens: understøttelse af et stort korpus er ikke et løfte om, at en enkelt, lige så stor forespørgsel med rå tekst accepteres.
Formater, kontekst og output
Dokumenttjenesten angiver TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON samt BMP, PNG, JPG/JPEG og GIF. Uploadede billedfiler er begrænset til 20 MB; øvrige understøttede filer til 150 MB. Det er grænser for producentens forløb til dokumentklargøring, ikke en påstand om, at sprogmodellen direkte ræsonnerer over alle binære formater uden parsing.
Den offentliggjorte specifikation angiver en kontekst og et maksimalt input på 10.000.000 tokens samt op til 32.768 outputtokens. I det dokumenterede samtaleformat med filreferencer har brugerens spørgsmål en særskilt grænse på 9.000 tokens, når den anden systembesked leverer dokumenterne. Hold spørgsmålet kort, og reserver hovedparten af dokumentkonteksten til kildematerialet. Lang inputkontekst og svarlængde løser forskellige problemer: et stort korpus kan stadig kræve et kort, stramt struktureret resultat.
Producentens FAQ dokumenterer struktureret output baseret på JSON Schema for Qwen-Long og dets snapshots. Det er nyttigt ved gentagne udtræksopgaver, der skal bruge de samme felter på tværs af en samling. Angiv de nødvendige oplysninger, typen for hvert felt, og hvad der skal ske, når kilden ikke indeholder en værdi. Tjenesten dokumenterer også asynkron batchbehandling, som er en alternativ måde at indsende opgaver på, ikke en yderligere ræsonnementstilstand.
En praktisk dokumentsammenligning
Klargør de relevante specifikationer, og identificer deres roller, før du stiller spørgsmålet: Hvilken er den eksisterende beskrivelse, hvilken er den foreslåede erstatning, og hvilke krav er obligatoriske? Bed om et resultat med fælles betingelser, modstridende udsagn, manglende oplysninger og kildeplaceringer. Et efterfølgende spørgsmål kan bede modellen omsætte resultatet til en kort forklaring til en kollega, mens de oprindelige skel bevares.
Vigtige begrænsninger ved klargøring
Parsing skal være afsluttet, før de klargjorte filer bruges; større dokumenter kan kræve længere parsingtid. Modellens dokumenterede inferens bruger udtrukket tekst, så det klargjorte indholds fuldstændighed og læsbarhed er vigtige. Angiv filvalg, spørgsmål og ønsket output tydeligt. Qwen-Longs dokumentkapacitet må ikke træde i stedet for grænserne for en anden Qwen-udgave, en forespørgsel med rå tekst indsat direkte eller det endelige svar.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-long | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.000144 / 1K tokens Output · Outputtokens $0.000572 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen-long
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.