Qwen-Max er en stor tekstmodel i Qwen-familien til opgaver, som kombinerer sprogforståelse, logisk ræsonnement og et omfattende skriftligt resultat. Udvikleren fremhæver programmeringsopgaver på kinesisk og engelsk, flersproget arbejde, kreativ skrivning og rollebaseret samtale. Modellen er designet til at producere tydeligere og mere detaljerede svar og samtidig følge den ønskede svarstil.
Modelmuligheder
Qwen-Max modtager tekst og producerer tekst. Den kan arbejde med en samtale, kildepassager, et softwarekrav eller et eksisterende kodefragment. Brug den, når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sæt udtrukne felter. En scannet side eller et skærmbillede kræver et separat trin, som gør de nødvendige oplysninger tilgængelige som tekst; modellens dokumenterede input er ikke et billede.
Udvikleren fremhæver især overholdelse af JSON-formatering. En praktisk udtrækningsopgave kan angive felter såsom et emne, de betingelser der udtrykkeligt nævnes i kilden, og et uafklaret spørgsmål. Giv kildepassagen og de tilsigtede feltnavne, og angiv, hvordan manglende oplysninger skal repræsenteres. Det gør et samtalesvar til data, som en applikation kan undersøge og behandle. En anmodning om JSON og en anmodning om en forklaring i prosa er forskellige outputkrav og skal angives separat.
Udviklerens dokumenterede grænseflader omfatter også funktionskald, struktureret output, fortsættelse fra et svarpræfiks, kontekstcaching og batchinferens. Funktionskald og websøgning er ikke tilgængelige på samme måde i alle leverandørkonfigurationer. Brug kun de parametre, der er dokumenteret for den valgte grænseflade. I en applikation med værktøjer stiller applikationen værktøjerne til rådighed, udfører de valgte handlinger og returnerer deres resultater. Caching og batchbehandling vedrører, hvordan arbejde indsendes og genbruges, og er ikke en ny indholdsmodalitet.
Klargøring af anmodningen
Hold kildematerialet, samtalen og det ønskede svar inden for den valgte grænseflades ramme. Reservér plads til svaret, og vælg mellem et kompakt svar og et langt dokument.
Ved en dokumentopgave placeres de væsentlige kildeafsnit før valgfrie eksempler, og det angives, hvad slutresultatet skal indeholde. Giv for eksempel en produktbeskrivelse og en kundes spørgsmål, og bed derefter om et svar, som bevarer de givne betingelser, bruger kundens sprog og skelner ubesvarede spørgsmål fra bekræftede oplysninger. Resultatet kan være et kundevendt svar og en lille JSON-post til næste trin i applikationen.
Ved programmering gives funktionens formål, det accepterede input, forventet output og det eksisterende fragment, som skal forblive kompatibelt. Bed om implementeringen, en forklaring af beslutningerne og eksempler på et almindeligt input og et grænsetilfælde. Det bruger modellens dokumenterede programmerings- og ræsonnementsfokus uden at antage adgang til et repository, en compiler eller en kørende applikation.
Ved kreativ skrivning eller rollebaseret dialog defineres målgruppe, tone og de fakta, som skal overleve en revision. En rolle kan organisere samtalen, mens kildematerialet bestemmer, hvad modellen skal sige. Bed om alternative indledninger eller forklaringer til forskellige læsere frem for en uspecificeret omskrivning; hver variant får dermed et observerbart formål.
Relevante begrænsninger
Qwen-Max er en tekst-til-tekst-modelserie og ikke en udgave til billed- eller talegenerering. Udvikleren angiver ikke finjustering som en understøttet grænsefladefunktion på dette kort. Adfærd med værktøjer afhænger af den tilsluttede grænseflade. Disse forskelle hjælper med at vælge den rette udgave og forberede et input, der passer til det resultat, du faktisk har brug for.
", "aboutText": "Qwen-Max er en stor tekstmodel i Qwen-familien til opgaver, som kombinerer sprogforståelse, logisk ræsonnement og et omfattende skriftligt resultat. Udvikleren fremhæver programmeringsopgaver på kinesisk og engelsk, flersproget arbejde, kreativ skrivning og rollebaseret samtale. Modellen er designet til at producere tydeligere og mere detaljerede svar og samtidig følge den ønskede svarstil.\n\nModelmuligheder\n\nQwen-Max modtager tekst og producerer tekst. Den kan arbejde med en samtale, kildepassager, et softwarekrav eller et eksisterende kodefragment. Brug den, når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sæt udtrukne felter. En scannet side eller et skærmbillede kræver et separat trin, som gør de nødvendige oplysninger tilgængelige som tekst; modellens dokumenterede input er ikke et billede.\n\nUdvikleren fremhæver især overholdelse af JSON-formatering. En praktisk udtrækningsopgave kan angive felter såsom et emne, de betingelser der udtrykkeligt nævnes i kilden, og et uafklaret spørgsmål. Giv kildepassagen og de tilsigtede feltnavne, og angiv, hvordan manglende oplysninger skal repræsenteres. Det gør et samtalesvar til data, som en applikation kan undersøge og behandle. En anmodning om JSON og en anmodning om en forklaring i prosa er forskellige outputkrav og skal angives separat.\n\nUdviklerens dokumenterede grænseflader omfatter også funktionskald, struktureret output, fortsættelse fra et svarpræfiks, kontekstcaching og batchinferens. Funktionskald og websøgning er ikke tilgængelige på samme måde i alle leverandørkonfigurationer. Brug kun de parametre, der er dokumenteret for den valgte grænseflade. I en applikation med værktøjer stiller applikationen værktøjerne til rådighed, udfører de valgte handlinger og returnerer deres resultater. Caching og batchbehandling vedrører, hvordan arbejde indsendes og genbruges, og er ikke en ny indholdsmodalitet.\n\nKlargøring af anmodningen\n\nHold kildematerialet, samtalen og det ønskede svar inden for den valgte grænseflades ramme. Reservér plads til svaret, og vælg mellem et kompakt svar og et langt dokument.\n\nVed en dokumentopgave placeres de væsentlige kildeafsnit før valgfrie eksempler, og det angives, hvad slutresultatet skal indeholde. Giv for eksempel en produktbeskrivelse og en kundes spørgsmål, og bed derefter om et svar, som bevarer de givne betingelser, bruger kundens sprog og skelner ubesvarede spørgsmål fra bekræftede oplysninger. Resultatet kan være et kundevendt svar og en lille JSON-post til næste trin i applikationen.\n\nVed programmering gives funktionens formål, det accepterede input, forventet output og det eksisterende fragment, som skal forblive kompatibelt. Bed om implementeringen, en forklaring af beslutningerne og eksempler på et almindeligt input og et grænsetilfælde. Det bruger modellens dokumenterede programmerings- og ræsonnementsfokus uden at antage adgang til et repository, en compiler eller en kørende applikation.\n\nVed kreativ skrivning eller rollebaseret dialog defineres målgruppe, tone og de fakta, som skal overleve en revision. En rolle kan organisere samtalen, mens kildematerialet bestemmer, hvad modellen skal sige. Bed om alternative indledninger eller forklaringer til forskellige læsere frem for en uspecificeret omskrivning; hver variant får dermed et observerbart formål.\n\nRelevante begrænsninger\n\nQwen-Max er en tekst-til-tekst-modelserie og ikke en udgave til billed- eller talegenerering. Udvikleren angiver ikke finjustering som en understøttet grænsefladefunktion på dette kort. Adfærd med værktøjer afhænger af den tilsluttede grænseflade. Disse forskelle hjælper med at vælge den rette udgave og forberede et input, der passer til det resultat, du faktisk har brug for.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Write two explanations for different readers\n\nUse these facts to write two versions of a product note: the desk lamp has three brightness settings, uses a replaceable cable and turns off automatically after 30 minutes when its timer is enabled. Version A is for a shop assistant; Version B is for a first-time buyer. Keep each under 55 words and preserve the timer condition.Two labelled audience-specific notes with the same product facts and distinct practical emphasis.Neither version claims that automatic shutoff occurs when the timer is disabled or omits the 30-minute condition.qwen-maxQwen-Max er en tekstmodel til flersproget samtale, logisk ræsonnement, programmering og indholdsproduktion. Den kombinerer præcis instruktionsfølgning med JSON-orienteret output og kontrol over svarstilen.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-Max er en stor tekstmodel i Qwen-familien til opgaver, som kombinerer sprogforståelse, logisk ræsonnement og et omfattende skriftligt resultat. Udvikleren fremhæver programmeringsopgaver på kinesisk og engelsk, flersproget arbejde, kreativ skrivning og rollebaseret samtale. Modellen er designet til at producere tydeligere og mere detaljerede svar og samtidig følge den ønskede svarstil.
Modelmuligheder
Qwen-Max modtager tekst og producerer tekst. Den kan arbejde med en samtale, kildepassager, et softwarekrav eller et eksisterende kodefragment. Brug den, når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sæt udtrukne felter. En scannet side eller et skærmbillede kræver et separat trin, som gør de nødvendige oplysninger tilgængelige som tekst; modellens dokumenterede input er ikke et billede.
Udvikleren fremhæver især overholdelse af JSON-formatering. En praktisk udtrækningsopgave kan angive felter såsom et emne, de betingelser der udtrykkeligt nævnes i kilden, og et uafklaret spørgsmål. Giv kildepassagen og de tilsigtede feltnavne, og angiv, hvordan manglende oplysninger skal repræsenteres. Det gør et samtalesvar til data, som en applikation kan undersøge og behandle. En anmodning om JSON og en anmodning om en forklaring i prosa er forskellige outputkrav og skal angives separat.
Udviklerens dokumenterede grænseflader omfatter også funktionskald, struktureret output, fortsættelse fra et svarpræfiks, kontekstcaching og batchinferens. Funktionskald og websøgning er ikke tilgængelige på samme måde i alle leverandørkonfigurationer. Brug kun de parametre, der er dokumenteret for den valgte grænseflade. I en applikation med værktøjer stiller applikationen værktøjerne til rådighed, udfører de valgte handlinger og returnerer deres resultater. Caching og batchbehandling vedrører, hvordan arbejde indsendes og genbruges, og er ikke en ny indholdsmodalitet.
Klargøring af anmodningen
Hold kildematerialet, samtalen og det ønskede svar inden for den valgte grænseflades ramme. Reservér plads til svaret, og vælg mellem et kompakt svar og et langt dokument.
Ved en dokumentopgave placeres de væsentlige kildeafsnit før valgfrie eksempler, og det angives, hvad slutresultatet skal indeholde. Giv for eksempel en produktbeskrivelse og en kundes spørgsmål, og bed derefter om et svar, som bevarer de givne betingelser, bruger kundens sprog og skelner ubesvarede spørgsmål fra bekræftede oplysninger. Resultatet kan være et kundevendt svar og en lille JSON-post til næste trin i applikationen.
Ved programmering gives funktionens formål, det accepterede input, forventet output og det eksisterende fragment, som skal forblive kompatibelt. Bed om implementeringen, en forklaring af beslutningerne og eksempler på et almindeligt input og et grænsetilfælde. Det bruger modellens dokumenterede programmerings- og ræsonnementsfokus uden at antage adgang til et repository, en compiler eller en kørende applikation.
Ved kreativ skrivning eller rollebaseret dialog defineres målgruppe, tone og de fakta, som skal overleve en revision. En rolle kan organisere samtalen, mens kildematerialet bestemmer, hvad modellen skal sige. Bed om alternative indledninger eller forklaringer til forskellige læsere frem for en uspecificeret omskrivning; hver variant får dermed et observerbart formål.
Relevante begrænsninger
Qwen-Max er en tekst-til-tekst-modelserie og ikke en udgave til billed- eller talegenerering. Udvikleren angiver ikke finjustering som en understøttet grænsefladefunktion på dette kort. Adfærd med værktøjer afhænger af den tilsluttede grænseflade. Disse forskelle hjælper med at vælge den rette udgave og forberede et input, der passer til det resultat, du faktisk har brug for.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-max | 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 $0.000686 / 1K tokens Output · Outputtokens $0.002744 / 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-max", "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-max',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-max',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-max
Brug metodestierne vist ovenfor.
qwen-maxQwen-Max er en tekstmodel til flersproget samtale, logisk ræsonnement, programmering og indholdsproduktion. Den kombinerer præcis instruktionsfølgning med JSON-orienteret output og kontrol over svarstilen.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-Max er en stor tekstmodel i Qwen-familien til opgaver, som kombinerer sprogforståelse, logisk ræsonnement og et omfattende skriftligt resultat. Udvikleren fremhæver programmeringsopgaver på kinesisk og engelsk, flersproget arbejde, kreativ skrivning og rollebaseret samtale. Modellen er designet til at producere tydeligere og mere detaljerede svar og samtidig følge den ønskede svarstil.
Modelmuligheder
Qwen-Max modtager tekst og producerer tekst. Den kan arbejde med en samtale, kildepassager, et softwarekrav eller et eksisterende kodefragment. Brug den, når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sæt udtrukne felter. En scannet side eller et skærmbillede kræver et separat trin, som gør de nødvendige oplysninger tilgængelige som tekst; modellens dokumenterede input er ikke et billede.
Udvikleren fremhæver især overholdelse af JSON-formatering. En praktisk udtrækningsopgave kan angive felter såsom et emne, de betingelser der udtrykkeligt nævnes i kilden, og et uafklaret spørgsmål. Giv kildepassagen og de tilsigtede feltnavne, og angiv, hvordan manglende oplysninger skal repræsenteres. Det gør et samtalesvar til data, som en applikation kan undersøge og behandle. En anmodning om JSON og en anmodning om en forklaring i prosa er forskellige outputkrav og skal angives separat.
Udviklerens dokumenterede grænseflader omfatter også funktionskald, struktureret output, fortsættelse fra et svarpræfiks, kontekstcaching og batchinferens. Funktionskald og websøgning er ikke tilgængelige på samme måde i alle leverandørkonfigurationer. Brug kun de parametre, der er dokumenteret for den valgte grænseflade. I en applikation med værktøjer stiller applikationen værktøjerne til rådighed, udfører de valgte handlinger og returnerer deres resultater. Caching og batchbehandling vedrører, hvordan arbejde indsendes og genbruges, og er ikke en ny indholdsmodalitet.
Klargøring af anmodningen
Hold kildematerialet, samtalen og det ønskede svar inden for den valgte grænseflades ramme. Reservér plads til svaret, og vælg mellem et kompakt svar og et langt dokument.
Ved en dokumentopgave placeres de væsentlige kildeafsnit før valgfrie eksempler, og det angives, hvad slutresultatet skal indeholde. Giv for eksempel en produktbeskrivelse og en kundes spørgsmål, og bed derefter om et svar, som bevarer de givne betingelser, bruger kundens sprog og skelner ubesvarede spørgsmål fra bekræftede oplysninger. Resultatet kan være et kundevendt svar og en lille JSON-post til næste trin i applikationen.
Ved programmering gives funktionens formål, det accepterede input, forventet output og det eksisterende fragment, som skal forblive kompatibelt. Bed om implementeringen, en forklaring af beslutningerne og eksempler på et almindeligt input og et grænsetilfælde. Det bruger modellens dokumenterede programmerings- og ræsonnementsfokus uden at antage adgang til et repository, en compiler eller en kørende applikation.
Ved kreativ skrivning eller rollebaseret dialog defineres målgruppe, tone og de fakta, som skal overleve en revision. En rolle kan organisere samtalen, mens kildematerialet bestemmer, hvad modellen skal sige. Bed om alternative indledninger eller forklaringer til forskellige læsere frem for en uspecificeret omskrivning; hver variant får dermed et observerbart formål.
Relevante begrænsninger
Qwen-Max er en tekst-til-tekst-modelserie og ikke en udgave til billed- eller talegenerering. Udvikleren angiver ikke finjustering som en understøttet grænsefladefunktion på dette kort. Adfærd med værktøjer afhænger af den tilsluttede grænseflade. Disse forskelle hjælper med at vælge den rette udgave og forberede et input, der passer til det resultat, du faktisk har brug for.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-max | 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 $0.000686 / 1K tokens Output · Outputtokens $0.002744 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-max', '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-max', '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-max
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Write two explanations for different readers\n\nUse these facts to write two versions of a product note: the desk lamp has three brightness settings, uses a replaceable cable and turns off automatically after 30 minutes when its timer is enabled. Version A is for a shop assistant; Version B is for a first-time buyer. Keep each under 55 words and preserve the timer condition.Two labelled audience-specific notes with the same product facts and distinct practical emphasis.Neither version claims that automatic shutoff occurs when the timer is disabled or omits the 30-minute condition.