Qwen3.7 Flash-udgivelsen
Qwen3.7 Flash er en vision-sprogmodelfamilie med integreret forståelse af tekst, billeder og video, som giver tekstlige svar. Producentens udgivelse beskriver stærkere multimodal opfattelse og agentudførelse sammenlignet med Qwen3.6 Flash. Dens praktiske opgaveområde omfatter genkendelse af objekter, forståelse af en visuel scene, ræsonnement om rumlige forhold og udarbejdelse af kode eller forklaringer ud fra visuelt materiale.
Den officielle udgivelse navngiver både qwen3.7-flash og den daterede qwen3.7-flash-2026-07-15. Bevar det præcise modelnavn ved registrering af et resultat: det udaterede Flash-navn identificerer ikke et fast producentøjebliksbillede. Udgivelsesbeskrivelsen, der bruges her, fastslår hverken parameterantal eller numerisk repræsentation for et åbent checkpoint.
Objektgenkendelse, virkelighedsopfattelse og rum
Giv et scenebillede med et konkret spørgsmål: hvilket objekt er relevant, hvilket forhold skal undersøges, og hvilke synlige detaljer skal understøtte svaret. For et diagram skal du bevare etiketter og angive de definitioner, der kræves for at fortolke dem. Et nyttigt output adskiller observationer fra udledte forhold, så forklaringen lettere kan sammenlignes med kilden.
For flere billeder skal hvert input mærkes, og sammenligningen organiseres efter disse mærker. For video skal du udpege den relevante hændelse og bevare oplysninger om rækkefølge eller tid. Kontrollér præcise optællinger, rumlige mål og observationer på billedniveau mod det leverede materiale.
Multimodale agenter
Udgivelsen fremhæver Search Agent- og kodefortolkeragentscenarier med mere stabil udførelse over flere trin. I et sådant forløb leverer applikationen de tilladte værktøjer, udfører deres handlinger og returnerer deres observationer. Modellen kan bruge resultaterne til at opdatere sin plan. Beskriv målet og betingelsen for færdiggørelse, og bed om en slutleverance samt eventuel uafklaret dokumentation. Producenten angiver funktionskald, struktureret output, præfikskomplettering og kontekstcaching. Websøgning understøttes i Beijing og Singapore og understøttes ikke i de øvrige anførte regionale områder. Batchinferens understøttes for Beijing-aliaset og ikke andre steder; finjustering understøttes ikke.
En models agentspecialisering bør ikke forveksles med indbygget adgang til aktuelle kilder eller et eksekveringsmiljø i enhver grænseflade. Når en opgave kræver informationshentning eller kodekørsel, skal det resultat, et faktisk værktøj returnerer, adskilles fra en foreslået handling i modellens tekst. Denne beskrivelse fastslår ikke, hvilke værktøjer en anden applikation stiller til rådighed.
Visuel programmering
Qwen beskriver forbedret programmering baseret på visuelt materiale. En nyttig forespørgsel kan kombinere et skærmbillede eller layout med funktionelle krav og bede om redigerbar kode. Angiv framework eller outputform, interaktionstilstande og begrænsninger i opgaven. Bed om den genererede leverance adskilt fra forklaringen, så den kan gennemgås eller gengives i udviklingsforløbet.
For en eksisterende grænseflade skal du udpege den tilsigtede ændring og den relevante kildekontekst frem for at bede om et uvedkommende redesign. Modellen kan forbinde et visuelt krav med et kodeforslag; forslaget dokumenterer ikke, at grænsefladen er blevet gengivet eller fungerer korrekt. Disse opgaveeksempler anvender producentens område for visuel programmering uden at tilføje en garanti for udførelse.
Tænkning og direkte svar
Producentens vejledning til understøttede modeller angiver Qwen3.7 Flash som en hybridtænkende familie med tænkning aktiveret som standard. Dens dokumenterede hybridforløb kan deaktivere tænkning for at give et direkte svar. Hold ræsonnementsoutput adskilt fra det endelige svar, når en grænseflade leverer begge dele. Indstillinger til en særskilt navngivet Qwen-Omni-model eller en åben tæt model bør ikke overtages alene, fordi de deler Qwen-navnet.
Brug dybere analyse til et visuelt spørgsmål, som forbinder flere observationer; bed om et direkte resultat ved en enkel beskrivelse. Angiv en kontrollerbar slutstruktur, eksempelvis en observationstabel, en kort konklusion eller kodefiler, frem for at bruge svarlængden som kvalitetstegn.
Begrænsninger og klargøring af input
Alibabas særlige Qwen3.7-Flash-side angiver en kontekst på 1,000,000 tokens, et maksimalt input på 991,808 tokens til direkte svar eller 983,616 til tænkning og et maksimalt output på 131,072 i begge modi. Den angiver særskilt en maksimal chain-of-thought-længde på 262,144 tokens. Hold relevante visuelle detaljer læsbare, beskær uvedkommende materiale, og reservér plads til det krævede resultat. Kontrollér objektetiketter, rumlige slutninger, udtrukket tekst og kodeforslag mod den leverede dokumentation. Den nyttige beskrivelse er producentens specifikke område for opfattelse, agenter og visuel programmering med den hybride svarmodus bevaret.
", "aboutText": "Qwen3.7 Flash-udgivelsen\n\nQwen3.7 Flash er en vision-sprogmodelfamilie med integreret forståelse af tekst, billeder og video, som giver tekstlige svar. Producentens udgivelse beskriver stærkere multimodal opfattelse og agentudførelse sammenlignet med Qwen3.6 Flash. Dens praktiske opgaveområde omfatter genkendelse af objekter, forståelse af en visuel scene, ræsonnement om rumlige forhold og udarbejdelse af kode eller forklaringer ud fra visuelt materiale.\n\nDen officielle udgivelse navngiver både qwen3.7-flash og den daterede qwen3.7-flash-2026-07-15. Bevar det præcise modelnavn ved registrering af et resultat: det udaterede Flash-navn identificerer ikke et fast producentøjebliksbillede. Udgivelsesbeskrivelsen, der bruges her, fastslår hverken parameterantal eller numerisk repræsentation for et åbent checkpoint.\n\nObjektgenkendelse, virkelighedsopfattelse og rum\n\nGiv et scenebillede med et konkret spørgsmål: hvilket objekt er relevant, hvilket forhold skal undersøges, og hvilke synlige detaljer skal understøtte svaret. For et diagram skal du bevare etiketter og angive de definitioner, der kræves for at fortolke dem. Et nyttigt output adskiller observationer fra udledte forhold, så forklaringen lettere kan sammenlignes med kilden.\n\nFor flere billeder skal hvert input mærkes, og sammenligningen organiseres efter disse mærker. For video skal du udpege den relevante hændelse og bevare oplysninger om rækkefølge eller tid. Kontrollér præcise optællinger, rumlige mål og observationer på billedniveau mod det leverede materiale.\n\nMultimodale agenter\n\nUdgivelsen fremhæver Search Agent- og kodefortolkeragentscenarier med mere stabil udførelse over flere trin. I et sådant forløb leverer applikationen de tilladte værktøjer, udfører deres handlinger og returnerer deres observationer. Modellen kan bruge resultaterne til at opdatere sin plan. Beskriv målet og betingelsen for færdiggørelse, og bed om en slutleverance samt eventuel uafklaret dokumentation. Producenten angiver funktionskald, struktureret output, præfikskomplettering og kontekstcaching. Websøgning understøttes i Beijing og Singapore og understøttes ikke i de øvrige anførte regionale områder. Batchinferens understøttes for Beijing-aliaset og ikke andre steder; finjustering understøttes ikke.\n\nEn models agentspecialisering bør ikke forveksles med indbygget adgang til aktuelle kilder eller et eksekveringsmiljø i enhver grænseflade. Når en opgave kræver informationshentning eller kodekørsel, skal det resultat, et faktisk værktøj returnerer, adskilles fra en foreslået handling i modellens tekst. Denne beskrivelse fastslår ikke, hvilke værktøjer en anden applikation stiller til rådighed.\n\nVisuel programmering\n\nQwen beskriver forbedret programmering baseret på visuelt materiale. En nyttig forespørgsel kan kombinere et skærmbillede eller layout med funktionelle krav og bede om redigerbar kode. Angiv framework eller outputform, interaktionstilstande og begrænsninger i opgaven. Bed om den genererede leverance adskilt fra forklaringen, så den kan gennemgås eller gengives i udviklingsforløbet.\n\nFor en eksisterende grænseflade skal du udpege den tilsigtede ændring og den relevante kildekontekst frem for at bede om et uvedkommende redesign. Modellen kan forbinde et visuelt krav med et kodeforslag; forslaget dokumenterer ikke, at grænsefladen er blevet gengivet eller fungerer korrekt. Disse opgaveeksempler anvender producentens område for visuel programmering uden at tilføje en garanti for udførelse.\n\nTænkning og direkte svar\n\nProducentens vejledning til understøttede modeller angiver Qwen3.7 Flash som en hybridtænkende familie med tænkning aktiveret som standard. Dens dokumenterede hybridforløb kan deaktivere tænkning for at give et direkte svar. Hold ræsonnementsoutput adskilt fra det endelige svar, når en grænseflade leverer begge dele. Indstillinger til en særskilt navngivet Qwen-Omni-model eller en åben tæt model bør ikke overtages alene, fordi de deler Qwen-navnet.\n\nBrug dybere analyse til et visuelt spørgsmål, som forbinder flere observationer; bed om et direkte resultat ved en enkel beskrivelse. Angiv en kontrollerbar slutstruktur, eksempelvis en observationstabel, en kort konklusion eller kodefiler, frem for at bruge svarlængden som kvalitetstegn.\n\nBegrænsninger og klargøring af input\n\nAlibabas særlige Qwen3.7-Flash-side angiver en kontekst på 1,000,000 tokens, et maksimalt input på 991,808 tokens til direkte svar eller 983,616 til tænkning og et maksimalt output på 131,072 i begge modi. Den angiver særskilt en maksimal chain-of-thought-længde på 262,144 tokens. Hold relevante visuelle detaljer læsbare, beskær uvedkommende materiale, og reservér plads til det krævede resultat. Kontrollér objektetiketter, rumlige slutninger, udtrukket tekst og kodeforslag mod den leverede dokumentation. Den nyttige beskrivelse er producentens specifikke område for opfattelse, agenter og visuel programmering med den hybride svarmodus bevaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.qwen/qwen3.7-flashQwen3.7 Flash er Qwens vision-sprogmodelfamilie til tekst, billeder og video med tekst som output. Producenten fremhæver bedre objektgenkendelse, rumlig forståelse, multimodalt agentarbejde og visuel programmering med tænkning aktiveret som standard og en valgfri modus til direkte svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.7 Flash-udgivelsen
Qwen3.7 Flash er en vision-sprogmodelfamilie med integreret forståelse af tekst, billeder og video, som giver tekstlige svar. Producentens udgivelse beskriver stærkere multimodal opfattelse og agentudførelse sammenlignet med Qwen3.6 Flash. Dens praktiske opgaveområde omfatter genkendelse af objekter, forståelse af en visuel scene, ræsonnement om rumlige forhold og udarbejdelse af kode eller forklaringer ud fra visuelt materiale.
Den officielle udgivelse navngiver både qwen3.7-flash og den daterede qwen3.7-flash-2026-07-15. Bevar det præcise modelnavn ved registrering af et resultat: det udaterede Flash-navn identificerer ikke et fast producentøjebliksbillede. Udgivelsesbeskrivelsen, der bruges her, fastslår hverken parameterantal eller numerisk repræsentation for et åbent checkpoint.
Objektgenkendelse, virkelighedsopfattelse og rum
Giv et scenebillede med et konkret spørgsmål: hvilket objekt er relevant, hvilket forhold skal undersøges, og hvilke synlige detaljer skal understøtte svaret. For et diagram skal du bevare etiketter og angive de definitioner, der kræves for at fortolke dem. Et nyttigt output adskiller observationer fra udledte forhold, så forklaringen lettere kan sammenlignes med kilden.
For flere billeder skal hvert input mærkes, og sammenligningen organiseres efter disse mærker. For video skal du udpege den relevante hændelse og bevare oplysninger om rækkefølge eller tid. Kontrollér præcise optællinger, rumlige mål og observationer på billedniveau mod det leverede materiale.
Multimodale agenter
Udgivelsen fremhæver Search Agent- og kodefortolkeragentscenarier med mere stabil udførelse over flere trin. I et sådant forløb leverer applikationen de tilladte værktøjer, udfører deres handlinger og returnerer deres observationer. Modellen kan bruge resultaterne til at opdatere sin plan. Beskriv målet og betingelsen for færdiggørelse, og bed om en slutleverance samt eventuel uafklaret dokumentation. Producenten angiver funktionskald, struktureret output, præfikskomplettering og kontekstcaching. Websøgning understøttes i Beijing og Singapore og understøttes ikke i de øvrige anførte regionale områder. Batchinferens understøttes for Beijing-aliaset og ikke andre steder; finjustering understøttes ikke.
En models agentspecialisering bør ikke forveksles med indbygget adgang til aktuelle kilder eller et eksekveringsmiljø i enhver grænseflade. Når en opgave kræver informationshentning eller kodekørsel, skal det resultat, et faktisk værktøj returnerer, adskilles fra en foreslået handling i modellens tekst. Denne beskrivelse fastslår ikke, hvilke værktøjer en anden applikation stiller til rådighed.
Visuel programmering
Qwen beskriver forbedret programmering baseret på visuelt materiale. En nyttig forespørgsel kan kombinere et skærmbillede eller layout med funktionelle krav og bede om redigerbar kode. Angiv framework eller outputform, interaktionstilstande og begrænsninger i opgaven. Bed om den genererede leverance adskilt fra forklaringen, så den kan gennemgås eller gengives i udviklingsforløbet.
For en eksisterende grænseflade skal du udpege den tilsigtede ændring og den relevante kildekontekst frem for at bede om et uvedkommende redesign. Modellen kan forbinde et visuelt krav med et kodeforslag; forslaget dokumenterer ikke, at grænsefladen er blevet gengivet eller fungerer korrekt. Disse opgaveeksempler anvender producentens område for visuel programmering uden at tilføje en garanti for udførelse.
Tænkning og direkte svar
Producentens vejledning til understøttede modeller angiver Qwen3.7 Flash som en hybridtænkende familie med tænkning aktiveret som standard. Dens dokumenterede hybridforløb kan deaktivere tænkning for at give et direkte svar. Hold ræsonnementsoutput adskilt fra det endelige svar, når en grænseflade leverer begge dele. Indstillinger til en særskilt navngivet Qwen-Omni-model eller en åben tæt model bør ikke overtages alene, fordi de deler Qwen-navnet.
Brug dybere analyse til et visuelt spørgsmål, som forbinder flere observationer; bed om et direkte resultat ved en enkel beskrivelse. Angiv en kontrollerbar slutstruktur, eksempelvis en observationstabel, en kort konklusion eller kodefiler, frem for at bruge svarlængden som kvalitetstegn.
Begrænsninger og klargøring af input
Alibabas særlige Qwen3.7-Flash-side angiver en kontekst på 1,000,000 tokens, et maksimalt input på 991,808 tokens til direkte svar eller 983,616 til tænkning og et maksimalt output på 131,072 i begge modi. Den angiver særskilt en maksimal chain-of-thought-længde på 262,144 tokens. Hold relevante visuelle detaljer læsbare, beskær uvedkommende materiale, og reservér plads til det krævede resultat. Kontrollér objektetiketter, rumlige slutninger, udtrukket tekst og kodeforslag mod den leverede dokumentation. Den nyttige beskrivelse er producentens specifikke område for opfattelse, agenter og visuel programmering med den hybride svarmodus bevaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.7-flash | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00006 / 1K tokens Output · Outputtokens $0.00026 / 1K tokens Input · Cachelæsning $0.000012 / 1K tokens Input · Cacheskrivning $0.000076 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med32.000 | Beløb Input · Inputtokens $0.00006 / 1K tokens Output · Outputtokens $0.00026 / 1K tokens Input · Cachelæsning $0.000012 / 1K tokens Input · Cacheskrivning $0.000076 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end32.000 | Konteksttokens, op til og med256.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationNiveau 3 for forespørgslens længde | Takstplan— | Konteksttokens, mere end256.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.7-flash", "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/qwen3.7-flash',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/qwen3.7-flash',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/qwen3.7-flash
Brug metodestierne vist ovenfor.
qwen/qwen3.7-flashQwen3.7 Flash er Qwens vision-sprogmodelfamilie til tekst, billeder og video med tekst som output. Producenten fremhæver bedre objektgenkendelse, rumlig forståelse, multimodalt agentarbejde og visuel programmering med tænkning aktiveret som standard og en valgfri modus til direkte svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.7 Flash-udgivelsen
Qwen3.7 Flash er en vision-sprogmodelfamilie med integreret forståelse af tekst, billeder og video, som giver tekstlige svar. Producentens udgivelse beskriver stærkere multimodal opfattelse og agentudførelse sammenlignet med Qwen3.6 Flash. Dens praktiske opgaveområde omfatter genkendelse af objekter, forståelse af en visuel scene, ræsonnement om rumlige forhold og udarbejdelse af kode eller forklaringer ud fra visuelt materiale.
Den officielle udgivelse navngiver både qwen3.7-flash og den daterede qwen3.7-flash-2026-07-15. Bevar det præcise modelnavn ved registrering af et resultat: det udaterede Flash-navn identificerer ikke et fast producentøjebliksbillede. Udgivelsesbeskrivelsen, der bruges her, fastslår hverken parameterantal eller numerisk repræsentation for et åbent checkpoint.
Objektgenkendelse, virkelighedsopfattelse og rum
Giv et scenebillede med et konkret spørgsmål: hvilket objekt er relevant, hvilket forhold skal undersøges, og hvilke synlige detaljer skal understøtte svaret. For et diagram skal du bevare etiketter og angive de definitioner, der kræves for at fortolke dem. Et nyttigt output adskiller observationer fra udledte forhold, så forklaringen lettere kan sammenlignes med kilden.
For flere billeder skal hvert input mærkes, og sammenligningen organiseres efter disse mærker. For video skal du udpege den relevante hændelse og bevare oplysninger om rækkefølge eller tid. Kontrollér præcise optællinger, rumlige mål og observationer på billedniveau mod det leverede materiale.
Multimodale agenter
Udgivelsen fremhæver Search Agent- og kodefortolkeragentscenarier med mere stabil udførelse over flere trin. I et sådant forløb leverer applikationen de tilladte værktøjer, udfører deres handlinger og returnerer deres observationer. Modellen kan bruge resultaterne til at opdatere sin plan. Beskriv målet og betingelsen for færdiggørelse, og bed om en slutleverance samt eventuel uafklaret dokumentation. Producenten angiver funktionskald, struktureret output, præfikskomplettering og kontekstcaching. Websøgning understøttes i Beijing og Singapore og understøttes ikke i de øvrige anførte regionale områder. Batchinferens understøttes for Beijing-aliaset og ikke andre steder; finjustering understøttes ikke.
En models agentspecialisering bør ikke forveksles med indbygget adgang til aktuelle kilder eller et eksekveringsmiljø i enhver grænseflade. Når en opgave kræver informationshentning eller kodekørsel, skal det resultat, et faktisk værktøj returnerer, adskilles fra en foreslået handling i modellens tekst. Denne beskrivelse fastslår ikke, hvilke værktøjer en anden applikation stiller til rådighed.
Visuel programmering
Qwen beskriver forbedret programmering baseret på visuelt materiale. En nyttig forespørgsel kan kombinere et skærmbillede eller layout med funktionelle krav og bede om redigerbar kode. Angiv framework eller outputform, interaktionstilstande og begrænsninger i opgaven. Bed om den genererede leverance adskilt fra forklaringen, så den kan gennemgås eller gengives i udviklingsforløbet.
For en eksisterende grænseflade skal du udpege den tilsigtede ændring og den relevante kildekontekst frem for at bede om et uvedkommende redesign. Modellen kan forbinde et visuelt krav med et kodeforslag; forslaget dokumenterer ikke, at grænsefladen er blevet gengivet eller fungerer korrekt. Disse opgaveeksempler anvender producentens område for visuel programmering uden at tilføje en garanti for udførelse.
Tænkning og direkte svar
Producentens vejledning til understøttede modeller angiver Qwen3.7 Flash som en hybridtænkende familie med tænkning aktiveret som standard. Dens dokumenterede hybridforløb kan deaktivere tænkning for at give et direkte svar. Hold ræsonnementsoutput adskilt fra det endelige svar, når en grænseflade leverer begge dele. Indstillinger til en særskilt navngivet Qwen-Omni-model eller en åben tæt model bør ikke overtages alene, fordi de deler Qwen-navnet.
Brug dybere analyse til et visuelt spørgsmål, som forbinder flere observationer; bed om et direkte resultat ved en enkel beskrivelse. Angiv en kontrollerbar slutstruktur, eksempelvis en observationstabel, en kort konklusion eller kodefiler, frem for at bruge svarlængden som kvalitetstegn.
Begrænsninger og klargøring af input
Alibabas særlige Qwen3.7-Flash-side angiver en kontekst på 1,000,000 tokens, et maksimalt input på 991,808 tokens til direkte svar eller 983,616 til tænkning og et maksimalt output på 131,072 i begge modi. Den angiver særskilt en maksimal chain-of-thought-længde på 262,144 tokens. Hold relevante visuelle detaljer læsbare, beskær uvedkommende materiale, og reservér plads til det krævede resultat. Kontrollér objektetiketter, rumlige slutninger, udtrukket tekst og kodeforslag mod den leverede dokumentation. Den nyttige beskrivelse er producentens specifikke område for opfattelse, agenter og visuel programmering med den hybride svarmodus bevaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.7-flash | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00006 / 1K tokens Output · Outputtokens $0.00026 / 1K tokens Input · Cachelæsning $0.000012 / 1K tokens Input · Cacheskrivning $0.000076 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med32.000 | Beløb Input · Inputtokens $0.00006 / 1K tokens Output · Outputtokens $0.00026 / 1K tokens Input · Cachelæsning $0.000012 / 1K tokens Input · Cacheskrivning $0.000076 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end32.000 | Konteksttokens, op til og med256.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationNiveau 3 for forespørgslens længde | Takstplan— | Konteksttokens, mere end256.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.7-flash', '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/qwen3.7-flash', '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/qwen3.7-flash
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.