Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-version fra Qwen2.5-generationen. Den modtager skriftlige instruktioner og tekstkontekst og producerer et tekstsvar. Nyttige opgaver omfatter spørgsmål om medtagne dokumenter, sammenfatninger, der forbinder flere kilder, forklaringer af en kodebase og udtræk til JSON. Bevar det daterede modelnavn sammen med prompten, når du sammenligner resultater mellem udgaver.
Qwens introduktion til Qwen2.5-Turbo demonstrerer læsning af lange fortællinger og flere relaterede forskningsartikler. Det nyttige resultat afhænger af spørgsmålet: et overblik kan forklare sammenhængen mellem værkerne, mens en fokuseret sammenligning kan adskille deres tilgange og understøttende belæg. Medtag tydeligt mærket tekst, og bed om de skel, der er vigtige for læseren. Et selvstændigt oplæg kan bede om hvert dokuments hovedforslag, den passage, der understøtter det, og eventuelle uenigheder mellem dokumenterne. Bed om svaret på det sprog, målgruppen har brug for, og bevar citaternes forbindelse til deres kilde.
Producenten demonstrerer også læsning af et repository samlet i en tekstfil, først med en forklaring af formålet og derefter med lokalisering af klasser og deres filstier. Forbered koden med filgrænser, navne og relevante omkringliggende definitioner bevaret. Bed om et overblik over en komponent, før du beder om en mere afgrænset forklaring af, hvordan dens dele hænger sammen. Den resulterende forklaring eller liste over placeringer kan hjælpe med at gennemgå originalfilerne; kontrollér disse placeringer mod den medtagne kode.
I producentens dokumenterede tekstforløb fastlægger en systembesked rollen og opgavens regler, en brugerbesked indeholder spørgsmålet og materialet, og modellen svarer som assistenten. Gør det ønskede produkt tydeligt: en sammenfatning, en sammenligningstabel, en kort forklaring eller udtrukne felter. Ved en dokumentopgave skal du skelne mellem den tekst, der skal læses, og instruktionen om, hvad der skal gøres med den. Medtag terminologi, outputsprog og eventuelle regler for håndtering af oplysninger, som kilden ikke indeholder.
Producentens Chat Completions-forløb er tilstandsløst: en fortsat samtale bruger den samtalehistorik, der sendes med det næste spørgsmål. Tilføj de foregående bruger- og assistentbeskeder, når opfølgningen afhænger af dem. Første samtalerunde kan fastlægge et dokuments argument; den næste kan spørge, hvilken passage der understøtter en konklusion. Hold den nødvendige kildekontekst til rådighed frem for at antage, at et tidligere svar giver modellen permanent hukommelse. Når samtalen vokser, skal du bevare de seneste runder og de vigtige kildefakta eller bruge en gennemgået sammenfatning af tidligere materiale. Fjernelse eller komprimering af historikken kan fjerne detaljer, som er nødvendige for det næste svar.
Alibaba medtager udtrykkeligt qwen-turbo-2024-11-01 i understøttelsen af JSON Object. I producentens forløb indstilles svarformatet til json_object, og en system- eller brugerinstruktion skal indeholde ordet JSON. Angiv feltnavne, og hvordan manglende oplysninger skal håndteres. Et oplæg til udtræk kan for eksempel bede om et dokuments titel, dets navngivne forfatter og en understøttende passage med en angivet konvention for en manglende forfatter.
JSON Object-tilstand sigter mod gyldig JSON-syntaks; den håndhæver ikke et bestemt skema, faste feltnavne eller felttyper. Kontrollér det returnerede objekt for de felter og værdier, som opgaven kræver, før du bruger det videre. Et resultat, der afbrydes før afslutning, kan også være ugyldig JSON. Bevar det komplette objekt og dets kildetekst, så et formateringsproblem kan skelnes fra et forkert udtræk.
Qwens introduktion påpeger ustabilitet ved krævende opgaver med lange sekvenser. En stor mængde medtaget tekst garanterer ikke, at alle detaljer hentes, eller at alle sammenhænge fortolkes korrekt. Kontrollér vigtige udsagn, referencer og kodeplaceringer mod originalmaterialet, især når konklusionen forbinder passager, der ligger langt fra hinanden. Bevar kilden, den præcise prompt og det valgte svar som arbejdsprodukt. Alibabas versionsoversigt skelner denne version fra Qwen-Turbo-2025-04-28, så en sammenligning af udgaver bør bevare begge modelnavne og bruge den samme opgave.
", "aboutText": "Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-version fra Qwen2.5-generationen. Den modtager skriftlige instruktioner og tekstkontekst og producerer et tekstsvar. Nyttige opgaver omfatter spørgsmål om medtagne dokumenter, sammenfatninger, der forbinder flere kilder, forklaringer af en kodebase og udtræk til JSON. Bevar det daterede modelnavn sammen med prompten, når du sammenligner resultater mellem udgaver.\n\n### Læs sammenhængende materiale med et konkret spørgsmål\n\nQwens introduktion til Qwen2.5-Turbo demonstrerer læsning af lange fortællinger og flere relaterede forskningsartikler. Det nyttige resultat afhænger af spørgsmålet: et overblik kan forklare sammenhængen mellem værkerne, mens en fokuseret sammenligning kan adskille deres tilgange og understøttende belæg. Medtag tydeligt mærket tekst, og bed om de skel, der er vigtige for læseren. Et selvstændigt oplæg kan bede om hvert dokuments hovedforslag, den passage, der understøtter det, og eventuelle uenigheder mellem dokumenterne. Bed om svaret på det sprog, målgruppen har brug for, og bevar citaternes forbindelse til deres kilde.\n\n### Forstå et repository gennem dets tekst\n\nProducenten demonstrerer også læsning af et repository samlet i en tekstfil, først med en forklaring af formålet og derefter med lokalisering af klasser og deres filstier. Forbered koden med filgrænser, navne og relevante omkringliggende definitioner bevaret. Bed om et overblik over en komponent, før du beder om en mere afgrænset forklaring af, hvordan dens dele hænger sammen. Den resulterende forklaring eller liste over placeringer kan hjælpe med at gennemgå originalfilerne; kontrollér disse placeringer mod den medtagne kode.\n\n### Medtag instruktioner og materiale som beskeder\n\nI producentens dokumenterede tekstforløb fastlægger en systembesked rollen og opgavens regler, en brugerbesked indeholder spørgsmålet og materialet, og modellen svarer som assistenten. Gør det ønskede produkt tydeligt: en sammenfatning, en sammenligningstabel, en kort forklaring eller udtrukne felter. Ved en dokumentopgave skal du skelne mellem den tekst, der skal læses, og instruktionen om, hvad der skal gøres med den. Medtag terminologi, outputsprog og eventuelle regler for håndtering af oplysninger, som kilden ikke indeholder.\n\n### Fortsæt en samtale med den relevante historik\n\nProducentens Chat Completions-forløb er tilstandsløst: en fortsat samtale bruger den samtalehistorik, der sendes med det næste spørgsmål. Tilføj de foregående bruger- og assistentbeskeder, når opfølgningen afhænger af dem. Første samtalerunde kan fastlægge et dokuments argument; den næste kan spørge, hvilken passage der understøtter en konklusion. Hold den nødvendige kildekontekst til rådighed frem for at antage, at et tidligere svar giver modellen permanent hukommelse. Når samtalen vokser, skal du bevare de seneste runder og de vigtige kildefakta eller bruge en gennemgået sammenfatning af tidligere materiale. Fjernelse eller komprimering af historikken kan fjerne detaljer, som er nødvendige for det næste svar.\n\n### Udtræk oplysninger med JSON Object-tilstand\n\nAlibaba medtager udtrykkeligt qwen-turbo-2024-11-01 i understøttelsen af JSON Object. I producentens forløb indstilles svarformatet til json_object, og en system- eller brugerinstruktion skal indeholde ordet JSON. Angiv feltnavne, og hvordan manglende oplysninger skal håndteres. Et oplæg til udtræk kan for eksempel bede om et dokuments titel, dets navngivne forfatter og en understøttende passage med en angivet konvention for en manglende forfatter.\n\nJSON Object-tilstand sigter mod gyldig JSON-syntaks; den håndhæver ikke et bestemt skema, faste feltnavne eller felttyper. Kontrollér det returnerede objekt for de felter og værdier, som opgaven kræver, før du bruger det videre. Et resultat, der afbrydes før afslutning, kan også være ugyldig JSON. Bevar det komplette objekt og dets kildetekst, så et formateringsproblem kan skelnes fra et forkert udtræk.\n\n### Kontrollér svaret mod originalmaterialet\n\nQwens introduktion påpeger ustabilitet ved krævende opgaver med lange sekvenser. En stor mængde medtaget tekst garanterer ikke, at alle detaljer hentes, eller at alle sammenhænge fortolkes korrekt. Kontrollér vigtige udsagn, referencer og kodeplaceringer mod originalmaterialet, især når konklusionen forbinder passager, der ligger langt fra hinanden. Bevar kilden, den præcise prompt og det valgte svar som arbejdsprodukt. Alibabas versionsoversigt skelner denne version fra Qwen-Turbo-2025-04-28, så en sammenligning af udgaver bør bevare begge modelnavne og bruge den samme opgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.qwen-turbo-2024-11-01Alibabas Qwen Turbo 2024-11-01 er en fast tekstmodelversion til at besvare spørgsmål om medtaget materiale, sammenfatte relaterede dokumenter og læse kildekode. Den understøtter også producentens JSON Object-tilstand til at udtrække oplysninger til et maskinlæsbart resultat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-version fra Qwen2.5-generationen. Den modtager skriftlige instruktioner og tekstkontekst og producerer et tekstsvar. Nyttige opgaver omfatter spørgsmål om medtagne dokumenter, sammenfatninger, der forbinder flere kilder, forklaringer af en kodebase og udtræk til JSON. Bevar det daterede modelnavn sammen med prompten, når du sammenligner resultater mellem udgaver.
Qwens introduktion til Qwen2.5-Turbo demonstrerer læsning af lange fortællinger og flere relaterede forskningsartikler. Det nyttige resultat afhænger af spørgsmålet: et overblik kan forklare sammenhængen mellem værkerne, mens en fokuseret sammenligning kan adskille deres tilgange og understøttende belæg. Medtag tydeligt mærket tekst, og bed om de skel, der er vigtige for læseren. Et selvstændigt oplæg kan bede om hvert dokuments hovedforslag, den passage, der understøtter det, og eventuelle uenigheder mellem dokumenterne. Bed om svaret på det sprog, målgruppen har brug for, og bevar citaternes forbindelse til deres kilde.
Producenten demonstrerer også læsning af et repository samlet i en tekstfil, først med en forklaring af formålet og derefter med lokalisering af klasser og deres filstier. Forbered koden med filgrænser, navne og relevante omkringliggende definitioner bevaret. Bed om et overblik over en komponent, før du beder om en mere afgrænset forklaring af, hvordan dens dele hænger sammen. Den resulterende forklaring eller liste over placeringer kan hjælpe med at gennemgå originalfilerne; kontrollér disse placeringer mod den medtagne kode.
I producentens dokumenterede tekstforløb fastlægger en systembesked rollen og opgavens regler, en brugerbesked indeholder spørgsmålet og materialet, og modellen svarer som assistenten. Gør det ønskede produkt tydeligt: en sammenfatning, en sammenligningstabel, en kort forklaring eller udtrukne felter. Ved en dokumentopgave skal du skelne mellem den tekst, der skal læses, og instruktionen om, hvad der skal gøres med den. Medtag terminologi, outputsprog og eventuelle regler for håndtering af oplysninger, som kilden ikke indeholder.
Producentens Chat Completions-forløb er tilstandsløst: en fortsat samtale bruger den samtalehistorik, der sendes med det næste spørgsmål. Tilføj de foregående bruger- og assistentbeskeder, når opfølgningen afhænger af dem. Første samtalerunde kan fastlægge et dokuments argument; den næste kan spørge, hvilken passage der understøtter en konklusion. Hold den nødvendige kildekontekst til rådighed frem for at antage, at et tidligere svar giver modellen permanent hukommelse. Når samtalen vokser, skal du bevare de seneste runder og de vigtige kildefakta eller bruge en gennemgået sammenfatning af tidligere materiale. Fjernelse eller komprimering af historikken kan fjerne detaljer, som er nødvendige for det næste svar.
Alibaba medtager udtrykkeligt qwen-turbo-2024-11-01 i understøttelsen af JSON Object. I producentens forløb indstilles svarformatet til json_object, og en system- eller brugerinstruktion skal indeholde ordet JSON. Angiv feltnavne, og hvordan manglende oplysninger skal håndteres. Et oplæg til udtræk kan for eksempel bede om et dokuments titel, dets navngivne forfatter og en understøttende passage med en angivet konvention for en manglende forfatter.
JSON Object-tilstand sigter mod gyldig JSON-syntaks; den håndhæver ikke et bestemt skema, faste feltnavne eller felttyper. Kontrollér det returnerede objekt for de felter og værdier, som opgaven kræver, før du bruger det videre. Et resultat, der afbrydes før afslutning, kan også være ugyldig JSON. Bevar det komplette objekt og dets kildetekst, så et formateringsproblem kan skelnes fra et forkert udtræk.
Qwens introduktion påpeger ustabilitet ved krævende opgaver med lange sekvenser. En stor mængde medtaget tekst garanterer ikke, at alle detaljer hentes, eller at alle sammenhænge fortolkes korrekt. Kontrollér vigtige udsagn, referencer og kodeplaceringer mod originalmaterialet, især når konklusionen forbinder passager, der ligger langt fra hinanden. Bevar kilden, den præcise prompt og det valgte svar som arbejdsprodukt. Alibabas versionsoversigt skelner denne version fra Qwen-Turbo-2025-04-28, så en sammenligning af udgaver bør bevare begge modelnavne og bruge den samme opgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokens Output · Outputtokens $0.00018 / 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-turbo-2024-11-01", "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-turbo-2024-11-01',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-turbo-2024-11-01',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-turbo-2024-11-01
Brug metodestierne vist ovenfor.
qwen-turbo-2024-11-01Alibabas Qwen Turbo 2024-11-01 er en fast tekstmodelversion til at besvare spørgsmål om medtaget materiale, sammenfatte relaterede dokumenter og læse kildekode. Den understøtter også producentens JSON Object-tilstand til at udtrække oplysninger til et maskinlæsbart resultat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-version fra Qwen2.5-generationen. Den modtager skriftlige instruktioner og tekstkontekst og producerer et tekstsvar. Nyttige opgaver omfatter spørgsmål om medtagne dokumenter, sammenfatninger, der forbinder flere kilder, forklaringer af en kodebase og udtræk til JSON. Bevar det daterede modelnavn sammen med prompten, når du sammenligner resultater mellem udgaver.
Qwens introduktion til Qwen2.5-Turbo demonstrerer læsning af lange fortællinger og flere relaterede forskningsartikler. Det nyttige resultat afhænger af spørgsmålet: et overblik kan forklare sammenhængen mellem værkerne, mens en fokuseret sammenligning kan adskille deres tilgange og understøttende belæg. Medtag tydeligt mærket tekst, og bed om de skel, der er vigtige for læseren. Et selvstændigt oplæg kan bede om hvert dokuments hovedforslag, den passage, der understøtter det, og eventuelle uenigheder mellem dokumenterne. Bed om svaret på det sprog, målgruppen har brug for, og bevar citaternes forbindelse til deres kilde.
Producenten demonstrerer også læsning af et repository samlet i en tekstfil, først med en forklaring af formålet og derefter med lokalisering af klasser og deres filstier. Forbered koden med filgrænser, navne og relevante omkringliggende definitioner bevaret. Bed om et overblik over en komponent, før du beder om en mere afgrænset forklaring af, hvordan dens dele hænger sammen. Den resulterende forklaring eller liste over placeringer kan hjælpe med at gennemgå originalfilerne; kontrollér disse placeringer mod den medtagne kode.
I producentens dokumenterede tekstforløb fastlægger en systembesked rollen og opgavens regler, en brugerbesked indeholder spørgsmålet og materialet, og modellen svarer som assistenten. Gør det ønskede produkt tydeligt: en sammenfatning, en sammenligningstabel, en kort forklaring eller udtrukne felter. Ved en dokumentopgave skal du skelne mellem den tekst, der skal læses, og instruktionen om, hvad der skal gøres med den. Medtag terminologi, outputsprog og eventuelle regler for håndtering af oplysninger, som kilden ikke indeholder.
Producentens Chat Completions-forløb er tilstandsløst: en fortsat samtale bruger den samtalehistorik, der sendes med det næste spørgsmål. Tilføj de foregående bruger- og assistentbeskeder, når opfølgningen afhænger af dem. Første samtalerunde kan fastlægge et dokuments argument; den næste kan spørge, hvilken passage der understøtter en konklusion. Hold den nødvendige kildekontekst til rådighed frem for at antage, at et tidligere svar giver modellen permanent hukommelse. Når samtalen vokser, skal du bevare de seneste runder og de vigtige kildefakta eller bruge en gennemgået sammenfatning af tidligere materiale. Fjernelse eller komprimering af historikken kan fjerne detaljer, som er nødvendige for det næste svar.
Alibaba medtager udtrykkeligt qwen-turbo-2024-11-01 i understøttelsen af JSON Object. I producentens forløb indstilles svarformatet til json_object, og en system- eller brugerinstruktion skal indeholde ordet JSON. Angiv feltnavne, og hvordan manglende oplysninger skal håndteres. Et oplæg til udtræk kan for eksempel bede om et dokuments titel, dets navngivne forfatter og en understøttende passage med en angivet konvention for en manglende forfatter.
JSON Object-tilstand sigter mod gyldig JSON-syntaks; den håndhæver ikke et bestemt skema, faste feltnavne eller felttyper. Kontrollér det returnerede objekt for de felter og værdier, som opgaven kræver, før du bruger det videre. Et resultat, der afbrydes før afslutning, kan også være ugyldig JSON. Bevar det komplette objekt og dets kildetekst, så et formateringsproblem kan skelnes fra et forkert udtræk.
Qwens introduktion påpeger ustabilitet ved krævende opgaver med lange sekvenser. En stor mængde medtaget tekst garanterer ikke, at alle detaljer hentes, eller at alle sammenhænge fortolkes korrekt. Kontrollér vigtige udsagn, referencer og kodeplaceringer mod originalmaterialet, især når konklusionen forbinder passager, der ligger langt fra hinanden. Bevar kilden, den præcise prompt og det valgte svar som arbejdsprodukt. Alibabas versionsoversigt skelner denne version fra Qwen-Turbo-2025-04-28, så en sammenligning af udgaver bør bevare begge modelnavne og bruge den samme opgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokens Output · Outputtokens $0.00018 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen-turbo-2024-11-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-turbo-2024-11-01', '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-turbo-2024-11-01', '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-turbo-2024-11-01
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.