Qwen3.5-Flash er en Qwen3.5-model til tekstforståelse og visuel forståelse. Den accepterer tekst, billeder og video og returnerer tekst. Producentens modeltabeller angiver en kontekst på 1 million tokens, understøttelse af tænkning, function calling, indbyggede værktøjer og struktureret output.
Til en supportforklaring skal du kombinere det skriftlige spørgsmål med et skærmbillede eller en relevant visuel kilde. Identificér de etiketter, objekter eller områder, der har betydning, og definér læserens mål. Bed om et kort tekstsvar knyttet til det synlige, og hold usikre detaljer adskilt fra observationerne.
Ved en optaget sekvens skal du isolere den del, der er relevant for spørgsmålet, og bevare rækkefølgen. Bed om de synlige hændelser og den dokumentation, der understøtter forklaringen. Hvis spørgsmålet afhænger af tale, skal du levere den nødvendige transskription som tekst sammen med det visuelle materiale.
I en integration med funktionsunderstøttelse definerer applikationen den tilgængelige handling og inputfelterne, udfører et valgt kald og returnerer dets resultat. Indbyggede værktøjer er en separat funktion hos producenten. Integrationen bestemmer, hvilke styringsmuligheder den eksponerer. Til et struktureret svar skal du definere de krævede felter og håndteringen af manglende værdier og derefter validere både det returnerede indhold og dets form.
Producentens tabel over visuelle modeller angiver en outputramme på 64K, op til 256 billeder og 64 videoer for denne navngivne model. Dens dokumenterede videoarbejdsgang understøtter filer på op til to timer og 2 GB. Det er grænser for producentens arbejdsgang, og alt medsendt materiale deler stadig kontekstbudgettet. Forbered læseligt kildemateriale, bevar mærkningen, og brug de grænser, den valgte grænseflade stiller til rådighed, når du planlægger den faktiske anmodning.
Vælg det resultat, der skal forberedes: et analysenotat, udtrukne felter, et revideret tekstudsnit eller en forklaring af det visuelle materiale. Bed om dokumentation, der understøtter væsentlige detaljer, og gennemgå svaret i forhold til kilderne. Det returnerede artefakt er tekst; handlinger og filoperationer i en tilsluttet arbejdsgang har deres egne eksekveringsresultater.
", "aboutText": "Qwen3.5-Flash er en Qwen3.5-model til tekstforståelse og visuel forståelse. Den accepterer tekst, billeder og video og returnerer tekst. Producentens modeltabeller angiver en kontekst på 1 million tokens, understøttelse af tænkning, function calling, indbyggede værktøjer og struktureret output.\n\n### Forbered forklaringer baseret på blandede medier og supportsvar\n\nTil en supportforklaring skal du kombinere det skriftlige spørgsmål med et skærmbillede eller en relevant visuel kilde. Identificér de etiketter, objekter eller områder, der har betydning, og definér læserens mål. Bed om et kort tekstsvar knyttet til det synlige, og hold usikre detaljer adskilt fra observationerne.\n\n### Vælg et klart oplæg til output\n\nVed en optaget sekvens skal du isolere den del, der er relevant for spørgsmålet, og bevare rækkefølgen. Bed om de synlige hændelser og den dokumentation, der understøtter forklaringen. Hvis spørgsmålet afhænger af tale, skal du levere den nødvendige transskription som tekst sammen med det visuelle materiale.\n\n### Knyt værktøjer til faktiske resultater\n\nI en integration med funktionsunderstøttelse definerer applikationen den tilgængelige handling og inputfelterne, udfører et valgt kald og returnerer dets resultat. Indbyggede værktøjer er en separat funktion hos producenten. Integrationen bestemmer, hvilke styringsmuligheder den eksponerer. Til et struktureret svar skal du definere de krævede felter og håndteringen af manglende værdier og derefter validere både det returnerede indhold og dets form.\n\n### Planlæg visuelt input og tekstinput samlet\n\nProducentens tabel over visuelle modeller angiver en outputramme på 64K, op til 256 billeder og 64 videoer for denne navngivne model. Dens dokumenterede videoarbejdsgang understøtter filer på op til to timer og 2 GB. Det er grænser for producentens arbejdsgang, og alt medsendt materiale deler stadig kontekstbudgettet. Forbered læseligt kildemateriale, bevar mærkningen, og brug de grænser, den valgte grænseflade stiller til rådighed, når du planlægger den faktiske anmodning.\n\n### Gennemgå tekstleverancen\n\nVælg det resultat, der skal forberedes: et analysenotat, udtrukne felter, et revideret tekstudsnit eller en forklaring af det visuelle materiale. Bed om dokumentation, der understøtter væsentlige detaljer, og gennemgå svaret i forhold til kilderne. Det returnerede artefakt er tekst; handlinger og filoperationer i en tilsluttet arbejdsgang har deres egne eksekveringsresultater.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a recorded interface state\n\nDraft a support explanation from this text observation: "Upload panel shows file orders.csv, status Failed, message Required column sku missing. Retry button visible." Explain what the user should check in the CSV before retrying. Keep the error wording and filename, and do not claim to inspect or modify the file or interact with the interface.A concise explanation with the recorded error and a proposed file-check step before retry.Check that the advice addresses the missing sku column and does not claim a successful retry.qwen3.5-flashQwen3.5-Flash kombinerer tekst, billeder og video for at producere tekst til forklaringer baseret på blandede medier og supportsvar. Producenten dokumenterer en kontekst på 1 million tokens, understøttelse af tænkning og valgfri funktioner til værktøjer og strukturerede svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.5-Flash er en Qwen3.5-model til tekstforståelse og visuel forståelse. Den accepterer tekst, billeder og video og returnerer tekst. Producentens modeltabeller angiver en kontekst på 1 million tokens, understøttelse af tænkning, function calling, indbyggede værktøjer og struktureret output.
Til en supportforklaring skal du kombinere det skriftlige spørgsmål med et skærmbillede eller en relevant visuel kilde. Identificér de etiketter, objekter eller områder, der har betydning, og definér læserens mål. Bed om et kort tekstsvar knyttet til det synlige, og hold usikre detaljer adskilt fra observationerne.
Ved en optaget sekvens skal du isolere den del, der er relevant for spørgsmålet, og bevare rækkefølgen. Bed om de synlige hændelser og den dokumentation, der understøtter forklaringen. Hvis spørgsmålet afhænger af tale, skal du levere den nødvendige transskription som tekst sammen med det visuelle materiale.
I en integration med funktionsunderstøttelse definerer applikationen den tilgængelige handling og inputfelterne, udfører et valgt kald og returnerer dets resultat. Indbyggede værktøjer er en separat funktion hos producenten. Integrationen bestemmer, hvilke styringsmuligheder den eksponerer. Til et struktureret svar skal du definere de krævede felter og håndteringen af manglende værdier og derefter validere både det returnerede indhold og dets form.
Producentens tabel over visuelle modeller angiver en outputramme på 64K, op til 256 billeder og 64 videoer for denne navngivne model. Dens dokumenterede videoarbejdsgang understøtter filer på op til to timer og 2 GB. Det er grænser for producentens arbejdsgang, og alt medsendt materiale deler stadig kontekstbudgettet. Forbered læseligt kildemateriale, bevar mærkningen, og brug de grænser, den valgte grænseflade stiller til rådighed, når du planlægger den faktiske anmodning.
Vælg det resultat, der skal forberedes: et analysenotat, udtrukne felter, et revideret tekstudsnit eller en forklaring af det visuelle materiale. Bed om dokumentation, der understøtter væsentlige detaljer, og gennemgå svaret i forhold til kilderne. Det returnerede artefakt er tekst; handlinger og filoperationer i en tilsluttet arbejdsgang har deres egne eksekveringsresultater.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3.5-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00006 / 1K tokens Output · Outputtokens $0.00058 / 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": "qwen3.5-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='qwen3.5-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='qwen3.5-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 qwen3.5-flash
Brug metodestierne vist ovenfor.
qwen3.5-flashQwen3.5-Flash kombinerer tekst, billeder og video for at producere tekst til forklaringer baseret på blandede medier og supportsvar. Producenten dokumenterer en kontekst på 1 million tokens, understøttelse af tænkning og valgfri funktioner til værktøjer og strukturerede svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.5-Flash er en Qwen3.5-model til tekstforståelse og visuel forståelse. Den accepterer tekst, billeder og video og returnerer tekst. Producentens modeltabeller angiver en kontekst på 1 million tokens, understøttelse af tænkning, function calling, indbyggede værktøjer og struktureret output.
Til en supportforklaring skal du kombinere det skriftlige spørgsmål med et skærmbillede eller en relevant visuel kilde. Identificér de etiketter, objekter eller områder, der har betydning, og definér læserens mål. Bed om et kort tekstsvar knyttet til det synlige, og hold usikre detaljer adskilt fra observationerne.
Ved en optaget sekvens skal du isolere den del, der er relevant for spørgsmålet, og bevare rækkefølgen. Bed om de synlige hændelser og den dokumentation, der understøtter forklaringen. Hvis spørgsmålet afhænger af tale, skal du levere den nødvendige transskription som tekst sammen med det visuelle materiale.
I en integration med funktionsunderstøttelse definerer applikationen den tilgængelige handling og inputfelterne, udfører et valgt kald og returnerer dets resultat. Indbyggede værktøjer er en separat funktion hos producenten. Integrationen bestemmer, hvilke styringsmuligheder den eksponerer. Til et struktureret svar skal du definere de krævede felter og håndteringen af manglende værdier og derefter validere både det returnerede indhold og dets form.
Producentens tabel over visuelle modeller angiver en outputramme på 64K, op til 256 billeder og 64 videoer for denne navngivne model. Dens dokumenterede videoarbejdsgang understøtter filer på op til to timer og 2 GB. Det er grænser for producentens arbejdsgang, og alt medsendt materiale deler stadig kontekstbudgettet. Forbered læseligt kildemateriale, bevar mærkningen, og brug de grænser, den valgte grænseflade stiller til rådighed, når du planlægger den faktiske anmodning.
Vælg det resultat, der skal forberedes: et analysenotat, udtrukne felter, et revideret tekstudsnit eller en forklaring af det visuelle materiale. Bed om dokumentation, der understøtter væsentlige detaljer, og gennemgå svaret i forhold til kilderne. Det returnerede artefakt er tekst; handlinger og filoperationer i en tilsluttet arbejdsgang har deres egne eksekveringsresultater.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3.5-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00006 / 1K tokens Output · Outputtokens $0.00058 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3.5-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': 'qwen3.5-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 qwen3.5-flash
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Explain a recorded interface state\n\nDraft a support explanation from this text observation: "Upload panel shows file orders.csv, status Failed, message Required column sku missing. Retry button visible." Explain what the user should check in the CSV before retrying. Keep the error wording and filename, and do not claim to inspect or modify the file or interact with the interface.A concise explanation with the recorded error and a proposed file-check step before retry.Check that the advice addresses the missing sku column and does not claim a successful retry.