Qwen3.7-Max 2026-06-08 er Alibabas navngivne snapshot fra 8. juni af Max-modellen i Qwen3.7-familien. Den afgørende ændring i denne udgave er visuel forståelse, som er føjet til snapshottet fra 20. maj og understøtter interaktion med udgangspunkt i virkelige scener. Den accepterer tekst, billeder og video og genererer tekst. Familiens agentorienterede formål omfatter programmering, kontor- og produktivitetsopgaver samt længerevarende opgaver, der kombinerer instruktioner med værktøjsresultater.
Udgaven har betydning for visuelle opgaver. Det udaterede navn Qwen3.7-Max er dokumenteret som svarende til det tekstbaserede snapshot fra 20. maj, mens den præcise modeltabel for juni omfatter billed- og videoinput. For denne model kan et skærmbillede ledsage en kodeopgave, eller en video kan levere den scene, som en skriftlig instruktion beder agenten analysere. Outputtet er en forklaring, kode, en struktureret post eller en instruktion til et værktøjskald frem for genererede billeder, video eller tale.
Alibabas vejledning om tænkning angiver udtrykkeligt dette junisnapshot som hybridt: tænkning er som standard aktiveret i producentens arbejdsgang og kan deaktiveres for at få et direkte svar. Tænkningstilstanden producerer ræsonnement før svaret og kræver yderligere tid til ræsonnering. Vejledningen adskiller ræsonnementets indhold fra det endelige svar og understøtter bevarelse af tidligere, medsendt ræsonnement mellem samtaleture for netop denne model. Bevaret ræsonnement bliver en del af næste input, så en fortsat opgave skal afsætte plads til det sammen med samtalen og kildematerialet.
Function Calling understøtter en opgave, hvor applikationen leverer et spørgsmål og definitioner af de tilgængelige værktøjer. Modellen returnerer en valgt funktion og dens argumenter; applikationen udfører funktionen, føjer værktøjsresultatet til samtalen og beder modellen fortsætte. Til en kodeassistent skal du definere værktøjet til læsning af kodebasen eller validering præcist og bede om den færdige ændring sammen med resultatet, der understøtter den. At beskrive et værktøj er forskelligt fra at udføre det: den omgivende applikation stiller adgangen til rådighed og udfører handlingen.
Junisnapshottet angiver også Structured Outputs, Web Search, Prefix Completion og Context Caching. De understøtter definerede outputposter, søgeunderstøttet arbejde, fortsættelse fra en angivet begyndelse og genbrug af et fælles inputpræfiks i producentens arbejdsgang. Ved tilbagevendende analyser skal det stabile dokument eller opgaveinstruktionerne placeres i begyndelsen, og det skiftende spørgsmål efter dem. Genbrug af cache afhænger af betingelserne i denne arbejdsgang; modellens understøttelse af caching dokumenterer ikke et cachehit for en bestemt anmodning. Batchinferens og finjustering er markeret som ikke understøttet for denne udgave.
Den præcise junitabel angiver et kontekstvindue på 1,000,000 tokens. Maksimalt input er 991,808 tokens i den almindelige profil og 983,616 tokens i tænkningstilstand; maksimalt output er 131,072 tokens i begge profiler. Der er tale om særskilte grænser for kontekst, input og output. Omfattende kildemateriale, samtalehistorik og visuelt indhold skal stadig passe inden for den gældende inputgrænse, og outputloftet betyder ikke, at et svar skal bruge så meget plads.
Til en praktisk grænsefladeopgave skal du levere skærmbilledet, relevante kildekodeudsnit, den ønskede adfærd og en udtrykkelig leverance. Et illustrativt oplæg er: »Brug denne skærm og den vedhæftede komponenttekst til at forklare, hvorfor formularens etiketter ikke passer til arbejdsgangen. Foreslå en afgrænset kodeændring, og angiv de synlige elementer, der begrunder den.« Til en dokument- eller produktivitetsopgave skal du angive kildeafsnittene, den ønskede slutpost og kriterierne for, hvad der skal medtages. Nummerér separate billeder, og beskriv deres indbyrdes forhold, så tekstresultatet kan henvise til dokumentationen.
Ved videoanalyse skal du identificere den hændelse eller sekvens, du har brug for, bede om en kort beskrivelse og bevare tidsstempler i det forberedte input, når resultatet skal udpege et bestemt tidspunkt. I Alibabas filarbejdsgang kan et billede via URL være på op til 20 MB; en video via URL kan være på op til 2 GB og vare fra 2 sekunder til 2 timer. Base64-video skal være mindre end 10 MB efter kodning. Hold filgrænser adskilt fra tokenbudgettet. Hvis lyd er afgørende, skal du levere en transskription som tekst; dette snapshots inputtabel angiver ikke lyd. I en længere agentopgave skal du angive det endelige artefakt, de tilladte værktøjer og hvilket resultat der tæller som fuldførelse. Denne forberedelse retter modellen mod en tekstleverance, der kan gennemgås, frem for en uafgrænset række af foreløbige forslag.
", "aboutText": "Qwen3.7-Max 2026-06-08 er Alibabas navngivne snapshot fra 8. juni af Max-modellen i Qwen3.7-familien. Den afgørende ændring i denne udgave er visuel forståelse, som er føjet til snapshottet fra 20. maj og understøtter interaktion med udgangspunkt i virkelige scener. Den accepterer tekst, billeder og video og genererer tekst. Familiens agentorienterede formål omfatter programmering, kontor- og produktivitetsopgaver samt længerevarende opgaver, der kombinerer instruktioner med værktøjsresultater.\n\nUdgaven har betydning for visuelle opgaver. Det udaterede navn Qwen3.7-Max er dokumenteret som svarende til det tekstbaserede snapshot fra 20. maj, mens den præcise modeltabel for juni omfatter billed- og videoinput. For denne model kan et skærmbillede ledsage en kodeopgave, eller en video kan levere den scene, som en skriftlig instruktion beder agenten analysere. Outputtet er en forklaring, kode, en struktureret post eller en instruktion til et værktøjskald frem for genererede billeder, video eller tale.\n\nAlibabas vejledning om tænkning angiver udtrykkeligt dette junisnapshot som hybridt: tænkning er som standard aktiveret i producentens arbejdsgang og kan deaktiveres for at få et direkte svar. Tænkningstilstanden producerer ræsonnement før svaret og kræver yderligere tid til ræsonnering. Vejledningen adskiller ræsonnementets indhold fra det endelige svar og understøtter bevarelse af tidligere, medsendt ræsonnement mellem samtaleture for netop denne model. Bevaret ræsonnement bliver en del af næste input, så en fortsat opgave skal afsætte plads til det sammen med samtalen og kildematerialet.\n\nFunction Calling understøtter en opgave, hvor applikationen leverer et spørgsmål og definitioner af de tilgængelige værktøjer. Modellen returnerer en valgt funktion og dens argumenter; applikationen udfører funktionen, føjer værktøjsresultatet til samtalen og beder modellen fortsætte. Til en kodeassistent skal du definere værktøjet til læsning af kodebasen eller validering præcist og bede om den færdige ændring sammen med resultatet, der understøtter den. At beskrive et værktøj er forskelligt fra at udføre det: den omgivende applikation stiller adgangen til rådighed og udfører handlingen.\n\nJunisnapshottet angiver også Structured Outputs, Web Search, Prefix Completion og Context Caching. De understøtter definerede outputposter, søgeunderstøttet arbejde, fortsættelse fra en angivet begyndelse og genbrug af et fælles inputpræfiks i producentens arbejdsgang. Ved tilbagevendende analyser skal det stabile dokument eller opgaveinstruktionerne placeres i begyndelsen, og det skiftende spørgsmål efter dem. Genbrug af cache afhænger af betingelserne i denne arbejdsgang; modellens understøttelse af caching dokumenterer ikke et cachehit for en bestemt anmodning. Batchinferens og finjustering er markeret som ikke understøttet for denne udgave.\n\nDen præcise junitabel angiver et kontekstvindue på 1,000,000 tokens. Maksimalt input er 991,808 tokens i den almindelige profil og 983,616 tokens i tænkningstilstand; maksimalt output er 131,072 tokens i begge profiler. Der er tale om særskilte grænser for kontekst, input og output. Omfattende kildemateriale, samtalehistorik og visuelt indhold skal stadig passe inden for den gældende inputgrænse, og outputloftet betyder ikke, at et svar skal bruge så meget plads.\n\nTil en praktisk grænsefladeopgave skal du levere skærmbilledet, relevante kildekodeudsnit, den ønskede adfærd og en udtrykkelig leverance. Et illustrativt oplæg er: »Brug denne skærm og den vedhæftede komponenttekst til at forklare, hvorfor formularens etiketter ikke passer til arbejdsgangen. Foreslå en afgrænset kodeændring, og angiv de synlige elementer, der begrunder den.« Til en dokument- eller produktivitetsopgave skal du angive kildeafsnittene, den ønskede slutpost og kriterierne for, hvad der skal medtages. Nummerér separate billeder, og beskriv deres indbyrdes forhold, så tekstresultatet kan henvise til dokumentationen.\n\nVed videoanalyse skal du identificere den hændelse eller sekvens, du har brug for, bede om en kort beskrivelse og bevare tidsstempler i det forberedte input, når resultatet skal udpege et bestemt tidspunkt. I Alibabas filarbejdsgang kan et billede via URL være på op til 20 MB; en video via URL kan være på op til 2 GB og vare fra 2 sekunder til 2 timer. Base64-video skal være mindre end 10 MB efter kodning. Hold filgrænser adskilt fra tokenbudgettet. Hvis lyd er afgørende, skal du levere en transskription som tekst; dette snapshots inputtabel angiver ikke lyd. I en længere agentopgave skal du angive det endelige artefakt, de tilladte værktøjer og hvilket resultat der tæller som fuldførelse. Denne forberedelse retter modellen mod en tekstleverance, der kan gennemgås, frem for en uafgrænset række af foreløbige forslag.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 kombinerer forståelse af tekst, billeder og video med en tekstbaseret arbejdsgang rettet mod agenter. Dette navngivne snapshot føjer visuel forståelse til majudgaven, understøtter hybrid tænkning og værktøjer og har en kontekst på en million tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.7-Max 2026-06-08 er Alibabas navngivne snapshot fra 8. juni af Max-modellen i Qwen3.7-familien. Den afgørende ændring i denne udgave er visuel forståelse, som er føjet til snapshottet fra 20. maj og understøtter interaktion med udgangspunkt i virkelige scener. Den accepterer tekst, billeder og video og genererer tekst. Familiens agentorienterede formål omfatter programmering, kontor- og produktivitetsopgaver samt længerevarende opgaver, der kombinerer instruktioner med værktøjsresultater.
Udgaven har betydning for visuelle opgaver. Det udaterede navn Qwen3.7-Max er dokumenteret som svarende til det tekstbaserede snapshot fra 20. maj, mens den præcise modeltabel for juni omfatter billed- og videoinput. For denne model kan et skærmbillede ledsage en kodeopgave, eller en video kan levere den scene, som en skriftlig instruktion beder agenten analysere. Outputtet er en forklaring, kode, en struktureret post eller en instruktion til et værktøjskald frem for genererede billeder, video eller tale.
Alibabas vejledning om tænkning angiver udtrykkeligt dette junisnapshot som hybridt: tænkning er som standard aktiveret i producentens arbejdsgang og kan deaktiveres for at få et direkte svar. Tænkningstilstanden producerer ræsonnement før svaret og kræver yderligere tid til ræsonnering. Vejledningen adskiller ræsonnementets indhold fra det endelige svar og understøtter bevarelse af tidligere, medsendt ræsonnement mellem samtaleture for netop denne model. Bevaret ræsonnement bliver en del af næste input, så en fortsat opgave skal afsætte plads til det sammen med samtalen og kildematerialet.
Function Calling understøtter en opgave, hvor applikationen leverer et spørgsmål og definitioner af de tilgængelige værktøjer. Modellen returnerer en valgt funktion og dens argumenter; applikationen udfører funktionen, føjer værktøjsresultatet til samtalen og beder modellen fortsætte. Til en kodeassistent skal du definere værktøjet til læsning af kodebasen eller validering præcist og bede om den færdige ændring sammen med resultatet, der understøtter den. At beskrive et værktøj er forskelligt fra at udføre det: den omgivende applikation stiller adgangen til rådighed og udfører handlingen.
Junisnapshottet angiver også Structured Outputs, Web Search, Prefix Completion og Context Caching. De understøtter definerede outputposter, søgeunderstøttet arbejde, fortsættelse fra en angivet begyndelse og genbrug af et fælles inputpræfiks i producentens arbejdsgang. Ved tilbagevendende analyser skal det stabile dokument eller opgaveinstruktionerne placeres i begyndelsen, og det skiftende spørgsmål efter dem. Genbrug af cache afhænger af betingelserne i denne arbejdsgang; modellens understøttelse af caching dokumenterer ikke et cachehit for en bestemt anmodning. Batchinferens og finjustering er markeret som ikke understøttet for denne udgave.
Den præcise junitabel angiver et kontekstvindue på 1,000,000 tokens. Maksimalt input er 991,808 tokens i den almindelige profil og 983,616 tokens i tænkningstilstand; maksimalt output er 131,072 tokens i begge profiler. Der er tale om særskilte grænser for kontekst, input og output. Omfattende kildemateriale, samtalehistorik og visuelt indhold skal stadig passe inden for den gældende inputgrænse, og outputloftet betyder ikke, at et svar skal bruge så meget plads.
Til en praktisk grænsefladeopgave skal du levere skærmbilledet, relevante kildekodeudsnit, den ønskede adfærd og en udtrykkelig leverance. Et illustrativt oplæg er: »Brug denne skærm og den vedhæftede komponenttekst til at forklare, hvorfor formularens etiketter ikke passer til arbejdsgangen. Foreslå en afgrænset kodeændring, og angiv de synlige elementer, der begrunder den.« Til en dokument- eller produktivitetsopgave skal du angive kildeafsnittene, den ønskede slutpost og kriterierne for, hvad der skal medtages. Nummerér separate billeder, og beskriv deres indbyrdes forhold, så tekstresultatet kan henvise til dokumentationen.
Ved videoanalyse skal du identificere den hændelse eller sekvens, du har brug for, bede om en kort beskrivelse og bevare tidsstempler i det forberedte input, når resultatet skal udpege et bestemt tidspunkt. I Alibabas filarbejdsgang kan et billede via URL være på op til 20 MB; en video via URL kan være på op til 2 GB og vare fra 2 sekunder til 2 timer. Base64-video skal være mindre end 10 MB efter kodning. Hold filgrænser adskilt fra tokenbudgettet. Hvis lyd er afgørende, skal du levere en transskription som tekst; dette snapshots inputtabel angiver ikke lyd. I en længere agentopgave skal du angive det endelige artefakt, de tilladte værktøjer og hvilket resultat der tæller som fuldførelse. Denne forberedelse retter modellen mod en tekstleverance, der kan gennemgås, frem for en uafgrænset række af foreløbige forslag.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K tokens Output · Outputtokens $0.0106 / 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": "qwen3.7-max-2026-06-08", "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='qwen3.7-max-2026-06-08',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='qwen3.7-max-2026-06-08',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 qwen3.7-max-2026-06-08
Brug metodestierne vist ovenfor.
qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 kombinerer forståelse af tekst, billeder og video med en tekstbaseret arbejdsgang rettet mod agenter. Dette navngivne snapshot føjer visuel forståelse til majudgaven, understøtter hybrid tænkning og værktøjer og har en kontekst på en million tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.7-Max 2026-06-08 er Alibabas navngivne snapshot fra 8. juni af Max-modellen i Qwen3.7-familien. Den afgørende ændring i denne udgave er visuel forståelse, som er føjet til snapshottet fra 20. maj og understøtter interaktion med udgangspunkt i virkelige scener. Den accepterer tekst, billeder og video og genererer tekst. Familiens agentorienterede formål omfatter programmering, kontor- og produktivitetsopgaver samt længerevarende opgaver, der kombinerer instruktioner med værktøjsresultater.
Udgaven har betydning for visuelle opgaver. Det udaterede navn Qwen3.7-Max er dokumenteret som svarende til det tekstbaserede snapshot fra 20. maj, mens den præcise modeltabel for juni omfatter billed- og videoinput. For denne model kan et skærmbillede ledsage en kodeopgave, eller en video kan levere den scene, som en skriftlig instruktion beder agenten analysere. Outputtet er en forklaring, kode, en struktureret post eller en instruktion til et værktøjskald frem for genererede billeder, video eller tale.
Alibabas vejledning om tænkning angiver udtrykkeligt dette junisnapshot som hybridt: tænkning er som standard aktiveret i producentens arbejdsgang og kan deaktiveres for at få et direkte svar. Tænkningstilstanden producerer ræsonnement før svaret og kræver yderligere tid til ræsonnering. Vejledningen adskiller ræsonnementets indhold fra det endelige svar og understøtter bevarelse af tidligere, medsendt ræsonnement mellem samtaleture for netop denne model. Bevaret ræsonnement bliver en del af næste input, så en fortsat opgave skal afsætte plads til det sammen med samtalen og kildematerialet.
Function Calling understøtter en opgave, hvor applikationen leverer et spørgsmål og definitioner af de tilgængelige værktøjer. Modellen returnerer en valgt funktion og dens argumenter; applikationen udfører funktionen, føjer værktøjsresultatet til samtalen og beder modellen fortsætte. Til en kodeassistent skal du definere værktøjet til læsning af kodebasen eller validering præcist og bede om den færdige ændring sammen med resultatet, der understøtter den. At beskrive et værktøj er forskelligt fra at udføre det: den omgivende applikation stiller adgangen til rådighed og udfører handlingen.
Junisnapshottet angiver også Structured Outputs, Web Search, Prefix Completion og Context Caching. De understøtter definerede outputposter, søgeunderstøttet arbejde, fortsættelse fra en angivet begyndelse og genbrug af et fælles inputpræfiks i producentens arbejdsgang. Ved tilbagevendende analyser skal det stabile dokument eller opgaveinstruktionerne placeres i begyndelsen, og det skiftende spørgsmål efter dem. Genbrug af cache afhænger af betingelserne i denne arbejdsgang; modellens understøttelse af caching dokumenterer ikke et cachehit for en bestemt anmodning. Batchinferens og finjustering er markeret som ikke understøttet for denne udgave.
Den præcise junitabel angiver et kontekstvindue på 1,000,000 tokens. Maksimalt input er 991,808 tokens i den almindelige profil og 983,616 tokens i tænkningstilstand; maksimalt output er 131,072 tokens i begge profiler. Der er tale om særskilte grænser for kontekst, input og output. Omfattende kildemateriale, samtalehistorik og visuelt indhold skal stadig passe inden for den gældende inputgrænse, og outputloftet betyder ikke, at et svar skal bruge så meget plads.
Til en praktisk grænsefladeopgave skal du levere skærmbilledet, relevante kildekodeudsnit, den ønskede adfærd og en udtrykkelig leverance. Et illustrativt oplæg er: »Brug denne skærm og den vedhæftede komponenttekst til at forklare, hvorfor formularens etiketter ikke passer til arbejdsgangen. Foreslå en afgrænset kodeændring, og angiv de synlige elementer, der begrunder den.« Til en dokument- eller produktivitetsopgave skal du angive kildeafsnittene, den ønskede slutpost og kriterierne for, hvad der skal medtages. Nummerér separate billeder, og beskriv deres indbyrdes forhold, så tekstresultatet kan henvise til dokumentationen.
Ved videoanalyse skal du identificere den hændelse eller sekvens, du har brug for, bede om en kort beskrivelse og bevare tidsstempler i det forberedte input, når resultatet skal udpege et bestemt tidspunkt. I Alibabas filarbejdsgang kan et billede via URL være på op til 20 MB; en video via URL kan være på op til 2 GB og vare fra 2 sekunder til 2 timer. Base64-video skal være mindre end 10 MB efter kodning. Hold filgrænser adskilt fra tokenbudgettet. Hvis lyd er afgørende, skal du levere en transskription som tekst; dette snapshots inputtabel angiver ikke lyd. I en længere agentopgave skal du angive det endelige artefakt, de tilladte værktøjer og hvilket resultat der tæller som fuldførelse. Denne forberedelse retter modellen mod en tekstleverance, der kan gennemgås, frem for en uafgrænset række af foreløbige forslag.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K tokens Output · Outputtokens $0.0106 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen3.7-max-2026-06-08",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3.7-max-2026-06-08', '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': 'qwen3.7-max-2026-06-08', '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 qwen3.7-max-2026-06-08
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.