Die Qwen3.7-Flash-Veröffentlichung
Qwen3.7 Flash ist eine native Vision-Language-Modellfamilie für Text-, Bild- und Videoverständnis mit Textantworten. Die Herstellerveröffentlichung beschreibt gegenüber Qwen3.6 Flash eine stärkere multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, Verständnis visueller Szenen, Schlussfolgerungen zu räumlichen Beziehungen und die Erstellung von Code oder Erklärungen aus visuellem Material.
Die offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch das datierte qwen3.7-flash-2026-07-15. Bewahren Sie bei der Aufzeichnung eines Ergebnisses den genauen Modellnamen: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameteranzahl eines offenen Checkpoints noch eine numerische Repräsentation.
Objekterkennung, Wahrnehmung der realen Welt und Raum
Stellen Sie ein Szenenbild mit einer konkreten Frage bereit: welches Objekt wichtig ist, welche Beziehung untersucht werden soll und welche sichtbaren Details die Antwort stützen sollen. Bewahren Sie bei einem Diagramm Beschriftungen und stellen Sie die zu deren Interpretation nötigen Definitionen bereit. Eine hilfreiche Ausgabe trennt Beobachtungen von abgeleiteten Beziehungen und erleichtert damit den Vergleich der Erklärung mit der Quelle.
Kennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen geordneten Vergleich. Benennen Sie bei Video das relevante Ereignis und bewahren Sie Abfolge oder Zeitinformationen. Prüfen Sie exakte Anzahlen, räumliche Messungen und Beobachtungen auf Frame-Ebene anhand des bereitgestellten Materials.
Multimodale Agenten
Die Veröffentlichung hebt Search-Agent- und Code-Interpreter-Agent-Szenarien mit stabilerer mehrstufiger Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Tools bereit, führt deren Aktionen aus und gibt deren Beobachtungen zurück. Das Modell kann diese Ergebnisse zur Aktualisierung seines Plans nutzen. Beschreiben Sie Ziel und Abschlussbedingung und fordern Sie ein endgültiges Artefakt plus etwaige offene Belege an. Der Hersteller nennt Function Calling, Structured Outputs, Prefix Completion und Context Caching. Websuche wird in Beijing und Singapore unterstützt und in den anderen angeführten regionalen Bereichen nicht unterstützt. Batch-Inferenz wird für den Beijing-Alias unterstützt und anderswo nicht; Fine-Tuning wird nicht unterstützt.
Die Agentenspezialisierung eines Modells darf nicht mit eingebautem Zugriff auf aktuelle Quellen oder eine Ausführungsumgebung in jeder Schnittstelle verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das von einem tatsächlichen Tool zurückgegebene Ergebnis von einer vorgeschlagenen Aktion im Modelltext. Diese Beschreibung belegt nicht, welche Tools eine andere Anwendung anbietet.
Visuelle Codeerstellung
Qwen beschreibt verbesserte Programmierung anhand visuellen Materials. Eine hilfreiche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen kombinieren und bearbeitbaren Code verlangen. Legen Sie in der Aufgabe Framework oder Ausgabeform, Interaktionszustände und Vorgaben fest. Fordern Sie das generierte Artefakt getrennt von der Erklärung an, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.
Benennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellkontext, statt eine sachfremde Neugestaltung anzufordern. Das Modell kann eine visuelle Anforderung mit einem Programmierungsvorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder sich korrekt verhält. Diese Aufgabenbeispiele wenden den visuellen Programmierbereich des Herstellers an, ohne eine Ausführungsgarantie hinzuzufügen.
Thinking und direkte Antworten
Der Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Hybrid-Thinking-Familie mit standardmäßig aktiviertem Thinking an. Der dokumentierte hybride Ablauf kann Thinking für eine direkte Antwort deaktivieren. Halten Sie die Denkausgabe von der endgültigen Antwort getrennt, wenn eine Schnittstelle beide bereitstellt. Optionen eines gesondert benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Namens Qwen übernommen werden.
Nutzen Sie tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Legen Sie eine überprüfbare abschließende Struktur fest, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.
Grenzen und Eingabevorbereitung
Alibabas eigene Qwen3.7-Flash-Seite nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 131,072 in beiden Modi. Sie nennt gesondert eine maximale Chain-of-Thought-Länge von 262,144 Tokens. Halten Sie relevante visuelle Details lesbar, kürzen Sie sachfremdes Material und reservieren Sie Platz für das erforderliche Ergebnis. Prüfen Sie Objektbeschriftungen, räumliche Schlussfolgerungen, extrahierten Text und Codevorschläge anhand der bereitgestellten Belege. Die hilfreiche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung seines hybriden Antwortmodus.
", "aboutText": "Die Qwen3.7-Flash-Veröffentlichung\n\nQwen3.7 Flash ist eine native Vision-Language-Modellfamilie für Text-, Bild- und Videoverständnis mit Textantworten. Die Herstellerveröffentlichung beschreibt gegenüber Qwen3.6 Flash eine stärkere multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, Verständnis visueller Szenen, Schlussfolgerungen zu räumlichen Beziehungen und die Erstellung von Code oder Erklärungen aus visuellem Material.\n\nDie offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch das datierte qwen3.7-flash-2026-07-15. Bewahren Sie bei der Aufzeichnung eines Ergebnisses den genauen Modellnamen: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameteranzahl eines offenen Checkpoints noch eine numerische Repräsentation.\n\nObjekterkennung, Wahrnehmung der realen Welt und Raum\n\nStellen Sie ein Szenenbild mit einer konkreten Frage bereit: welches Objekt wichtig ist, welche Beziehung untersucht werden soll und welche sichtbaren Details die Antwort stützen sollen. Bewahren Sie bei einem Diagramm Beschriftungen und stellen Sie die zu deren Interpretation nötigen Definitionen bereit. Eine hilfreiche Ausgabe trennt Beobachtungen von abgeleiteten Beziehungen und erleichtert damit den Vergleich der Erklärung mit der Quelle.\n\nKennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen geordneten Vergleich. Benennen Sie bei Video das relevante Ereignis und bewahren Sie Abfolge oder Zeitinformationen. Prüfen Sie exakte Anzahlen, räumliche Messungen und Beobachtungen auf Frame-Ebene anhand des bereitgestellten Materials.\n\nMultimodale Agenten\n\nDie Veröffentlichung hebt Search-Agent- und Code-Interpreter-Agent-Szenarien mit stabilerer mehrstufiger Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Tools bereit, führt deren Aktionen aus und gibt deren Beobachtungen zurück. Das Modell kann diese Ergebnisse zur Aktualisierung seines Plans nutzen. Beschreiben Sie Ziel und Abschlussbedingung und fordern Sie ein endgültiges Artefakt plus etwaige offene Belege an. Der Hersteller nennt Function Calling, Structured Outputs, Prefix Completion und Context Caching. Websuche wird in Beijing und Singapore unterstützt und in den anderen angeführten regionalen Bereichen nicht unterstützt. Batch-Inferenz wird für den Beijing-Alias unterstützt und anderswo nicht; Fine-Tuning wird nicht unterstützt.\n\nDie Agentenspezialisierung eines Modells darf nicht mit eingebautem Zugriff auf aktuelle Quellen oder eine Ausführungsumgebung in jeder Schnittstelle verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das von einem tatsächlichen Tool zurückgegebene Ergebnis von einer vorgeschlagenen Aktion im Modelltext. Diese Beschreibung belegt nicht, welche Tools eine andere Anwendung anbietet.\n\nVisuelle Codeerstellung\n\nQwen beschreibt verbesserte Programmierung anhand visuellen Materials. Eine hilfreiche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen kombinieren und bearbeitbaren Code verlangen. Legen Sie in der Aufgabe Framework oder Ausgabeform, Interaktionszustände und Vorgaben fest. Fordern Sie das generierte Artefakt getrennt von der Erklärung an, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.\n\nBenennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellkontext, statt eine sachfremde Neugestaltung anzufordern. Das Modell kann eine visuelle Anforderung mit einem Programmierungsvorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder sich korrekt verhält. Diese Aufgabenbeispiele wenden den visuellen Programmierbereich des Herstellers an, ohne eine Ausführungsgarantie hinzuzufügen.\n\nThinking und direkte Antworten\n\nDer Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Hybrid-Thinking-Familie mit standardmäßig aktiviertem Thinking an. Der dokumentierte hybride Ablauf kann Thinking für eine direkte Antwort deaktivieren. Halten Sie die Denkausgabe von der endgültigen Antwort getrennt, wenn eine Schnittstelle beide bereitstellt. Optionen eines gesondert benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Namens Qwen übernommen werden.\n\nNutzen Sie tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Legen Sie eine überprüfbare abschließende Struktur fest, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.\n\nGrenzen und Eingabevorbereitung\n\nAlibabas eigene Qwen3.7-Flash-Seite nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 131,072 in beiden Modi. Sie nennt gesondert eine maximale Chain-of-Thought-Länge von 262,144 Tokens. Halten Sie relevante visuelle Details lesbar, kürzen Sie sachfremdes Material und reservieren Sie Platz für das erforderliche Ergebnis. Prüfen Sie Objektbeschriftungen, räumliche Schlussfolgerungen, extrahierten Text und Codevorschläge anhand der bereitgestellten Belege. Die hilfreiche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung seines hybriden Antwortmodus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.qwen/qwen3.7-flashQwen3.7 Flash ist Qwens Vision-Language-Modellfamilie für Text, Bilder und Video mit Textausgabe. Der Hersteller hebt stärkere Objekterkennung, räumliches Verständnis, multimodale Agentenarbeit und visuelle Codeerstellung hervor, mit standardmäßig aktiviertem Thinking und optionalem Direktantwortmodus.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Qwen3.7-Flash-Veröffentlichung
Qwen3.7 Flash ist eine native Vision-Language-Modellfamilie für Text-, Bild- und Videoverständnis mit Textantworten. Die Herstellerveröffentlichung beschreibt gegenüber Qwen3.6 Flash eine stärkere multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, Verständnis visueller Szenen, Schlussfolgerungen zu räumlichen Beziehungen und die Erstellung von Code oder Erklärungen aus visuellem Material.
Die offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch das datierte qwen3.7-flash-2026-07-15. Bewahren Sie bei der Aufzeichnung eines Ergebnisses den genauen Modellnamen: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameteranzahl eines offenen Checkpoints noch eine numerische Repräsentation.
Objekterkennung, Wahrnehmung der realen Welt und Raum
Stellen Sie ein Szenenbild mit einer konkreten Frage bereit: welches Objekt wichtig ist, welche Beziehung untersucht werden soll und welche sichtbaren Details die Antwort stützen sollen. Bewahren Sie bei einem Diagramm Beschriftungen und stellen Sie die zu deren Interpretation nötigen Definitionen bereit. Eine hilfreiche Ausgabe trennt Beobachtungen von abgeleiteten Beziehungen und erleichtert damit den Vergleich der Erklärung mit der Quelle.
Kennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen geordneten Vergleich. Benennen Sie bei Video das relevante Ereignis und bewahren Sie Abfolge oder Zeitinformationen. Prüfen Sie exakte Anzahlen, räumliche Messungen und Beobachtungen auf Frame-Ebene anhand des bereitgestellten Materials.
Multimodale Agenten
Die Veröffentlichung hebt Search-Agent- und Code-Interpreter-Agent-Szenarien mit stabilerer mehrstufiger Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Tools bereit, führt deren Aktionen aus und gibt deren Beobachtungen zurück. Das Modell kann diese Ergebnisse zur Aktualisierung seines Plans nutzen. Beschreiben Sie Ziel und Abschlussbedingung und fordern Sie ein endgültiges Artefakt plus etwaige offene Belege an. Der Hersteller nennt Function Calling, Structured Outputs, Prefix Completion und Context Caching. Websuche wird in Beijing und Singapore unterstützt und in den anderen angeführten regionalen Bereichen nicht unterstützt. Batch-Inferenz wird für den Beijing-Alias unterstützt und anderswo nicht; Fine-Tuning wird nicht unterstützt.
Die Agentenspezialisierung eines Modells darf nicht mit eingebautem Zugriff auf aktuelle Quellen oder eine Ausführungsumgebung in jeder Schnittstelle verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das von einem tatsächlichen Tool zurückgegebene Ergebnis von einer vorgeschlagenen Aktion im Modelltext. Diese Beschreibung belegt nicht, welche Tools eine andere Anwendung anbietet.
Visuelle Codeerstellung
Qwen beschreibt verbesserte Programmierung anhand visuellen Materials. Eine hilfreiche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen kombinieren und bearbeitbaren Code verlangen. Legen Sie in der Aufgabe Framework oder Ausgabeform, Interaktionszustände und Vorgaben fest. Fordern Sie das generierte Artefakt getrennt von der Erklärung an, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.
Benennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellkontext, statt eine sachfremde Neugestaltung anzufordern. Das Modell kann eine visuelle Anforderung mit einem Programmierungsvorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder sich korrekt verhält. Diese Aufgabenbeispiele wenden den visuellen Programmierbereich des Herstellers an, ohne eine Ausführungsgarantie hinzuzufügen.
Thinking und direkte Antworten
Der Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Hybrid-Thinking-Familie mit standardmäßig aktiviertem Thinking an. Der dokumentierte hybride Ablauf kann Thinking für eine direkte Antwort deaktivieren. Halten Sie die Denkausgabe von der endgültigen Antwort getrennt, wenn eine Schnittstelle beide bereitstellt. Optionen eines gesondert benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Namens Qwen übernommen werden.
Nutzen Sie tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Legen Sie eine überprüfbare abschließende Struktur fest, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.
Grenzen und Eingabevorbereitung
Alibabas eigene Qwen3.7-Flash-Seite nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 131,072 in beiden Modi. Sie nennt gesondert eine maximale Chain-of-Thought-Länge von 262,144 Tokens. Halten Sie relevante visuelle Details lesbar, kürzen Sie sachfremdes Material und reservieren Sie Platz für das erforderliche Ergebnis. Prüfen Sie Objektbeschriftungen, räumliche Schlussfolgerungen, extrahierten Text und Codevorschläge anhand der bereitgestellten Belege. Die hilfreiche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung seines hybriden Antwortmodus.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.7-flash | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.00026 / 1K Tokens Eingabe · Cache lesen $0.000012 / 1K Tokens Eingabe · In Cache schreiben $0.000076 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich32 000 | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.00026 / 1K Tokens Eingabe · Cache lesen $0.000012 / 1K Tokens Eingabe · In Cache schreiben $0.000076 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als32 000 | Kontexttoken, bis einschließlich256 000 | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.00025 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 3 | Tarifstaffel— | Kontexttoken, mehr als256 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.7-flash", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.7-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.7-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.7-flash
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.7-flashQwen3.7 Flash ist Qwens Vision-Language-Modellfamilie für Text, Bilder und Video mit Textausgabe. Der Hersteller hebt stärkere Objekterkennung, räumliches Verständnis, multimodale Agentenarbeit und visuelle Codeerstellung hervor, mit standardmäßig aktiviertem Thinking und optionalem Direktantwortmodus.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Qwen3.7-Flash-Veröffentlichung
Qwen3.7 Flash ist eine native Vision-Language-Modellfamilie für Text-, Bild- und Videoverständnis mit Textantworten. Die Herstellerveröffentlichung beschreibt gegenüber Qwen3.6 Flash eine stärkere multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, Verständnis visueller Szenen, Schlussfolgerungen zu räumlichen Beziehungen und die Erstellung von Code oder Erklärungen aus visuellem Material.
Die offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch das datierte qwen3.7-flash-2026-07-15. Bewahren Sie bei der Aufzeichnung eines Ergebnisses den genauen Modellnamen: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameteranzahl eines offenen Checkpoints noch eine numerische Repräsentation.
Objekterkennung, Wahrnehmung der realen Welt und Raum
Stellen Sie ein Szenenbild mit einer konkreten Frage bereit: welches Objekt wichtig ist, welche Beziehung untersucht werden soll und welche sichtbaren Details die Antwort stützen sollen. Bewahren Sie bei einem Diagramm Beschriftungen und stellen Sie die zu deren Interpretation nötigen Definitionen bereit. Eine hilfreiche Ausgabe trennt Beobachtungen von abgeleiteten Beziehungen und erleichtert damit den Vergleich der Erklärung mit der Quelle.
Kennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen geordneten Vergleich. Benennen Sie bei Video das relevante Ereignis und bewahren Sie Abfolge oder Zeitinformationen. Prüfen Sie exakte Anzahlen, räumliche Messungen und Beobachtungen auf Frame-Ebene anhand des bereitgestellten Materials.
Multimodale Agenten
Die Veröffentlichung hebt Search-Agent- und Code-Interpreter-Agent-Szenarien mit stabilerer mehrstufiger Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Tools bereit, führt deren Aktionen aus und gibt deren Beobachtungen zurück. Das Modell kann diese Ergebnisse zur Aktualisierung seines Plans nutzen. Beschreiben Sie Ziel und Abschlussbedingung und fordern Sie ein endgültiges Artefakt plus etwaige offene Belege an. Der Hersteller nennt Function Calling, Structured Outputs, Prefix Completion und Context Caching. Websuche wird in Beijing und Singapore unterstützt und in den anderen angeführten regionalen Bereichen nicht unterstützt. Batch-Inferenz wird für den Beijing-Alias unterstützt und anderswo nicht; Fine-Tuning wird nicht unterstützt.
Die Agentenspezialisierung eines Modells darf nicht mit eingebautem Zugriff auf aktuelle Quellen oder eine Ausführungsumgebung in jeder Schnittstelle verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das von einem tatsächlichen Tool zurückgegebene Ergebnis von einer vorgeschlagenen Aktion im Modelltext. Diese Beschreibung belegt nicht, welche Tools eine andere Anwendung anbietet.
Visuelle Codeerstellung
Qwen beschreibt verbesserte Programmierung anhand visuellen Materials. Eine hilfreiche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen kombinieren und bearbeitbaren Code verlangen. Legen Sie in der Aufgabe Framework oder Ausgabeform, Interaktionszustände und Vorgaben fest. Fordern Sie das generierte Artefakt getrennt von der Erklärung an, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.
Benennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellkontext, statt eine sachfremde Neugestaltung anzufordern. Das Modell kann eine visuelle Anforderung mit einem Programmierungsvorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder sich korrekt verhält. Diese Aufgabenbeispiele wenden den visuellen Programmierbereich des Herstellers an, ohne eine Ausführungsgarantie hinzuzufügen.
Thinking und direkte Antworten
Der Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Hybrid-Thinking-Familie mit standardmäßig aktiviertem Thinking an. Der dokumentierte hybride Ablauf kann Thinking für eine direkte Antwort deaktivieren. Halten Sie die Denkausgabe von der endgültigen Antwort getrennt, wenn eine Schnittstelle beide bereitstellt. Optionen eines gesondert benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Namens Qwen übernommen werden.
Nutzen Sie tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Legen Sie eine überprüfbare abschließende Struktur fest, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.
Grenzen und Eingabevorbereitung
Alibabas eigene Qwen3.7-Flash-Seite nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 131,072 in beiden Modi. Sie nennt gesondert eine maximale Chain-of-Thought-Länge von 262,144 Tokens. Halten Sie relevante visuelle Details lesbar, kürzen Sie sachfremdes Material und reservieren Sie Platz für das erforderliche Ergebnis. Prüfen Sie Objektbeschriftungen, räumliche Schlussfolgerungen, extrahierten Text und Codevorschläge anhand der bereitgestellten Belege. Die hilfreiche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung seines hybriden Antwortmodus.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.7-flash | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.00026 / 1K Tokens Eingabe · Cache lesen $0.000012 / 1K Tokens Eingabe · In Cache schreiben $0.000076 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich32 000 | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.00026 / 1K Tokens Eingabe · Cache lesen $0.000012 / 1K Tokens Eingabe · In Cache schreiben $0.000076 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als32 000 | Kontexttoken, bis einschließlich256 000 | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.00025 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 3 | Tarifstaffel— | Kontexttoken, mehr als256 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.7-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.7-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.7-flash
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.