Die Veröffentlichung von Qwen3.7 Flash
Qwen3.7 Flash ist eine native Vision-Language-Modellfamilie für das Verstehen von Text, Bildern und Video mit Textantworten. Die Veröffentlichung des Herstellers beschreibt gegenüber Qwen3.6 Flash verbesserte multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, das Verstehen visueller Szenen, Schlussfolgern über räumliche Beziehungen sowie das Erstellen von Code oder Erklärungen aus visuellem Material.
Die offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch die datierte Ausgabe qwen3.7-flash-2026-07-15. Halten Sie beim Aufzeichnen eines Ergebnisses den genauen Modellnamen fest: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameterzahl für einen offenen Checkpoint noch dessen numerisches Darstellungsformat.
Objekterkennung, Wahrnehmung der realen Welt und Raum
Geben Sie ein Szenenbild mit einer konkreten Frage an: Welches Objekt ist relevant, welche Beziehung soll untersucht werden und welche sichtbaren Details sollen die Antwort stützen? Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie die zu ihrer Interpretation nötigen Definitionen. Eine nützliche Ausgabe trennt Beobachtungen von erschlossenen Beziehungen und erleichtert so den Abgleich der Erklärung mit der Quelle.
Kennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen gegliederten Vergleich. Benennen Sie bei Video das relevante Ereignis und erhalten Sie Reihenfolge- oder Zeitinformationen. Prüfen Sie genaue Anzahlen, räumliche Messwerte und Beobachtungen zu einzelnen Bildern anhand des gelieferten Materials.
Multimodale Agenten
Die Veröffentlichung hebt Szenarien mit Search Agent und Code-Interpreter-Agenten sowie eine stabilere mehrstufige Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Werkzeuge bereit, führt deren Aktionen aus und liefert deren Beobachtungen zurück. Das Modell kann mit diesen Ergebnissen seinen Plan aktualisieren. Beschreiben Sie Ziel und Abschlussbedingung und verlangen Sie ein Endartefakt sowie alle noch offenen Belege. Der Hersteller nennt Function Calling, strukturierte Ausgaben, Prefix Completion und Kontext-Caching. Websuche wird in Peking und Singapur unterstützt und in den übrigen aufgeführten Regionen nicht unterstützt. Batch-Inferenz wird für den Peking-Alias unterstützt und andernorts nicht; Fine-Tuning wird nicht unterstützt.
Die Agentenspezialisierung eines Modells darf nicht mit integriertem Zugriff auf aktuelle Quellen oder einer Ausführungsumgebung in jeder Oberfläche verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das Ergebnis eines tatsächlichen Werkzeugs von einer im Modelltext vorgeschlagenen Aktion. Diese Beschreibung belegt nicht, welche Werkzeuge eine andere Anwendung anbietet.
Visuell gestützte Programmierung
Qwen beschreibt verbesserte Programmierung auf Grundlage visuellen Materials. Eine nützliche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen verbinden und bearbeitbaren Code verlangen. Geben Sie in der Aufgabe das Framework oder Ausgabeformat, Interaktionszustände und Einschränkungen an. Verlangen Sie das erzeugte Artefakt getrennt von der Erklärung, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.
Benennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellcodekontext, statt eine davon unabhängige Neugestaltung zu verlangen. Das Modell kann eine visuelle Anforderung mit einem Codevorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder korrekt funktioniert. Diese Aufgabenbeispiele wenden den vom Hersteller beschriebenen Bereich visueller Programmierung an, ohne eine Ausführungsgarantie hinzuzufügen.
Denkmodus und direkte Antworten
Der Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Familie mit hybridem Denkmodus auf, der standardmässig aktiviert ist. Im dokumentierten hybriden Ablauf lässt sich der Denkmodus für eine direkte Antwort deaktivieren. Trennen Sie die Denkausgabe von der endgültigen Antwort, wenn eine Oberfläche beides bereitstellt. Optionen eines separat benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Qwen-Namens übernommen werden.
Verwenden Sie eine tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Geben Sie eine überprüfbare Endstruktur vor, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.
Grenzen und Eingabevorbereitung
Alibabas eigene Seite zu Qwen3.7-Flash nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 131,072 in beiden Modi. Separat wird eine maximale Chain-of-Thought-Länge von 262,144 Token aufgeführt. 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 gelieferten Belege. Die nützliche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung des hybriden Antwortmodus.
", "aboutText": "Die Veröffentlichung von Qwen3.7 Flash\n\nQwen3.7 Flash ist eine native Vision-Language-Modellfamilie für das Verstehen von Text, Bildern und Video mit Textantworten. Die Veröffentlichung des Herstellers beschreibt gegenüber Qwen3.6 Flash verbesserte multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, das Verstehen visueller Szenen, Schlussfolgern über räumliche Beziehungen sowie das Erstellen von Code oder Erklärungen aus visuellem Material.\n\nDie offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch die datierte Ausgabe qwen3.7-flash-2026-07-15. Halten Sie beim Aufzeichnen eines Ergebnisses den genauen Modellnamen fest: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameterzahl für einen offenen Checkpoint noch dessen numerisches Darstellungsformat.\n\nObjekterkennung, Wahrnehmung der realen Welt und Raum\n\nGeben Sie ein Szenenbild mit einer konkreten Frage an: Welches Objekt ist relevant, welche Beziehung soll untersucht werden und welche sichtbaren Details sollen die Antwort stützen? Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie die zu ihrer Interpretation nötigen Definitionen. Eine nützliche Ausgabe trennt Beobachtungen von erschlossenen Beziehungen und erleichtert so den Abgleich der Erklärung mit der Quelle.\n\nKennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen gegliederten Vergleich. Benennen Sie bei Video das relevante Ereignis und erhalten Sie Reihenfolge- oder Zeitinformationen. Prüfen Sie genaue Anzahlen, räumliche Messwerte und Beobachtungen zu einzelnen Bildern anhand des gelieferten Materials.\n\nMultimodale Agenten\n\nDie Veröffentlichung hebt Szenarien mit Search Agent und Code-Interpreter-Agenten sowie eine stabilere mehrstufige Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Werkzeuge bereit, führt deren Aktionen aus und liefert deren Beobachtungen zurück. Das Modell kann mit diesen Ergebnissen seinen Plan aktualisieren. Beschreiben Sie Ziel und Abschlussbedingung und verlangen Sie ein Endartefakt sowie alle noch offenen Belege. Der Hersteller nennt Function Calling, strukturierte Ausgaben, Prefix Completion und Kontext-Caching. Websuche wird in Peking und Singapur unterstützt und in den übrigen aufgeführten Regionen nicht unterstützt. Batch-Inferenz wird für den Peking-Alias unterstützt und andernorts nicht; Fine-Tuning wird nicht unterstützt.\n\nDie Agentenspezialisierung eines Modells darf nicht mit integriertem Zugriff auf aktuelle Quellen oder einer Ausführungsumgebung in jeder Oberfläche verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das Ergebnis eines tatsächlichen Werkzeugs von einer im Modelltext vorgeschlagenen Aktion. Diese Beschreibung belegt nicht, welche Werkzeuge eine andere Anwendung anbietet.\n\nVisuell gestützte Programmierung\n\nQwen beschreibt verbesserte Programmierung auf Grundlage visuellen Materials. Eine nützliche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen verbinden und bearbeitbaren Code verlangen. Geben Sie in der Aufgabe das Framework oder Ausgabeformat, Interaktionszustände und Einschränkungen an. Verlangen Sie das erzeugte Artefakt getrennt von der Erklärung, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.\n\nBenennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellcodekontext, statt eine davon unabhängige Neugestaltung zu verlangen. Das Modell kann eine visuelle Anforderung mit einem Codevorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder korrekt funktioniert. Diese Aufgabenbeispiele wenden den vom Hersteller beschriebenen Bereich visueller Programmierung an, ohne eine Ausführungsgarantie hinzuzufügen.\n\nDenkmodus und direkte Antworten\n\nDer Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Familie mit hybridem Denkmodus auf, der standardmässig aktiviert ist. Im dokumentierten hybriden Ablauf lässt sich der Denkmodus für eine direkte Antwort deaktivieren. Trennen Sie die Denkausgabe von der endgültigen Antwort, wenn eine Oberfläche beides bereitstellt. Optionen eines separat benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Qwen-Namens übernommen werden.\n\nVerwenden Sie eine tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Geben Sie eine überprüfbare Endstruktur vor, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.\n\nGrenzen und Eingabevorbereitung\n\nAlibabas eigene Seite zu Qwen3.7-Flash nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 131,072 in beiden Modi. Separat wird eine maximale Chain-of-Thought-Länge von 262,144 Token aufgeführt. 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 gelieferten Belege. Die nützliche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung des 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 verbesserte Objekterkennung, räumliches Verständnis, multimodale Agentenarbeit und visuell gestützte Programmierung hervor, mit standardmässig aktiviertem Denkmodus und einem optionalen Modus für direkte Antworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Veröffentlichung von Qwen3.7 Flash
Qwen3.7 Flash ist eine native Vision-Language-Modellfamilie für das Verstehen von Text, Bildern und Video mit Textantworten. Die Veröffentlichung des Herstellers beschreibt gegenüber Qwen3.6 Flash verbesserte multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, das Verstehen visueller Szenen, Schlussfolgern über räumliche Beziehungen sowie das Erstellen von Code oder Erklärungen aus visuellem Material.
Die offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch die datierte Ausgabe qwen3.7-flash-2026-07-15. Halten Sie beim Aufzeichnen eines Ergebnisses den genauen Modellnamen fest: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameterzahl für einen offenen Checkpoint noch dessen numerisches Darstellungsformat.
Objekterkennung, Wahrnehmung der realen Welt und Raum
Geben Sie ein Szenenbild mit einer konkreten Frage an: Welches Objekt ist relevant, welche Beziehung soll untersucht werden und welche sichtbaren Details sollen die Antwort stützen? Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie die zu ihrer Interpretation nötigen Definitionen. Eine nützliche Ausgabe trennt Beobachtungen von erschlossenen Beziehungen und erleichtert so den Abgleich der Erklärung mit der Quelle.
Kennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen gegliederten Vergleich. Benennen Sie bei Video das relevante Ereignis und erhalten Sie Reihenfolge- oder Zeitinformationen. Prüfen Sie genaue Anzahlen, räumliche Messwerte und Beobachtungen zu einzelnen Bildern anhand des gelieferten Materials.
Multimodale Agenten
Die Veröffentlichung hebt Szenarien mit Search Agent und Code-Interpreter-Agenten sowie eine stabilere mehrstufige Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Werkzeuge bereit, führt deren Aktionen aus und liefert deren Beobachtungen zurück. Das Modell kann mit diesen Ergebnissen seinen Plan aktualisieren. Beschreiben Sie Ziel und Abschlussbedingung und verlangen Sie ein Endartefakt sowie alle noch offenen Belege. Der Hersteller nennt Function Calling, strukturierte Ausgaben, Prefix Completion und Kontext-Caching. Websuche wird in Peking und Singapur unterstützt und in den übrigen aufgeführten Regionen nicht unterstützt. Batch-Inferenz wird für den Peking-Alias unterstützt und andernorts nicht; Fine-Tuning wird nicht unterstützt.
Die Agentenspezialisierung eines Modells darf nicht mit integriertem Zugriff auf aktuelle Quellen oder einer Ausführungsumgebung in jeder Oberfläche verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das Ergebnis eines tatsächlichen Werkzeugs von einer im Modelltext vorgeschlagenen Aktion. Diese Beschreibung belegt nicht, welche Werkzeuge eine andere Anwendung anbietet.
Visuell gestützte Programmierung
Qwen beschreibt verbesserte Programmierung auf Grundlage visuellen Materials. Eine nützliche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen verbinden und bearbeitbaren Code verlangen. Geben Sie in der Aufgabe das Framework oder Ausgabeformat, Interaktionszustände und Einschränkungen an. Verlangen Sie das erzeugte Artefakt getrennt von der Erklärung, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.
Benennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellcodekontext, statt eine davon unabhängige Neugestaltung zu verlangen. Das Modell kann eine visuelle Anforderung mit einem Codevorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder korrekt funktioniert. Diese Aufgabenbeispiele wenden den vom Hersteller beschriebenen Bereich visueller Programmierung an, ohne eine Ausführungsgarantie hinzuzufügen.
Denkmodus und direkte Antworten
Der Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Familie mit hybridem Denkmodus auf, der standardmässig aktiviert ist. Im dokumentierten hybriden Ablauf lässt sich der Denkmodus für eine direkte Antwort deaktivieren. Trennen Sie die Denkausgabe von der endgültigen Antwort, wenn eine Oberfläche beides bereitstellt. Optionen eines separat benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Qwen-Namens übernommen werden.
Verwenden Sie eine tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Geben Sie eine überprüfbare Endstruktur vor, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.
Grenzen und Eingabevorbereitung
Alibabas eigene Seite zu Qwen3.7-Flash nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 131,072 in beiden Modi. Separat wird eine maximale Chain-of-Thought-Länge von 262,144 Token aufgeführt. 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 gelieferten Belege. Die nützliche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung des 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 · Cache schreiben $0.000076 / 1K Tokens Eingabe · 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 · Cache schreiben $0.000076 / 1K Tokens Eingabe · 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 · Cache schreiben $0.00025 / 1K Tokens Eingabe · 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 · Cache schreiben $0.0005 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 verbesserte Objekterkennung, räumliches Verständnis, multimodale Agentenarbeit und visuell gestützte Programmierung hervor, mit standardmässig aktiviertem Denkmodus und einem optionalen Modus für direkte Antworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Veröffentlichung von Qwen3.7 Flash
Qwen3.7 Flash ist eine native Vision-Language-Modellfamilie für das Verstehen von Text, Bildern und Video mit Textantworten. Die Veröffentlichung des Herstellers beschreibt gegenüber Qwen3.6 Flash verbesserte multimodale Wahrnehmung und Agentenausführung. Ihr praktischer Aufgabenbereich umfasst Objekterkennung, das Verstehen visueller Szenen, Schlussfolgern über räumliche Beziehungen sowie das Erstellen von Code oder Erklärungen aus visuellem Material.
Die offizielle Veröffentlichung nennt sowohl qwen3.7-flash als auch die datierte Ausgabe qwen3.7-flash-2026-07-15. Halten Sie beim Aufzeichnen eines Ergebnisses den genauen Modellnamen fest: Der undatierte Flash-Name bezeichnet keinen festen Hersteller-Snapshot. Die hier verwendete Veröffentlichungsbeschreibung belegt weder eine Parameterzahl für einen offenen Checkpoint noch dessen numerisches Darstellungsformat.
Objekterkennung, Wahrnehmung der realen Welt und Raum
Geben Sie ein Szenenbild mit einer konkreten Frage an: Welches Objekt ist relevant, welche Beziehung soll untersucht werden und welche sichtbaren Details sollen die Antwort stützen? Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie die zu ihrer Interpretation nötigen Definitionen. Eine nützliche Ausgabe trennt Beobachtungen von erschlossenen Beziehungen und erleichtert so den Abgleich der Erklärung mit der Quelle.
Kennzeichnen Sie bei mehreren Bildern jede Eingabe und verlangen Sie einen nach diesen Kennzeichnungen gegliederten Vergleich. Benennen Sie bei Video das relevante Ereignis und erhalten Sie Reihenfolge- oder Zeitinformationen. Prüfen Sie genaue Anzahlen, räumliche Messwerte und Beobachtungen zu einzelnen Bildern anhand des gelieferten Materials.
Multimodale Agenten
Die Veröffentlichung hebt Szenarien mit Search Agent und Code-Interpreter-Agenten sowie eine stabilere mehrstufige Ausführung hervor. In einem solchen Ablauf stellt die Anwendung die erlaubten Werkzeuge bereit, führt deren Aktionen aus und liefert deren Beobachtungen zurück. Das Modell kann mit diesen Ergebnissen seinen Plan aktualisieren. Beschreiben Sie Ziel und Abschlussbedingung und verlangen Sie ein Endartefakt sowie alle noch offenen Belege. Der Hersteller nennt Function Calling, strukturierte Ausgaben, Prefix Completion und Kontext-Caching. Websuche wird in Peking und Singapur unterstützt und in den übrigen aufgeführten Regionen nicht unterstützt. Batch-Inferenz wird für den Peking-Alias unterstützt und andernorts nicht; Fine-Tuning wird nicht unterstützt.
Die Agentenspezialisierung eines Modells darf nicht mit integriertem Zugriff auf aktuelle Quellen oder einer Ausführungsumgebung in jeder Oberfläche verwechselt werden. Wenn eine Aufgabe Abruf oder Codeausführung erfordert, unterscheiden Sie das Ergebnis eines tatsächlichen Werkzeugs von einer im Modelltext vorgeschlagenen Aktion. Diese Beschreibung belegt nicht, welche Werkzeuge eine andere Anwendung anbietet.
Visuell gestützte Programmierung
Qwen beschreibt verbesserte Programmierung auf Grundlage visuellen Materials. Eine nützliche Anfrage kann einen Screenshot oder ein Layout mit funktionalen Anforderungen verbinden und bearbeitbaren Code verlangen. Geben Sie in der Aufgabe das Framework oder Ausgabeformat, Interaktionszustände und Einschränkungen an. Verlangen Sie das erzeugte Artefakt getrennt von der Erklärung, damit es im Entwicklungsablauf geprüft oder gerendert werden kann.
Benennen Sie bei einer bestehenden Oberfläche die beabsichtigte Änderung und den relevanten Quellcodekontext, statt eine davon unabhängige Neugestaltung zu verlangen. Das Modell kann eine visuelle Anforderung mit einem Codevorschlag verbinden; dieser Vorschlag belegt nicht, dass die Oberfläche gerendert wurde oder korrekt funktioniert. Diese Aufgabenbeispiele wenden den vom Hersteller beschriebenen Bereich visueller Programmierung an, ohne eine Ausführungsgarantie hinzuzufügen.
Denkmodus und direkte Antworten
Der Leitfaden des Herstellers zu unterstützten Modellen führt Qwen3.7 Flash als Familie mit hybridem Denkmodus auf, der standardmässig aktiviert ist. Im dokumentierten hybriden Ablauf lässt sich der Denkmodus für eine direkte Antwort deaktivieren. Trennen Sie die Denkausgabe von der endgültigen Antwort, wenn eine Oberfläche beides bereitstellt. Optionen eines separat benannten Qwen-Omni-Modells oder eines offenen dichten Modells dürfen nicht allein wegen des gemeinsamen Qwen-Namens übernommen werden.
Verwenden Sie eine tiefere Analyse für eine visuelle Frage, die mehrere Beobachtungen verbindet; verlangen Sie für eine einfache Beschreibung ein direktes Ergebnis. Geben Sie eine überprüfbare Endstruktur vor, etwa eine Beobachtungstabelle, eine knappe Schlussfolgerung oder Codedateien, statt die Antwortlänge als Qualitätssignal zu verwenden.
Grenzen und Eingabevorbereitung
Alibabas eigene Seite zu Qwen3.7-Flash nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 131,072 in beiden Modi. Separat wird eine maximale Chain-of-Thought-Länge von 262,144 Token aufgeführt. 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 gelieferten Belege. Die nützliche Beschreibung ist der konkrete Wahrnehmungs-, Agenten- und visuelle Programmierbereich des Herstellers unter Beibehaltung des 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 · Cache schreiben $0.000076 / 1K Tokens Eingabe · 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 · Cache schreiben $0.000076 / 1K Tokens Eingabe · 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 · Cache schreiben $0.00025 / 1K Tokens Eingabe · 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 · Cache schreiben $0.0005 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.