Qwen Turbo 2024-11-01 ist Alibabas feste Qwen-Turbo-Version aus der Qwen2.5-Generation. Sie nimmt schriftliche Anweisungen und Textkontext entgegen und erzeugt eine Textantwort. Nützliche Aufgaben sind Fragen zu bereitgestellten Dokumenten, Zusammenfassungen, die mehrere Quellen miteinander verbinden, Erklärungen einer Codebasis und die Extraktion in JSON. Halten Sie beim Vergleich von Ergebnissen verschiedener Editionen den datierten Modellnamen zusammen mit dem Prompt fest.
Qwens Einführung zu Qwen2.5-Turbo demonstriert das Lesen langer Erzählungen und mehrerer zusammengehöriger wissenschaftlicher Arbeiten. Welches Ergebnis nützlich ist, hängt von der Frage ab: Ein Überblick kann die Beziehung zwischen den Arbeiten erklären, während ein gezielter Vergleich ihre Ansätze und die unterstützenden Belege voneinander unterscheiden kann. Stellen Sie klar gekennzeichneten Text bereit und fragen Sie nach den Unterschieden, die für den Leser wichtig sind. Eine ursprüngliche Aufgabenbeschreibung könnte den Hauptvorschlag jedes Dokuments, die ihn stützende Passage und etwaige Widersprüche zwischen den Dokumenten anfordern. Bitten Sie um die Antwort in der Sprache, die die Zielgruppe benötigt, und halten Sie Zitate mit ihrer Quelle verbunden.
Der Hersteller demonstriert auch das Lesen eines Repositorys, das zu einer Textdatei zusammengestellt wurde: zunächst dessen Zweck erklären und dann Klassen und deren Dateipfade finden. Bereiten Sie Code so vor, dass Dateigrenzen, Namen und relevante umgebende Definitionen erhalten bleiben. Bitten Sie zunächst um eine Übersicht einer Komponente, bevor Sie eine genauere Erklärung der Beziehungen zwischen ihren Teilen anfordern. Die daraus entstehende Erklärung oder Liste von Fundstellen kann die Prüfung der Originaldateien unterstützen; gleichen Sie diese Fundstellen mit dem bereitgestellten Code ab.
Im dokumentierten Textablauf des Herstellers legt eine Systemnachricht die Rolle und die Aufgabenregeln fest, eine Nutzernachricht liefert die Frage und das Material, und das Modell antwortet als Assistent. Benennen Sie das gewünschte Arbeitsergebnis ausdrücklich: eine Zusammenfassung, eine Vergleichstabelle, eine knappe Erklärung oder extrahierte Felder. Unterscheiden Sie bei einer Dokumentaufgabe den zu lesenden Text von der Anweisung, die beschreibt, was damit zu tun ist. Geben Sie die Terminologie, die Ausgabesprache und Regeln für den Umgang mit Informationen an, die die Quelle nicht enthält.
Der Chat Completions-Ablauf des Herstellers ist zustandslos: Eine fortgesetzte Diskussion verwendet den zusammen mit der nächsten Frage bereitgestellten Gesprächsverlauf. Fügen Sie die vorangegangenen Nutzer- und Assistentennachrichten hinzu, wenn sich die Nachfrage darauf stützt. Ein erster Gesprächsschritt kann das Argument eines Dokuments herausarbeiten; ein zweiter kann fragen, welche Passage eine bestimmte Schlussfolgerung stützt. Halten Sie den erforderlichen Quellenkontext verfügbar, statt anzunehmen, dass eine frühere Antwort dem Modell ein dauerhaftes Gedächtnis verleiht. Behalten Sie bei einer wachsenden Diskussion die jüngsten Gesprächsschritte und die wichtigen Quellenfakten bei oder verwenden Sie eine geprüfte Zusammenfassung des früheren Materials. Das Entfernen oder Verdichten des Verlaufs kann Details entfernen, die für die nächste Antwort benötigt werden.
Alibaba führt qwen-turbo-2024-11-01 ausdrücklich als Modell mit JSON Object-Unterstützung auf. Im Ablauf des Herstellers wird das Antwortformat auf json_object gesetzt, und eine System- oder Nutzeranweisung muss das Wort JSON enthalten. Legen Sie Feldnamen und den Umgang mit fehlenden Informationen fest. Eine Extraktionsanweisung kann beispielsweise den Titel eines Dokuments, dessen benannten Autor und eine unterstützende Passage anfordern und dabei eine Konvention für einen nicht angegebenen Autor festlegen.
Der JSON Object-Modus zielt auf gültige JSON-Syntax ab; er erzwingt kein bestimmtes Schema, keine stabilen Feldnamen und keine Feldtypen. Prüfen Sie das zurückgegebene Objekt auf die von der Aufgabe benötigten Felder und Werte, bevor Sie es weiterverarbeiten. Ein vor der Fertigstellung abgeschnittenes Ergebnis kann ebenfalls ungültiges JSON sein. Bewahren Sie das vollständige Objekt und seinen Quelltext auf, damit sich ein Formatierungsproblem von einer falschen Extraktion unterscheiden lässt.
Qwens Einführung weist auf Instabilität bei anspruchsvollen Aufgaben mit langen Sequenzen hin. Eine grosse Menge bereitgestellten Textes garantiert weder, dass jedes Detail abgerufen wird, noch, dass jede Beziehung richtig interpretiert wird. Prüfen Sie wichtige Aussagen, Referenzen und Codefundstellen anhand des Originalmaterials, insbesondere wenn die Schlussfolgerung weit auseinanderliegende Passagen verbindet. Bewahren Sie die Quelle, den genauen Prompt und die ausgewählte Antwort als Arbeitsergebnis auf. Alibabas Versionszuordnung unterscheidet diese Version von Qwen-Turbo-2025-04-28; ein Vergleich der Editionen sollte daher beide Modellnamen und dieselbe Aufgabe beibehalten.
", "aboutText": "Qwen Turbo 2024-11-01 ist Alibabas feste Qwen-Turbo-Version aus der Qwen2.5-Generation. Sie nimmt schriftliche Anweisungen und Textkontext entgegen und erzeugt eine Textantwort. Nützliche Aufgaben sind Fragen zu bereitgestellten Dokumenten, Zusammenfassungen, die mehrere Quellen miteinander verbinden, Erklärungen einer Codebasis und die Extraktion in JSON. Halten Sie beim Vergleich von Ergebnissen verschiedener Editionen den datierten Modellnamen zusammen mit dem Prompt fest.\n\n### Zusammenhängendes Material mit einer konkreten Frage lesen\n\nQwens Einführung zu Qwen2.5-Turbo demonstriert das Lesen langer Erzählungen und mehrerer zusammengehöriger wissenschaftlicher Arbeiten. Welches Ergebnis nützlich ist, hängt von der Frage ab: Ein Überblick kann die Beziehung zwischen den Arbeiten erklären, während ein gezielter Vergleich ihre Ansätze und die unterstützenden Belege voneinander unterscheiden kann. Stellen Sie klar gekennzeichneten Text bereit und fragen Sie nach den Unterschieden, die für den Leser wichtig sind. Eine ursprüngliche Aufgabenbeschreibung könnte den Hauptvorschlag jedes Dokuments, die ihn stützende Passage und etwaige Widersprüche zwischen den Dokumenten anfordern. Bitten Sie um die Antwort in der Sprache, die die Zielgruppe benötigt, und halten Sie Zitate mit ihrer Quelle verbunden.\n\n### Ein Repository anhand seines Textes verstehen\n\nDer Hersteller demonstriert auch das Lesen eines Repositorys, das zu einer Textdatei zusammengestellt wurde: zunächst dessen Zweck erklären und dann Klassen und deren Dateipfade finden. Bereiten Sie Code so vor, dass Dateigrenzen, Namen und relevante umgebende Definitionen erhalten bleiben. Bitten Sie zunächst um eine Übersicht einer Komponente, bevor Sie eine genauere Erklärung der Beziehungen zwischen ihren Teilen anfordern. Die daraus entstehende Erklärung oder Liste von Fundstellen kann die Prüfung der Originaldateien unterstützen; gleichen Sie diese Fundstellen mit dem bereitgestellten Code ab.\n\n### Anweisungen und Material als Nachrichten bereitstellen\n\nIm dokumentierten Textablauf des Herstellers legt eine Systemnachricht die Rolle und die Aufgabenregeln fest, eine Nutzernachricht liefert die Frage und das Material, und das Modell antwortet als Assistent. Benennen Sie das gewünschte Arbeitsergebnis ausdrücklich: eine Zusammenfassung, eine Vergleichstabelle, eine knappe Erklärung oder extrahierte Felder. Unterscheiden Sie bei einer Dokumentaufgabe den zu lesenden Text von der Anweisung, die beschreibt, was damit zu tun ist. Geben Sie die Terminologie, die Ausgabesprache und Regeln für den Umgang mit Informationen an, die die Quelle nicht enthält.\n\n### Ein Gespräch mit dem relevanten Verlauf fortsetzen\n\nDer Chat Completions-Ablauf des Herstellers ist zustandslos: Eine fortgesetzte Diskussion verwendet den zusammen mit der nächsten Frage bereitgestellten Gesprächsverlauf. Fügen Sie die vorangegangenen Nutzer- und Assistentennachrichten hinzu, wenn sich die Nachfrage darauf stützt. Ein erster Gesprächsschritt kann das Argument eines Dokuments herausarbeiten; ein zweiter kann fragen, welche Passage eine bestimmte Schlussfolgerung stützt. Halten Sie den erforderlichen Quellenkontext verfügbar, statt anzunehmen, dass eine frühere Antwort dem Modell ein dauerhaftes Gedächtnis verleiht. Behalten Sie bei einer wachsenden Diskussion die jüngsten Gesprächsschritte und die wichtigen Quellenfakten bei oder verwenden Sie eine geprüfte Zusammenfassung des früheren Materials. Das Entfernen oder Verdichten des Verlaufs kann Details entfernen, die für die nächste Antwort benötigt werden.\n\n### Informationen mit dem JSON Object-Modus extrahieren\n\nAlibaba führt qwen-turbo-2024-11-01 ausdrücklich als Modell mit JSON Object-Unterstützung auf. Im Ablauf des Herstellers wird das Antwortformat auf json_object gesetzt, und eine System- oder Nutzeranweisung muss das Wort JSON enthalten. Legen Sie Feldnamen und den Umgang mit fehlenden Informationen fest. Eine Extraktionsanweisung kann beispielsweise den Titel eines Dokuments, dessen benannten Autor und eine unterstützende Passage anfordern und dabei eine Konvention für einen nicht angegebenen Autor festlegen.\n\nDer JSON Object-Modus zielt auf gültige JSON-Syntax ab; er erzwingt kein bestimmtes Schema, keine stabilen Feldnamen und keine Feldtypen. Prüfen Sie das zurückgegebene Objekt auf die von der Aufgabe benötigten Felder und Werte, bevor Sie es weiterverarbeiten. Ein vor der Fertigstellung abgeschnittenes Ergebnis kann ebenfalls ungültiges JSON sein. Bewahren Sie das vollständige Objekt und seinen Quelltext auf, damit sich ein Formatierungsproblem von einer falschen Extraktion unterscheiden lässt.\n\n### Die Antwort anhand des Originalmaterials prüfen\n\nQwens Einführung weist auf Instabilität bei anspruchsvollen Aufgaben mit langen Sequenzen hin. Eine grosse Menge bereitgestellten Textes garantiert weder, dass jedes Detail abgerufen wird, noch, dass jede Beziehung richtig interpretiert wird. Prüfen Sie wichtige Aussagen, Referenzen und Codefundstellen anhand des Originalmaterials, insbesondere wenn die Schlussfolgerung weit auseinanderliegende Passagen verbindet. Bewahren Sie die Quelle, den genauen Prompt und die ausgewählte Antwort als Arbeitsergebnis auf. Alibabas Versionszuordnung unterscheidet diese Version von Qwen-Turbo-2025-04-28; ein Vergleich der Editionen sollte daher beide Modellnamen und dieselbe Aufgabe beibehalten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.qwen-turbo-2024-11-01Alibabas Qwen Turbo 2024-11-01 ist eine feste Textmodellversion zum Beantworten von Fragen zu bereitgestelltem Material, zum Zusammenfassen zusammengehöriger Dokumente und zum Lesen von Quellcode. Sie unterstützt auch den JSON Object-Modus des Herstellers, um Informationen in ein maschinell auswertbares Ergebnis zu extrahieren.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen Turbo 2024-11-01 ist Alibabas feste Qwen-Turbo-Version aus der Qwen2.5-Generation. Sie nimmt schriftliche Anweisungen und Textkontext entgegen und erzeugt eine Textantwort. Nützliche Aufgaben sind Fragen zu bereitgestellten Dokumenten, Zusammenfassungen, die mehrere Quellen miteinander verbinden, Erklärungen einer Codebasis und die Extraktion in JSON. Halten Sie beim Vergleich von Ergebnissen verschiedener Editionen den datierten Modellnamen zusammen mit dem Prompt fest.
Qwens Einführung zu Qwen2.5-Turbo demonstriert das Lesen langer Erzählungen und mehrerer zusammengehöriger wissenschaftlicher Arbeiten. Welches Ergebnis nützlich ist, hängt von der Frage ab: Ein Überblick kann die Beziehung zwischen den Arbeiten erklären, während ein gezielter Vergleich ihre Ansätze und die unterstützenden Belege voneinander unterscheiden kann. Stellen Sie klar gekennzeichneten Text bereit und fragen Sie nach den Unterschieden, die für den Leser wichtig sind. Eine ursprüngliche Aufgabenbeschreibung könnte den Hauptvorschlag jedes Dokuments, die ihn stützende Passage und etwaige Widersprüche zwischen den Dokumenten anfordern. Bitten Sie um die Antwort in der Sprache, die die Zielgruppe benötigt, und halten Sie Zitate mit ihrer Quelle verbunden.
Der Hersteller demonstriert auch das Lesen eines Repositorys, das zu einer Textdatei zusammengestellt wurde: zunächst dessen Zweck erklären und dann Klassen und deren Dateipfade finden. Bereiten Sie Code so vor, dass Dateigrenzen, Namen und relevante umgebende Definitionen erhalten bleiben. Bitten Sie zunächst um eine Übersicht einer Komponente, bevor Sie eine genauere Erklärung der Beziehungen zwischen ihren Teilen anfordern. Die daraus entstehende Erklärung oder Liste von Fundstellen kann die Prüfung der Originaldateien unterstützen; gleichen Sie diese Fundstellen mit dem bereitgestellten Code ab.
Im dokumentierten Textablauf des Herstellers legt eine Systemnachricht die Rolle und die Aufgabenregeln fest, eine Nutzernachricht liefert die Frage und das Material, und das Modell antwortet als Assistent. Benennen Sie das gewünschte Arbeitsergebnis ausdrücklich: eine Zusammenfassung, eine Vergleichstabelle, eine knappe Erklärung oder extrahierte Felder. Unterscheiden Sie bei einer Dokumentaufgabe den zu lesenden Text von der Anweisung, die beschreibt, was damit zu tun ist. Geben Sie die Terminologie, die Ausgabesprache und Regeln für den Umgang mit Informationen an, die die Quelle nicht enthält.
Der Chat Completions-Ablauf des Herstellers ist zustandslos: Eine fortgesetzte Diskussion verwendet den zusammen mit der nächsten Frage bereitgestellten Gesprächsverlauf. Fügen Sie die vorangegangenen Nutzer- und Assistentennachrichten hinzu, wenn sich die Nachfrage darauf stützt. Ein erster Gesprächsschritt kann das Argument eines Dokuments herausarbeiten; ein zweiter kann fragen, welche Passage eine bestimmte Schlussfolgerung stützt. Halten Sie den erforderlichen Quellenkontext verfügbar, statt anzunehmen, dass eine frühere Antwort dem Modell ein dauerhaftes Gedächtnis verleiht. Behalten Sie bei einer wachsenden Diskussion die jüngsten Gesprächsschritte und die wichtigen Quellenfakten bei oder verwenden Sie eine geprüfte Zusammenfassung des früheren Materials. Das Entfernen oder Verdichten des Verlaufs kann Details entfernen, die für die nächste Antwort benötigt werden.
Alibaba führt qwen-turbo-2024-11-01 ausdrücklich als Modell mit JSON Object-Unterstützung auf. Im Ablauf des Herstellers wird das Antwortformat auf json_object gesetzt, und eine System- oder Nutzeranweisung muss das Wort JSON enthalten. Legen Sie Feldnamen und den Umgang mit fehlenden Informationen fest. Eine Extraktionsanweisung kann beispielsweise den Titel eines Dokuments, dessen benannten Autor und eine unterstützende Passage anfordern und dabei eine Konvention für einen nicht angegebenen Autor festlegen.
Der JSON Object-Modus zielt auf gültige JSON-Syntax ab; er erzwingt kein bestimmtes Schema, keine stabilen Feldnamen und keine Feldtypen. Prüfen Sie das zurückgegebene Objekt auf die von der Aufgabe benötigten Felder und Werte, bevor Sie es weiterverarbeiten. Ein vor der Fertigstellung abgeschnittenes Ergebnis kann ebenfalls ungültiges JSON sein. Bewahren Sie das vollständige Objekt und seinen Quelltext auf, damit sich ein Formatierungsproblem von einer falschen Extraktion unterscheiden lässt.
Qwens Einführung weist auf Instabilität bei anspruchsvollen Aufgaben mit langen Sequenzen hin. Eine grosse Menge bereitgestellten Textes garantiert weder, dass jedes Detail abgerufen wird, noch, dass jede Beziehung richtig interpretiert wird. Prüfen Sie wichtige Aussagen, Referenzen und Codefundstellen anhand des Originalmaterials, insbesondere wenn die Schlussfolgerung weit auseinanderliegende Passagen verbindet. Bewahren Sie die Quelle, den genauen Prompt und die ausgewählte Antwort als Arbeitsergebnis auf. Alibabas Versionszuordnung unterscheidet diese Version von Qwen-Turbo-2025-04-28; ein Vergleich der Editionen sollte daher beide Modellnamen und dieselbe Aufgabe beibehalten.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-turbo-2024-11-01 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00018 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-turbo-2024-11-01", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-turbo-2024-11-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-turbo-2024-11-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-turbo-2024-11-01
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-turbo-2024-11-01Alibabas Qwen Turbo 2024-11-01 ist eine feste Textmodellversion zum Beantworten von Fragen zu bereitgestelltem Material, zum Zusammenfassen zusammengehöriger Dokumente und zum Lesen von Quellcode. Sie unterstützt auch den JSON Object-Modus des Herstellers, um Informationen in ein maschinell auswertbares Ergebnis zu extrahieren.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen Turbo 2024-11-01 ist Alibabas feste Qwen-Turbo-Version aus der Qwen2.5-Generation. Sie nimmt schriftliche Anweisungen und Textkontext entgegen und erzeugt eine Textantwort. Nützliche Aufgaben sind Fragen zu bereitgestellten Dokumenten, Zusammenfassungen, die mehrere Quellen miteinander verbinden, Erklärungen einer Codebasis und die Extraktion in JSON. Halten Sie beim Vergleich von Ergebnissen verschiedener Editionen den datierten Modellnamen zusammen mit dem Prompt fest.
Qwens Einführung zu Qwen2.5-Turbo demonstriert das Lesen langer Erzählungen und mehrerer zusammengehöriger wissenschaftlicher Arbeiten. Welches Ergebnis nützlich ist, hängt von der Frage ab: Ein Überblick kann die Beziehung zwischen den Arbeiten erklären, während ein gezielter Vergleich ihre Ansätze und die unterstützenden Belege voneinander unterscheiden kann. Stellen Sie klar gekennzeichneten Text bereit und fragen Sie nach den Unterschieden, die für den Leser wichtig sind. Eine ursprüngliche Aufgabenbeschreibung könnte den Hauptvorschlag jedes Dokuments, die ihn stützende Passage und etwaige Widersprüche zwischen den Dokumenten anfordern. Bitten Sie um die Antwort in der Sprache, die die Zielgruppe benötigt, und halten Sie Zitate mit ihrer Quelle verbunden.
Der Hersteller demonstriert auch das Lesen eines Repositorys, das zu einer Textdatei zusammengestellt wurde: zunächst dessen Zweck erklären und dann Klassen und deren Dateipfade finden. Bereiten Sie Code so vor, dass Dateigrenzen, Namen und relevante umgebende Definitionen erhalten bleiben. Bitten Sie zunächst um eine Übersicht einer Komponente, bevor Sie eine genauere Erklärung der Beziehungen zwischen ihren Teilen anfordern. Die daraus entstehende Erklärung oder Liste von Fundstellen kann die Prüfung der Originaldateien unterstützen; gleichen Sie diese Fundstellen mit dem bereitgestellten Code ab.
Im dokumentierten Textablauf des Herstellers legt eine Systemnachricht die Rolle und die Aufgabenregeln fest, eine Nutzernachricht liefert die Frage und das Material, und das Modell antwortet als Assistent. Benennen Sie das gewünschte Arbeitsergebnis ausdrücklich: eine Zusammenfassung, eine Vergleichstabelle, eine knappe Erklärung oder extrahierte Felder. Unterscheiden Sie bei einer Dokumentaufgabe den zu lesenden Text von der Anweisung, die beschreibt, was damit zu tun ist. Geben Sie die Terminologie, die Ausgabesprache und Regeln für den Umgang mit Informationen an, die die Quelle nicht enthält.
Der Chat Completions-Ablauf des Herstellers ist zustandslos: Eine fortgesetzte Diskussion verwendet den zusammen mit der nächsten Frage bereitgestellten Gesprächsverlauf. Fügen Sie die vorangegangenen Nutzer- und Assistentennachrichten hinzu, wenn sich die Nachfrage darauf stützt. Ein erster Gesprächsschritt kann das Argument eines Dokuments herausarbeiten; ein zweiter kann fragen, welche Passage eine bestimmte Schlussfolgerung stützt. Halten Sie den erforderlichen Quellenkontext verfügbar, statt anzunehmen, dass eine frühere Antwort dem Modell ein dauerhaftes Gedächtnis verleiht. Behalten Sie bei einer wachsenden Diskussion die jüngsten Gesprächsschritte und die wichtigen Quellenfakten bei oder verwenden Sie eine geprüfte Zusammenfassung des früheren Materials. Das Entfernen oder Verdichten des Verlaufs kann Details entfernen, die für die nächste Antwort benötigt werden.
Alibaba führt qwen-turbo-2024-11-01 ausdrücklich als Modell mit JSON Object-Unterstützung auf. Im Ablauf des Herstellers wird das Antwortformat auf json_object gesetzt, und eine System- oder Nutzeranweisung muss das Wort JSON enthalten. Legen Sie Feldnamen und den Umgang mit fehlenden Informationen fest. Eine Extraktionsanweisung kann beispielsweise den Titel eines Dokuments, dessen benannten Autor und eine unterstützende Passage anfordern und dabei eine Konvention für einen nicht angegebenen Autor festlegen.
Der JSON Object-Modus zielt auf gültige JSON-Syntax ab; er erzwingt kein bestimmtes Schema, keine stabilen Feldnamen und keine Feldtypen. Prüfen Sie das zurückgegebene Objekt auf die von der Aufgabe benötigten Felder und Werte, bevor Sie es weiterverarbeiten. Ein vor der Fertigstellung abgeschnittenes Ergebnis kann ebenfalls ungültiges JSON sein. Bewahren Sie das vollständige Objekt und seinen Quelltext auf, damit sich ein Formatierungsproblem von einer falschen Extraktion unterscheiden lässt.
Qwens Einführung weist auf Instabilität bei anspruchsvollen Aufgaben mit langen Sequenzen hin. Eine grosse Menge bereitgestellten Textes garantiert weder, dass jedes Detail abgerufen wird, noch, dass jede Beziehung richtig interpretiert wird. Prüfen Sie wichtige Aussagen, Referenzen und Codefundstellen anhand des Originalmaterials, insbesondere wenn die Schlussfolgerung weit auseinanderliegende Passagen verbindet. Bewahren Sie die Quelle, den genauen Prompt und die ausgewählte Antwort als Arbeitsergebnis auf. Alibabas Versionszuordnung unterscheidet diese Version von Qwen-Turbo-2025-04-28; ein Vergleich der Editionen sollte daher beide Modellnamen und dieselbe Aufgabe beibehalten.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-turbo-2024-11-01 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00018 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen-turbo-2024-11-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-turbo-2024-11-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-turbo-2024-11-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-turbo-2024-11-01
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.