Qwen3.7-Max 2026-06-08 ist Alibabas benannter Snapshot vom 8. Juni des Max-Modells aus der Qwen3.7-Familie. Die wesentliche Änderung dieser Ausgabe gegenüber dem Snapshot vom 20. Mai ist das zusätzliche Verstehen visueller Modalitäten, das Interaktionen auf Grundlage realer Szenen ermöglicht. Es verarbeitet Text, Bilder und Videos und erzeugt Text. Die auf Agenten ausgerichtete Zielsetzung der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.
Für visuelle Aufgaben ist die Ausgabe entscheidend. Der undatierte Name Qwen3.7-Max ist als gleichwertig mit dem reinen Text-Snapshot vom 20. Mai dokumentiert, während die genaue Modelltabelle für Juni Bild- und Videoeingaben aufführt. Bei diesem Modell kann ein Screenshot eine Code-Aufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäss einer schriftlichen Anweisung analysieren soll. Das Ergebnis ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf statt erzeugter Bilder, Videos oder Sprache.
Alibabas Anleitung zum Denkmodus führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Im Herstellerworkflow ist das Denken standardmässig aktiviert und kann für eine direkte Antwort deaktiviert werden. Der Denkmodus erzeugt vor der Antwort einen Schlussfolgerungsprozess und benötigt zusätzliche Denkzeit. Die Anleitung trennt den Denkverlauf von der endgültigen Antwort und unterstützt bei genau diesem Modell das Beibehalten bereitgestellter früherer Denkverläufe über mehrere Gesprächsrunden hinweg. Beibehaltene Denkverläufe werden Teil der nächsten Eingabe; bei fortlaufenden Aufgaben müssen sie daher zusammen mit dem Gespräch und dem Quellenmaterial budgetiert werden.
Function Calling unterstützt Aufgaben, bei denen die Anwendung eine Frage und Definitionen verfügbarer Werkzeuge bereitstellt. Das Modell gibt eine ausgewählte Funktion mit ihren Argumenten zurück; die Anwendung führt diese Funktion aus, ergänzt das Gespräch um das Werkzeugergebnis und fordert das Modell zum Fortfahren auf. Definieren Sie für einen Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung genau und verlangen Sie die abgeschlossene Änderung mit dem dazugehörigen Prüfergebnis. Die Beschreibung eines Werkzeugs unterscheidet sich von dessen Ausführung: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.
Für den Juni-Snapshot sind ausserdem Structured Outputs, Web Search, Prefix Completion und Context Caching aufgeführt. Diese unterstützen definierte Ausgabedatensätze, suchgestützte Aufgaben, die Fortsetzung ab einem vorgegebenen Anfang und die Wiederverwendung eines gemeinsamen Eingabepräfixes im Herstellerworkflow. Platzieren Sie bei wiederkehrenden Analysen das unveränderte Dokument oder die Aufgabenanweisungen am Anfang und die wechselnde Frage dahinter. Die Cache-Wiederverwendung hängt von den Bedingungen dieses Workflows ab; die Unterstützung von Caching durch das Modell belegt keinen Cache-Treffer für eine bestimmte Anfrage. Batch-Inferenz und Fine-Tuning sind für diese Ausgabe als nicht unterstützt gekennzeichnet.
Die genaue Juni-Tabelle nennt ein Kontextfenster von 1,000,000 Tokens. Die maximale Eingabe beträgt im regulären Profil 991,808 Tokens und im Denkmodus 983,616 Tokens; die maximale Ausgabe beträgt in beiden Profilen 131,072 Tokens. Kontext-, Eingabe- und Ausgabelimits sind voneinander zu unterscheiden. Umfangreiches Quellenmaterial, Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen gesamten Platz nutzen muss.
Stellen Sie für eine konkrete Oberflächenaufgabe den Screenshot, relevante Quellcodefragmente, das gewünschte Verhalten und ein eindeutiges Arbeitsergebnis bereit. Ein Beispielauftrag lautet: «Erkläre anhand dieses Bildschirms und des beigefügten Komponententexts, weshalb die Formularbeschriftungen nicht zum Arbeitsablauf passen. Schlage eine gezielte Code-Änderung vor und nenne die sichtbaren Elemente, die sie begründen.» Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellenabschnitte, den gewünschten abschliessenden Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihren Zusammenhang, damit sich das Textergebnis auf die Belege beziehen kann.
Benennen Sie bei Videoanalysen das gesuchte Ereignis oder die gesuchte Abfolge, verlangen Sie eine knappe Beschreibung und behalten Sie Zeitstempel in der vorbereiteten Eingabe bei, wenn das Ergebnis einen bestimmten Zeitpunkt identifizieren muss. In Alibabas Dateiworkflow darf ein per URL übergebenes Bild bis zu 20 MB gross sein; ein per URL übergebenes Video bis zu 2 GB, bei einer Dauer von 2 Sekunden bis 2 Stunden. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateilimits und Tokenbudget auseinander. Wenn Audio wesentlich ist, stellen Sie eine Transkription als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Definieren Sie bei längeren Agentenaufgaben das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis, das als Abschluss gelten soll. Diese Vorbereitung lenkt das Modell auf ein überprüfbares Textergebnis statt auf eine offene Folge von Zwischenvorschlägen.
", "aboutText": "Qwen3.7-Max 2026-06-08 ist Alibabas benannter Snapshot vom 8. Juni des Max-Modells aus der Qwen3.7-Familie. Die wesentliche Änderung dieser Ausgabe gegenüber dem Snapshot vom 20. Mai ist das zusätzliche Verstehen visueller Modalitäten, das Interaktionen auf Grundlage realer Szenen ermöglicht. Es verarbeitet Text, Bilder und Videos und erzeugt Text. Die auf Agenten ausgerichtete Zielsetzung der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.\n\nFür visuelle Aufgaben ist die Ausgabe entscheidend. Der undatierte Name Qwen3.7-Max ist als gleichwertig mit dem reinen Text-Snapshot vom 20. Mai dokumentiert, während die genaue Modelltabelle für Juni Bild- und Videoeingaben aufführt. Bei diesem Modell kann ein Screenshot eine Code-Aufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäss einer schriftlichen Anweisung analysieren soll. Das Ergebnis ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf statt erzeugter Bilder, Videos oder Sprache.\n\nAlibabas Anleitung zum Denkmodus führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Im Herstellerworkflow ist das Denken standardmässig aktiviert und kann für eine direkte Antwort deaktiviert werden. Der Denkmodus erzeugt vor der Antwort einen Schlussfolgerungsprozess und benötigt zusätzliche Denkzeit. Die Anleitung trennt den Denkverlauf von der endgültigen Antwort und unterstützt bei genau diesem Modell das Beibehalten bereitgestellter früherer Denkverläufe über mehrere Gesprächsrunden hinweg. Beibehaltene Denkverläufe werden Teil der nächsten Eingabe; bei fortlaufenden Aufgaben müssen sie daher zusammen mit dem Gespräch und dem Quellenmaterial budgetiert werden.\n\nFunction Calling unterstützt Aufgaben, bei denen die Anwendung eine Frage und Definitionen verfügbarer Werkzeuge bereitstellt. Das Modell gibt eine ausgewählte Funktion mit ihren Argumenten zurück; die Anwendung führt diese Funktion aus, ergänzt das Gespräch um das Werkzeugergebnis und fordert das Modell zum Fortfahren auf. Definieren Sie für einen Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung genau und verlangen Sie die abgeschlossene Änderung mit dem dazugehörigen Prüfergebnis. Die Beschreibung eines Werkzeugs unterscheidet sich von dessen Ausführung: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.\n\nFür den Juni-Snapshot sind ausserdem Structured Outputs, Web Search, Prefix Completion und Context Caching aufgeführt. Diese unterstützen definierte Ausgabedatensätze, suchgestützte Aufgaben, die Fortsetzung ab einem vorgegebenen Anfang und die Wiederverwendung eines gemeinsamen Eingabepräfixes im Herstellerworkflow. Platzieren Sie bei wiederkehrenden Analysen das unveränderte Dokument oder die Aufgabenanweisungen am Anfang und die wechselnde Frage dahinter. Die Cache-Wiederverwendung hängt von den Bedingungen dieses Workflows ab; die Unterstützung von Caching durch das Modell belegt keinen Cache-Treffer für eine bestimmte Anfrage. Batch-Inferenz und Fine-Tuning sind für diese Ausgabe als nicht unterstützt gekennzeichnet.\n\nDie genaue Juni-Tabelle nennt ein Kontextfenster von 1,000,000 Tokens. Die maximale Eingabe beträgt im regulären Profil 991,808 Tokens und im Denkmodus 983,616 Tokens; die maximale Ausgabe beträgt in beiden Profilen 131,072 Tokens. Kontext-, Eingabe- und Ausgabelimits sind voneinander zu unterscheiden. Umfangreiches Quellenmaterial, Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen gesamten Platz nutzen muss.\n\nStellen Sie für eine konkrete Oberflächenaufgabe den Screenshot, relevante Quellcodefragmente, das gewünschte Verhalten und ein eindeutiges Arbeitsergebnis bereit. Ein Beispielauftrag lautet: «Erkläre anhand dieses Bildschirms und des beigefügten Komponententexts, weshalb die Formularbeschriftungen nicht zum Arbeitsablauf passen. Schlage eine gezielte Code-Änderung vor und nenne die sichtbaren Elemente, die sie begründen.» Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellenabschnitte, den gewünschten abschliessenden Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihren Zusammenhang, damit sich das Textergebnis auf die Belege beziehen kann.\n\nBenennen Sie bei Videoanalysen das gesuchte Ereignis oder die gesuchte Abfolge, verlangen Sie eine knappe Beschreibung und behalten Sie Zeitstempel in der vorbereiteten Eingabe bei, wenn das Ergebnis einen bestimmten Zeitpunkt identifizieren muss. In Alibabas Dateiworkflow darf ein per URL übergebenes Bild bis zu 20 MB gross sein; ein per URL übergebenes Video bis zu 2 GB, bei einer Dauer von 2 Sekunden bis 2 Stunden. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateilimits und Tokenbudget auseinander. Wenn Audio wesentlich ist, stellen Sie eine Transkription als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Definieren Sie bei längeren Agentenaufgaben das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis, das als Abschluss gelten soll. Diese Vorbereitung lenkt das Modell auf ein überprüfbares Textergebnis statt auf eine offene Folge von Zwischenvorschlägen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 verbindet das Verstehen von Text, Bildern und Videos mit einem auf Agenten ausgerichteten Textworkflow. Dieser benannte Snapshot ergänzt die Mai-Ausgabe um Bildverarbeitung, unterstützt hybrides Denken und Werkzeuge und bietet einen Kontext von einer Million Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.7-Max 2026-06-08 ist Alibabas benannter Snapshot vom 8. Juni des Max-Modells aus der Qwen3.7-Familie. Die wesentliche Änderung dieser Ausgabe gegenüber dem Snapshot vom 20. Mai ist das zusätzliche Verstehen visueller Modalitäten, das Interaktionen auf Grundlage realer Szenen ermöglicht. Es verarbeitet Text, Bilder und Videos und erzeugt Text. Die auf Agenten ausgerichtete Zielsetzung der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.
Für visuelle Aufgaben ist die Ausgabe entscheidend. Der undatierte Name Qwen3.7-Max ist als gleichwertig mit dem reinen Text-Snapshot vom 20. Mai dokumentiert, während die genaue Modelltabelle für Juni Bild- und Videoeingaben aufführt. Bei diesem Modell kann ein Screenshot eine Code-Aufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäss einer schriftlichen Anweisung analysieren soll. Das Ergebnis ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf statt erzeugter Bilder, Videos oder Sprache.
Alibabas Anleitung zum Denkmodus führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Im Herstellerworkflow ist das Denken standardmässig aktiviert und kann für eine direkte Antwort deaktiviert werden. Der Denkmodus erzeugt vor der Antwort einen Schlussfolgerungsprozess und benötigt zusätzliche Denkzeit. Die Anleitung trennt den Denkverlauf von der endgültigen Antwort und unterstützt bei genau diesem Modell das Beibehalten bereitgestellter früherer Denkverläufe über mehrere Gesprächsrunden hinweg. Beibehaltene Denkverläufe werden Teil der nächsten Eingabe; bei fortlaufenden Aufgaben müssen sie daher zusammen mit dem Gespräch und dem Quellenmaterial budgetiert werden.
Function Calling unterstützt Aufgaben, bei denen die Anwendung eine Frage und Definitionen verfügbarer Werkzeuge bereitstellt. Das Modell gibt eine ausgewählte Funktion mit ihren Argumenten zurück; die Anwendung führt diese Funktion aus, ergänzt das Gespräch um das Werkzeugergebnis und fordert das Modell zum Fortfahren auf. Definieren Sie für einen Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung genau und verlangen Sie die abgeschlossene Änderung mit dem dazugehörigen Prüfergebnis. Die Beschreibung eines Werkzeugs unterscheidet sich von dessen Ausführung: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.
Für den Juni-Snapshot sind ausserdem Structured Outputs, Web Search, Prefix Completion und Context Caching aufgeführt. Diese unterstützen definierte Ausgabedatensätze, suchgestützte Aufgaben, die Fortsetzung ab einem vorgegebenen Anfang und die Wiederverwendung eines gemeinsamen Eingabepräfixes im Herstellerworkflow. Platzieren Sie bei wiederkehrenden Analysen das unveränderte Dokument oder die Aufgabenanweisungen am Anfang und die wechselnde Frage dahinter. Die Cache-Wiederverwendung hängt von den Bedingungen dieses Workflows ab; die Unterstützung von Caching durch das Modell belegt keinen Cache-Treffer für eine bestimmte Anfrage. Batch-Inferenz und Fine-Tuning sind für diese Ausgabe als nicht unterstützt gekennzeichnet.
Die genaue Juni-Tabelle nennt ein Kontextfenster von 1,000,000 Tokens. Die maximale Eingabe beträgt im regulären Profil 991,808 Tokens und im Denkmodus 983,616 Tokens; die maximale Ausgabe beträgt in beiden Profilen 131,072 Tokens. Kontext-, Eingabe- und Ausgabelimits sind voneinander zu unterscheiden. Umfangreiches Quellenmaterial, Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen gesamten Platz nutzen muss.
Stellen Sie für eine konkrete Oberflächenaufgabe den Screenshot, relevante Quellcodefragmente, das gewünschte Verhalten und ein eindeutiges Arbeitsergebnis bereit. Ein Beispielauftrag lautet: «Erkläre anhand dieses Bildschirms und des beigefügten Komponententexts, weshalb die Formularbeschriftungen nicht zum Arbeitsablauf passen. Schlage eine gezielte Code-Änderung vor und nenne die sichtbaren Elemente, die sie begründen.» Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellenabschnitte, den gewünschten abschliessenden Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihren Zusammenhang, damit sich das Textergebnis auf die Belege beziehen kann.
Benennen Sie bei Videoanalysen das gesuchte Ereignis oder die gesuchte Abfolge, verlangen Sie eine knappe Beschreibung und behalten Sie Zeitstempel in der vorbereiteten Eingabe bei, wenn das Ergebnis einen bestimmten Zeitpunkt identifizieren muss. In Alibabas Dateiworkflow darf ein per URL übergebenes Bild bis zu 20 MB gross sein; ein per URL übergebenes Video bis zu 2 GB, bei einer Dauer von 2 Sekunden bis 2 Stunden. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateilimits und Tokenbudget auseinander. Wenn Audio wesentlich ist, stellen Sie eine Transkription als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Definieren Sie bei längeren Agentenaufgaben das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis, das als Abschluss gelten soll. Diese Vorbereitung lenkt das Modell auf ein überprüfbares Textergebnis statt auf eine offene Folge von Zwischenvorschlägen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K Tokens Ausgabe · Ausgabetoken $0.0106 / 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": "qwen3.7-max-2026-06-08", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen3.7-max-2026-06-08
Verwenden Sie die oben angezeigten Methodenpfade.
qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 verbindet das Verstehen von Text, Bildern und Videos mit einem auf Agenten ausgerichteten Textworkflow. Dieser benannte Snapshot ergänzt die Mai-Ausgabe um Bildverarbeitung, unterstützt hybrides Denken und Werkzeuge und bietet einen Kontext von einer Million Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.7-Max 2026-06-08 ist Alibabas benannter Snapshot vom 8. Juni des Max-Modells aus der Qwen3.7-Familie. Die wesentliche Änderung dieser Ausgabe gegenüber dem Snapshot vom 20. Mai ist das zusätzliche Verstehen visueller Modalitäten, das Interaktionen auf Grundlage realer Szenen ermöglicht. Es verarbeitet Text, Bilder und Videos und erzeugt Text. Die auf Agenten ausgerichtete Zielsetzung der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.
Für visuelle Aufgaben ist die Ausgabe entscheidend. Der undatierte Name Qwen3.7-Max ist als gleichwertig mit dem reinen Text-Snapshot vom 20. Mai dokumentiert, während die genaue Modelltabelle für Juni Bild- und Videoeingaben aufführt. Bei diesem Modell kann ein Screenshot eine Code-Aufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäss einer schriftlichen Anweisung analysieren soll. Das Ergebnis ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf statt erzeugter Bilder, Videos oder Sprache.
Alibabas Anleitung zum Denkmodus führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Im Herstellerworkflow ist das Denken standardmässig aktiviert und kann für eine direkte Antwort deaktiviert werden. Der Denkmodus erzeugt vor der Antwort einen Schlussfolgerungsprozess und benötigt zusätzliche Denkzeit. Die Anleitung trennt den Denkverlauf von der endgültigen Antwort und unterstützt bei genau diesem Modell das Beibehalten bereitgestellter früherer Denkverläufe über mehrere Gesprächsrunden hinweg. Beibehaltene Denkverläufe werden Teil der nächsten Eingabe; bei fortlaufenden Aufgaben müssen sie daher zusammen mit dem Gespräch und dem Quellenmaterial budgetiert werden.
Function Calling unterstützt Aufgaben, bei denen die Anwendung eine Frage und Definitionen verfügbarer Werkzeuge bereitstellt. Das Modell gibt eine ausgewählte Funktion mit ihren Argumenten zurück; die Anwendung führt diese Funktion aus, ergänzt das Gespräch um das Werkzeugergebnis und fordert das Modell zum Fortfahren auf. Definieren Sie für einen Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung genau und verlangen Sie die abgeschlossene Änderung mit dem dazugehörigen Prüfergebnis. Die Beschreibung eines Werkzeugs unterscheidet sich von dessen Ausführung: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.
Für den Juni-Snapshot sind ausserdem Structured Outputs, Web Search, Prefix Completion und Context Caching aufgeführt. Diese unterstützen definierte Ausgabedatensätze, suchgestützte Aufgaben, die Fortsetzung ab einem vorgegebenen Anfang und die Wiederverwendung eines gemeinsamen Eingabepräfixes im Herstellerworkflow. Platzieren Sie bei wiederkehrenden Analysen das unveränderte Dokument oder die Aufgabenanweisungen am Anfang und die wechselnde Frage dahinter. Die Cache-Wiederverwendung hängt von den Bedingungen dieses Workflows ab; die Unterstützung von Caching durch das Modell belegt keinen Cache-Treffer für eine bestimmte Anfrage. Batch-Inferenz und Fine-Tuning sind für diese Ausgabe als nicht unterstützt gekennzeichnet.
Die genaue Juni-Tabelle nennt ein Kontextfenster von 1,000,000 Tokens. Die maximale Eingabe beträgt im regulären Profil 991,808 Tokens und im Denkmodus 983,616 Tokens; die maximale Ausgabe beträgt in beiden Profilen 131,072 Tokens. Kontext-, Eingabe- und Ausgabelimits sind voneinander zu unterscheiden. Umfangreiches Quellenmaterial, Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen gesamten Platz nutzen muss.
Stellen Sie für eine konkrete Oberflächenaufgabe den Screenshot, relevante Quellcodefragmente, das gewünschte Verhalten und ein eindeutiges Arbeitsergebnis bereit. Ein Beispielauftrag lautet: «Erkläre anhand dieses Bildschirms und des beigefügten Komponententexts, weshalb die Formularbeschriftungen nicht zum Arbeitsablauf passen. Schlage eine gezielte Code-Änderung vor und nenne die sichtbaren Elemente, die sie begründen.» Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellenabschnitte, den gewünschten abschliessenden Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihren Zusammenhang, damit sich das Textergebnis auf die Belege beziehen kann.
Benennen Sie bei Videoanalysen das gesuchte Ereignis oder die gesuchte Abfolge, verlangen Sie eine knappe Beschreibung und behalten Sie Zeitstempel in der vorbereiteten Eingabe bei, wenn das Ergebnis einen bestimmten Zeitpunkt identifizieren muss. In Alibabas Dateiworkflow darf ein per URL übergebenes Bild bis zu 20 MB gross sein; ein per URL übergebenes Video bis zu 2 GB, bei einer Dauer von 2 Sekunden bis 2 Stunden. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateilimits und Tokenbudget auseinander. Wenn Audio wesentlich ist, stellen Sie eine Transkription als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Definieren Sie bei längeren Agentenaufgaben das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis, das als Abschluss gelten soll. Diese Vorbereitung lenkt das Modell auf ein überprüfbares Textergebnis statt auf eine offene Folge von Zwischenvorschlägen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K Tokens Ausgabe · Ausgabetoken $0.0106 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3.7-max-2026-06-08",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen3.7-max-2026-06-08
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.