Qwen-Long ist die Qwen-Produktlinie zur Dokumentenverarbeitung für die Informationssuche, den Materialvergleich und die Beantwortung von Fragen zu einem großen Textkorpus. Ihr besonderes Merkmal ist ein dokumentierter Ablauf mit Dateiuploads und Verweisen, der bis zu 10 Millionen Token verarbeitet. Dabei geht es nicht einfach um eine längere Chatantwort, sondern darum, eine umfangreiche Sammlung von Quelldokumenten verfügbar zu halten und gezielte Fragen dazu zu stellen.
So funktioniert der Dokumentenablauf
Der Hersteller beschreibt zwei Phasen. Laden Sie zunächst die ausgewählten Dateien hoch und warten Sie, bis der Dokumentenparser fertig ist. Die daraus entstehenden Verweise identifizieren die aufbereiteten Dokumente. Stellen Sie anschließend eine Frage und fügen Sie die Verweise auf das zu berücksichtigende Material hinzu. Das Modell führt die Inferenz über den mit diesen Dokumenten verknüpften Text aus. So wird die Dokumentenaufbereitung von der Frage getrennt, und die vollständige Datei muss nicht bei jedem Gesprächsschritt erneut gesendet werden.
Bereiten Sie ein einzelnes Dokument vor, wenn Sie eine Zusammenfassung, die Erklärung eines Abschnitts oder die Extraktion bestimmter Bedingungen benötigen. Benennen Sie die wichtigen Abschnitte und verlangen Sie eine Ausgabe mit einem erkennbaren Zweck. Stellen Sie beispielsweise eine Produktspezifikation bereit, fragen Sie nach den ausdrücklich darin genannten Betriebsbedingungen und verlangen Sie eine kurze Tabelle mit der Bedingung, dem Quellenabschnitt und fehlenden Einzelheiten. Diese Feldnamen sind ein beispielhafter Entwurf für das Ergebnis, kein fest eingebautes Schema.
Mehrere Dokumente und Anschlussfragen
Der dokumentierte Ablauf akzeptiert mehrere aufbereitete Dateien in derselben Anfrage. Das ermöglicht den Vergleich zwischen Dokumenten: Ermitteln Sie ein Merkmal in jeder Spezifikation, unterscheiden Sie gemeinsame Aussagen von Unterschieden und sammeln Sie offene Fragen. Eine Anfrage kann bis zu 100 Dateiverweise enthalten. Wählen Sie die für die Frage relevanten Dateien aus, statt anzunehmen, dass ein großer Kontext bereits festlegt, was verglichen werden soll.
Der Hersteller zeigt außerdem, wie nach einer ersten Antwort ein neues Dokument ergänzt wird. Behalten Sie die frühere Antwort im Gespräch, fügen Sie die neue Quelle hinzu und stellen Sie eine Anschlussfrage, etwa nach den Unterschieden zwischen den beiden Beschreibungen. Unterscheiden Sie in einer Anwendung die vorherige Antwort von den neu bereitgestellten Belegen. Ein nützliches Ergebnis kann eine Vergleichstabelle mit getrennten Spalten für jedes Dokument und einer Erklärung der Abweichungen sein, statt einer zusammengeführten Zusammenfassung, bei der die Quelle jeder Aussage verloren geht.
Die direkte Eingabe von Klartext ist ein weiterer dokumentierter Weg. Kleinere Materialien können direkt als Text statt über Verweise auf hochgeladene Dateien übergeben werden. Wegen der Größenbeschränkungen für Anfragen verlangt der Herstellerleitfaden die Verwendung von Verweisen, wenn direkt eingebundene Dokumenteninhalte 1 Million Token überschreiten. Diese Grenze ist vom Dokumentenkontext mit 10 Millionen Token zu unterscheiden: Die Unterstützung eines großen Korpus verspricht nicht, dass eine ebenso große einzelne Nutzlast mit unverarbeitetem Text akzeptiert wird.
Formate, Kontext und Ausgabe
Der Dokumentendienst nennt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV und JSON sowie BMP, PNG, JPG/JPEG und GIF. Hochgeladene Bilddateien sind auf 20 MB begrenzt, andere unterstützte Dateien auf 150 MB. Das sind Grenzen des Dokumentenaufbereitungsablaufs beim Hersteller, keine Behauptung, dass das Sprachmodell jedes Binärformat ohne Parsing direkt verarbeitet und darüber schlussfolgert.
Die veröffentlichte Spezifikation nennt einen Kontext und eine maximale Eingabe von 10.000.000 Token sowie bis zu 32.768 Ausgabetoken. Im dokumentierten Gesprächsformat mit Dateiverweisen gilt für die Nutzerfrage eine gesonderte Grenze von 9.000 Token, wenn eine zweite Systemnachricht die Dokumente bereitstellt. Halten Sie die Frage knapp und reservieren Sie den Großteil des Dokumentenkontexts für das Quellenmaterial. Ein langer Eingabekontext und die Antwortlänge lösen unterschiedliche Probleme: Auch ein großer Korpus kann ein kurzes, klar strukturiertes Ergebnis erfordern.
Die FAQ des Herstellers dokumentieren strukturierte Ausgaben auf Basis von JSON Schema für Qwen-Long und seine Snapshots. Das ist bei wiederholten Extraktionsaufgaben nützlich, die über eine Sammlung hinweg dieselben Felder benötigen. Legen Sie die benötigten Informationen, den Typ jedes Feldes und den Umgang mit fehlenden Werten in der Quelle fest. Der Dienst dokumentiert auch die asynchrone Stapelverarbeitung als alternativen Einreichungsablauf, nicht als zusätzlichen Modus zum Schlussfolgern.
Ein praktischer Dokumentenvergleich
Bereiten Sie die relevanten Spezifikationen vor und bestimmen Sie ihre Rollen, bevor Sie fragen: Welche ist die bestehende Beschreibung, welche der vorgeschlagene Ersatz, und welche Anforderungen sind verbindlich? Verlangen Sie ein Ergebnis mit gemeinsamen Bedingungen, widersprüchlichen Aussagen, fehlenden Informationen und Quellenstellen. Eine anschließende Frage kann das Modell auffordern, daraus eine knappe Erklärung für einen Kollegen zu machen und dabei die ursprünglichen Unterscheidungen beizubehalten.
Wichtige Grenzen bei der Aufbereitung
Das Parsing muss abgeschlossen sein, bevor die aufbereiteten Dateien verwendet werden; größere Dokumente können mehr Zeit dafür benötigen. Die dokumentierte Inferenz des Modells nutzt extrahierten Text, weshalb Vollständigkeit und Lesbarkeit des aufbereiteten Inhalts wichtig sind. Benennen Sie die Dateiauswahl, die Frage und die gewünschte Ausgabe ausdrücklich. Die Dokumentenkapazität von Qwen-Long darf nicht an die Stelle der Grenzen einer anderen Qwen-Ausgabe, einer direkten Anfrage mit unverarbeitetem Text oder der endgültigen Antwort gesetzt werden.
", "aboutText": "Qwen-Long ist die Qwen-Produktlinie zur Dokumentenverarbeitung für die Informationssuche, den Materialvergleich und die Beantwortung von Fragen zu einem großen Textkorpus. Ihr besonderes Merkmal ist ein dokumentierter Ablauf mit Dateiuploads und Verweisen, der bis zu 10 Millionen Token verarbeitet. Dabei geht es nicht einfach um eine längere Chatantwort, sondern darum, eine umfangreiche Sammlung von Quelldokumenten verfügbar zu halten und gezielte Fragen dazu zu stellen.\n\nSo funktioniert der Dokumentenablauf\n\nDer Hersteller beschreibt zwei Phasen. Laden Sie zunächst die ausgewählten Dateien hoch und warten Sie, bis der Dokumentenparser fertig ist. Die daraus entstehenden Verweise identifizieren die aufbereiteten Dokumente. Stellen Sie anschließend eine Frage und fügen Sie die Verweise auf das zu berücksichtigende Material hinzu. Das Modell führt die Inferenz über den mit diesen Dokumenten verknüpften Text aus. So wird die Dokumentenaufbereitung von der Frage getrennt, und die vollständige Datei muss nicht bei jedem Gesprächsschritt erneut gesendet werden.\n\nBereiten Sie ein einzelnes Dokument vor, wenn Sie eine Zusammenfassung, die Erklärung eines Abschnitts oder die Extraktion bestimmter Bedingungen benötigen. Benennen Sie die wichtigen Abschnitte und verlangen Sie eine Ausgabe mit einem erkennbaren Zweck. Stellen Sie beispielsweise eine Produktspezifikation bereit, fragen Sie nach den ausdrücklich darin genannten Betriebsbedingungen und verlangen Sie eine kurze Tabelle mit der Bedingung, dem Quellenabschnitt und fehlenden Einzelheiten. Diese Feldnamen sind ein beispielhafter Entwurf für das Ergebnis, kein fest eingebautes Schema.\n\nMehrere Dokumente und Anschlussfragen\n\nDer dokumentierte Ablauf akzeptiert mehrere aufbereitete Dateien in derselben Anfrage. Das ermöglicht den Vergleich zwischen Dokumenten: Ermitteln Sie ein Merkmal in jeder Spezifikation, unterscheiden Sie gemeinsame Aussagen von Unterschieden und sammeln Sie offene Fragen. Eine Anfrage kann bis zu 100 Dateiverweise enthalten. Wählen Sie die für die Frage relevanten Dateien aus, statt anzunehmen, dass ein großer Kontext bereits festlegt, was verglichen werden soll.\n\nDer Hersteller zeigt außerdem, wie nach einer ersten Antwort ein neues Dokument ergänzt wird. Behalten Sie die frühere Antwort im Gespräch, fügen Sie die neue Quelle hinzu und stellen Sie eine Anschlussfrage, etwa nach den Unterschieden zwischen den beiden Beschreibungen. Unterscheiden Sie in einer Anwendung die vorherige Antwort von den neu bereitgestellten Belegen. Ein nützliches Ergebnis kann eine Vergleichstabelle mit getrennten Spalten für jedes Dokument und einer Erklärung der Abweichungen sein, statt einer zusammengeführten Zusammenfassung, bei der die Quelle jeder Aussage verloren geht.\n\nDie direkte Eingabe von Klartext ist ein weiterer dokumentierter Weg. Kleinere Materialien können direkt als Text statt über Verweise auf hochgeladene Dateien übergeben werden. Wegen der Größenbeschränkungen für Anfragen verlangt der Herstellerleitfaden die Verwendung von Verweisen, wenn direkt eingebundene Dokumenteninhalte 1 Million Token überschreiten. Diese Grenze ist vom Dokumentenkontext mit 10 Millionen Token zu unterscheiden: Die Unterstützung eines großen Korpus verspricht nicht, dass eine ebenso große einzelne Nutzlast mit unverarbeitetem Text akzeptiert wird.\n\nFormate, Kontext und Ausgabe\n\nDer Dokumentendienst nennt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV und JSON sowie BMP, PNG, JPG/JPEG und GIF. Hochgeladene Bilddateien sind auf 20 MB begrenzt, andere unterstützte Dateien auf 150 MB. Das sind Grenzen des Dokumentenaufbereitungsablaufs beim Hersteller, keine Behauptung, dass das Sprachmodell jedes Binärformat ohne Parsing direkt verarbeitet und darüber schlussfolgert.\n\nDie veröffentlichte Spezifikation nennt einen Kontext und eine maximale Eingabe von 10.000.000 Token sowie bis zu 32.768 Ausgabetoken. Im dokumentierten Gesprächsformat mit Dateiverweisen gilt für die Nutzerfrage eine gesonderte Grenze von 9.000 Token, wenn eine zweite Systemnachricht die Dokumente bereitstellt. Halten Sie die Frage knapp und reservieren Sie den Großteil des Dokumentenkontexts für das Quellenmaterial. Ein langer Eingabekontext und die Antwortlänge lösen unterschiedliche Probleme: Auch ein großer Korpus kann ein kurzes, klar strukturiertes Ergebnis erfordern.\n\nDie FAQ des Herstellers dokumentieren strukturierte Ausgaben auf Basis von JSON Schema für Qwen-Long und seine Snapshots. Das ist bei wiederholten Extraktionsaufgaben nützlich, die über eine Sammlung hinweg dieselben Felder benötigen. Legen Sie die benötigten Informationen, den Typ jedes Feldes und den Umgang mit fehlenden Werten in der Quelle fest. Der Dienst dokumentiert auch die asynchrone Stapelverarbeitung als alternativen Einreichungsablauf, nicht als zusätzlichen Modus zum Schlussfolgern.\n\nEin praktischer Dokumentenvergleich\n\nBereiten Sie die relevanten Spezifikationen vor und bestimmen Sie ihre Rollen, bevor Sie fragen: Welche ist die bestehende Beschreibung, welche der vorgeschlagene Ersatz, und welche Anforderungen sind verbindlich? Verlangen Sie ein Ergebnis mit gemeinsamen Bedingungen, widersprüchlichen Aussagen, fehlenden Informationen und Quellenstellen. Eine anschließende Frage kann das Modell auffordern, daraus eine knappe Erklärung für einen Kollegen zu machen und dabei die ursprünglichen Unterscheidungen beizubehalten.\n\nWichtige Grenzen bei der Aufbereitung\n\nDas Parsing muss abgeschlossen sein, bevor die aufbereiteten Dateien verwendet werden; größere Dokumente können mehr Zeit dafür benötigen. Die dokumentierte Inferenz des Modells nutzt extrahierten Text, weshalb Vollständigkeit und Lesbarkeit des aufbereiteten Inhalts wichtig sind. Benennen Sie die Dateiauswahl, die Frage und die gewünschte Ausgabe ausdrücklich. Die Dokumentenkapazität von Qwen-Long darf nicht an die Stelle der Grenzen einer anderen Qwen-Ausgabe, einer direkten Anfrage mit unverarbeitetem Text oder der endgültigen Antwort gesetzt werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.qwen-longQwen-Long ist für Fragen zu großen Dokumentensammlungen ausgelegt. Der Hersteller dokumentiert einen Ablauf mit Dateiuploads und Verweisen, bis zu 10 Millionen Token Dokumentenkontext, dateiübergreifenden Vergleichen und strukturierten Textantworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-Long ist die Qwen-Produktlinie zur Dokumentenverarbeitung für die Informationssuche, den Materialvergleich und die Beantwortung von Fragen zu einem großen Textkorpus. Ihr besonderes Merkmal ist ein dokumentierter Ablauf mit Dateiuploads und Verweisen, der bis zu 10 Millionen Token verarbeitet. Dabei geht es nicht einfach um eine längere Chatantwort, sondern darum, eine umfangreiche Sammlung von Quelldokumenten verfügbar zu halten und gezielte Fragen dazu zu stellen.
So funktioniert der Dokumentenablauf
Der Hersteller beschreibt zwei Phasen. Laden Sie zunächst die ausgewählten Dateien hoch und warten Sie, bis der Dokumentenparser fertig ist. Die daraus entstehenden Verweise identifizieren die aufbereiteten Dokumente. Stellen Sie anschließend eine Frage und fügen Sie die Verweise auf das zu berücksichtigende Material hinzu. Das Modell führt die Inferenz über den mit diesen Dokumenten verknüpften Text aus. So wird die Dokumentenaufbereitung von der Frage getrennt, und die vollständige Datei muss nicht bei jedem Gesprächsschritt erneut gesendet werden.
Bereiten Sie ein einzelnes Dokument vor, wenn Sie eine Zusammenfassung, die Erklärung eines Abschnitts oder die Extraktion bestimmter Bedingungen benötigen. Benennen Sie die wichtigen Abschnitte und verlangen Sie eine Ausgabe mit einem erkennbaren Zweck. Stellen Sie beispielsweise eine Produktspezifikation bereit, fragen Sie nach den ausdrücklich darin genannten Betriebsbedingungen und verlangen Sie eine kurze Tabelle mit der Bedingung, dem Quellenabschnitt und fehlenden Einzelheiten. Diese Feldnamen sind ein beispielhafter Entwurf für das Ergebnis, kein fest eingebautes Schema.
Mehrere Dokumente und Anschlussfragen
Der dokumentierte Ablauf akzeptiert mehrere aufbereitete Dateien in derselben Anfrage. Das ermöglicht den Vergleich zwischen Dokumenten: Ermitteln Sie ein Merkmal in jeder Spezifikation, unterscheiden Sie gemeinsame Aussagen von Unterschieden und sammeln Sie offene Fragen. Eine Anfrage kann bis zu 100 Dateiverweise enthalten. Wählen Sie die für die Frage relevanten Dateien aus, statt anzunehmen, dass ein großer Kontext bereits festlegt, was verglichen werden soll.
Der Hersteller zeigt außerdem, wie nach einer ersten Antwort ein neues Dokument ergänzt wird. Behalten Sie die frühere Antwort im Gespräch, fügen Sie die neue Quelle hinzu und stellen Sie eine Anschlussfrage, etwa nach den Unterschieden zwischen den beiden Beschreibungen. Unterscheiden Sie in einer Anwendung die vorherige Antwort von den neu bereitgestellten Belegen. Ein nützliches Ergebnis kann eine Vergleichstabelle mit getrennten Spalten für jedes Dokument und einer Erklärung der Abweichungen sein, statt einer zusammengeführten Zusammenfassung, bei der die Quelle jeder Aussage verloren geht.
Die direkte Eingabe von Klartext ist ein weiterer dokumentierter Weg. Kleinere Materialien können direkt als Text statt über Verweise auf hochgeladene Dateien übergeben werden. Wegen der Größenbeschränkungen für Anfragen verlangt der Herstellerleitfaden die Verwendung von Verweisen, wenn direkt eingebundene Dokumenteninhalte 1 Million Token überschreiten. Diese Grenze ist vom Dokumentenkontext mit 10 Millionen Token zu unterscheiden: Die Unterstützung eines großen Korpus verspricht nicht, dass eine ebenso große einzelne Nutzlast mit unverarbeitetem Text akzeptiert wird.
Formate, Kontext und Ausgabe
Der Dokumentendienst nennt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV und JSON sowie BMP, PNG, JPG/JPEG und GIF. Hochgeladene Bilddateien sind auf 20 MB begrenzt, andere unterstützte Dateien auf 150 MB. Das sind Grenzen des Dokumentenaufbereitungsablaufs beim Hersteller, keine Behauptung, dass das Sprachmodell jedes Binärformat ohne Parsing direkt verarbeitet und darüber schlussfolgert.
Die veröffentlichte Spezifikation nennt einen Kontext und eine maximale Eingabe von 10.000.000 Token sowie bis zu 32.768 Ausgabetoken. Im dokumentierten Gesprächsformat mit Dateiverweisen gilt für die Nutzerfrage eine gesonderte Grenze von 9.000 Token, wenn eine zweite Systemnachricht die Dokumente bereitstellt. Halten Sie die Frage knapp und reservieren Sie den Großteil des Dokumentenkontexts für das Quellenmaterial. Ein langer Eingabekontext und die Antwortlänge lösen unterschiedliche Probleme: Auch ein großer Korpus kann ein kurzes, klar strukturiertes Ergebnis erfordern.
Die FAQ des Herstellers dokumentieren strukturierte Ausgaben auf Basis von JSON Schema für Qwen-Long und seine Snapshots. Das ist bei wiederholten Extraktionsaufgaben nützlich, die über eine Sammlung hinweg dieselben Felder benötigen. Legen Sie die benötigten Informationen, den Typ jedes Feldes und den Umgang mit fehlenden Werten in der Quelle fest. Der Dienst dokumentiert auch die asynchrone Stapelverarbeitung als alternativen Einreichungsablauf, nicht als zusätzlichen Modus zum Schlussfolgern.
Ein praktischer Dokumentenvergleich
Bereiten Sie die relevanten Spezifikationen vor und bestimmen Sie ihre Rollen, bevor Sie fragen: Welche ist die bestehende Beschreibung, welche der vorgeschlagene Ersatz, und welche Anforderungen sind verbindlich? Verlangen Sie ein Ergebnis mit gemeinsamen Bedingungen, widersprüchlichen Aussagen, fehlenden Informationen und Quellenstellen. Eine anschließende Frage kann das Modell auffordern, daraus eine knappe Erklärung für einen Kollegen zu machen und dabei die ursprünglichen Unterscheidungen beizubehalten.
Wichtige Grenzen bei der Aufbereitung
Das Parsing muss abgeschlossen sein, bevor die aufbereiteten Dateien verwendet werden; größere Dokumente können mehr Zeit dafür benötigen. Die dokumentierte Inferenz des Modells nutzt extrahierten Text, weshalb Vollständigkeit und Lesbarkeit des aufbereiteten Inhalts wichtig sind. Benennen Sie die Dateiauswahl, die Frage und die gewünschte Ausgabe ausdrücklich. Die Dokumentenkapazität von Qwen-Long darf nicht an die Stelle der Grenzen einer anderen Qwen-Ausgabe, einer direkten Anfrage mit unverarbeitetem Text oder der endgültigen Antwort gesetzt werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-long | 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 $0.000144 / 1K Token Ausgabe · Ausgabetoken $0.000572 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-long", "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-long',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-long',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-long
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-longQwen-Long ist für Fragen zu großen Dokumentensammlungen ausgelegt. Der Hersteller dokumentiert einen Ablauf mit Dateiuploads und Verweisen, bis zu 10 Millionen Token Dokumentenkontext, dateiübergreifenden Vergleichen und strukturierten Textantworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-Long ist die Qwen-Produktlinie zur Dokumentenverarbeitung für die Informationssuche, den Materialvergleich und die Beantwortung von Fragen zu einem großen Textkorpus. Ihr besonderes Merkmal ist ein dokumentierter Ablauf mit Dateiuploads und Verweisen, der bis zu 10 Millionen Token verarbeitet. Dabei geht es nicht einfach um eine längere Chatantwort, sondern darum, eine umfangreiche Sammlung von Quelldokumenten verfügbar zu halten und gezielte Fragen dazu zu stellen.
So funktioniert der Dokumentenablauf
Der Hersteller beschreibt zwei Phasen. Laden Sie zunächst die ausgewählten Dateien hoch und warten Sie, bis der Dokumentenparser fertig ist. Die daraus entstehenden Verweise identifizieren die aufbereiteten Dokumente. Stellen Sie anschließend eine Frage und fügen Sie die Verweise auf das zu berücksichtigende Material hinzu. Das Modell führt die Inferenz über den mit diesen Dokumenten verknüpften Text aus. So wird die Dokumentenaufbereitung von der Frage getrennt, und die vollständige Datei muss nicht bei jedem Gesprächsschritt erneut gesendet werden.
Bereiten Sie ein einzelnes Dokument vor, wenn Sie eine Zusammenfassung, die Erklärung eines Abschnitts oder die Extraktion bestimmter Bedingungen benötigen. Benennen Sie die wichtigen Abschnitte und verlangen Sie eine Ausgabe mit einem erkennbaren Zweck. Stellen Sie beispielsweise eine Produktspezifikation bereit, fragen Sie nach den ausdrücklich darin genannten Betriebsbedingungen und verlangen Sie eine kurze Tabelle mit der Bedingung, dem Quellenabschnitt und fehlenden Einzelheiten. Diese Feldnamen sind ein beispielhafter Entwurf für das Ergebnis, kein fest eingebautes Schema.
Mehrere Dokumente und Anschlussfragen
Der dokumentierte Ablauf akzeptiert mehrere aufbereitete Dateien in derselben Anfrage. Das ermöglicht den Vergleich zwischen Dokumenten: Ermitteln Sie ein Merkmal in jeder Spezifikation, unterscheiden Sie gemeinsame Aussagen von Unterschieden und sammeln Sie offene Fragen. Eine Anfrage kann bis zu 100 Dateiverweise enthalten. Wählen Sie die für die Frage relevanten Dateien aus, statt anzunehmen, dass ein großer Kontext bereits festlegt, was verglichen werden soll.
Der Hersteller zeigt außerdem, wie nach einer ersten Antwort ein neues Dokument ergänzt wird. Behalten Sie die frühere Antwort im Gespräch, fügen Sie die neue Quelle hinzu und stellen Sie eine Anschlussfrage, etwa nach den Unterschieden zwischen den beiden Beschreibungen. Unterscheiden Sie in einer Anwendung die vorherige Antwort von den neu bereitgestellten Belegen. Ein nützliches Ergebnis kann eine Vergleichstabelle mit getrennten Spalten für jedes Dokument und einer Erklärung der Abweichungen sein, statt einer zusammengeführten Zusammenfassung, bei der die Quelle jeder Aussage verloren geht.
Die direkte Eingabe von Klartext ist ein weiterer dokumentierter Weg. Kleinere Materialien können direkt als Text statt über Verweise auf hochgeladene Dateien übergeben werden. Wegen der Größenbeschränkungen für Anfragen verlangt der Herstellerleitfaden die Verwendung von Verweisen, wenn direkt eingebundene Dokumenteninhalte 1 Million Token überschreiten. Diese Grenze ist vom Dokumentenkontext mit 10 Millionen Token zu unterscheiden: Die Unterstützung eines großen Korpus verspricht nicht, dass eine ebenso große einzelne Nutzlast mit unverarbeitetem Text akzeptiert wird.
Formate, Kontext und Ausgabe
Der Dokumentendienst nennt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV und JSON sowie BMP, PNG, JPG/JPEG und GIF. Hochgeladene Bilddateien sind auf 20 MB begrenzt, andere unterstützte Dateien auf 150 MB. Das sind Grenzen des Dokumentenaufbereitungsablaufs beim Hersteller, keine Behauptung, dass das Sprachmodell jedes Binärformat ohne Parsing direkt verarbeitet und darüber schlussfolgert.
Die veröffentlichte Spezifikation nennt einen Kontext und eine maximale Eingabe von 10.000.000 Token sowie bis zu 32.768 Ausgabetoken. Im dokumentierten Gesprächsformat mit Dateiverweisen gilt für die Nutzerfrage eine gesonderte Grenze von 9.000 Token, wenn eine zweite Systemnachricht die Dokumente bereitstellt. Halten Sie die Frage knapp und reservieren Sie den Großteil des Dokumentenkontexts für das Quellenmaterial. Ein langer Eingabekontext und die Antwortlänge lösen unterschiedliche Probleme: Auch ein großer Korpus kann ein kurzes, klar strukturiertes Ergebnis erfordern.
Die FAQ des Herstellers dokumentieren strukturierte Ausgaben auf Basis von JSON Schema für Qwen-Long und seine Snapshots. Das ist bei wiederholten Extraktionsaufgaben nützlich, die über eine Sammlung hinweg dieselben Felder benötigen. Legen Sie die benötigten Informationen, den Typ jedes Feldes und den Umgang mit fehlenden Werten in der Quelle fest. Der Dienst dokumentiert auch die asynchrone Stapelverarbeitung als alternativen Einreichungsablauf, nicht als zusätzlichen Modus zum Schlussfolgern.
Ein praktischer Dokumentenvergleich
Bereiten Sie die relevanten Spezifikationen vor und bestimmen Sie ihre Rollen, bevor Sie fragen: Welche ist die bestehende Beschreibung, welche der vorgeschlagene Ersatz, und welche Anforderungen sind verbindlich? Verlangen Sie ein Ergebnis mit gemeinsamen Bedingungen, widersprüchlichen Aussagen, fehlenden Informationen und Quellenstellen. Eine anschließende Frage kann das Modell auffordern, daraus eine knappe Erklärung für einen Kollegen zu machen und dabei die ursprünglichen Unterscheidungen beizubehalten.
Wichtige Grenzen bei der Aufbereitung
Das Parsing muss abgeschlossen sein, bevor die aufbereiteten Dateien verwendet werden; größere Dokumente können mehr Zeit dafür benötigen. Die dokumentierte Inferenz des Modells nutzt extrahierten Text, weshalb Vollständigkeit und Lesbarkeit des aufbereiteten Inhalts wichtig sind. Benennen Sie die Dateiauswahl, die Frage und die gewünschte Ausgabe ausdrücklich. Die Dokumentenkapazität von Qwen-Long darf nicht an die Stelle der Grenzen einer anderen Qwen-Ausgabe, einer direkten Anfrage mit unverarbeitetem Text oder der endgültigen Antwort gesetzt werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-long | 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 $0.000144 / 1K Token Ausgabe · Ausgabetoken $0.000572 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-long', '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-long', '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-long
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.