Qwen-Max ist ein großes Textmodell der Qwen-Familie für Aufgaben, die Sprachverständnis, logisches Schlussfolgern und ein umfangreiches schriftliches Ergebnis verbinden. Der Hersteller hebt chinesisch- und englischsprachige Programmieraufgaben, mehrsprachige Arbeit, kreatives Schreiben und rollenbasierte Gespräche hervor. Das Modell soll klarere, detailliertere Antworten erzeugen und dabei den gewünschten Antwortstil einhalten.
Modellfähigkeiten
Qwen-Max nimmt Text entgegen und erzeugt Text. Es kann mit einem Gespräch, Quellpassagen, einer Softwareanforderung oder einem vorhandenen Codefragment arbeiten. Verwenden Sie es, wenn das Ergebnis eine Erklärung, ein umgeschriebenes Dokument, eine Implementierung oder ein Satz extrahierter Felder sein soll. Eine gescannte Seite oder ein Screenshot benötigt einen separaten Schritt, der die erforderlichen Informationen als Text verfügbar macht; die dokumentierte Eingabe dieses Modells ist kein Bild.
Der Hersteller nennt insbesondere das Einhalten von JSON-Formatierung. Eine praktische Extraktionsaufgabe kann Felder wie Thema, ausdrücklich in der Quelle genannte Bedingungen und eine ungeklärte Frage vorgeben. Geben Sie die Quellpassage und die gewünschten Feldnamen vor und benennen Sie die Darstellung fehlender Informationen. Dadurch wird eine Gesprächsantwort zu Daten, die eine Anwendung prüfen und verarbeiten kann. Eine Anfrage nach JSON und eine Anfrage nach einer Erklärung in Prosa sind unterschiedliche Ausgabeanforderungen und sollten getrennt benannt werden.
Die vom Hersteller dokumentierten Schnittstellen umfassen außerdem Function Calling, strukturierte Ausgabe, die Fortsetzung eines Antwortpräfixes, Kontext-Caching und Batch-Inferenz. Funktionsaufrufe und Websuche werden nicht in jeder Konfiguration des Anbieters auf dieselbe Weise bereitgestellt. Verwenden Sie nur die für die gewählte Schnittstelle dokumentierten Steuerungsmöglichkeiten. In einer Anwendung mit Werkzeugen stellt die Anwendung die Werkzeuge bereit, führt ausgewählte Aktionen aus und gibt deren Ergebnisse zurück. Caching und Batch-Verarbeitung betreffen die Übermittlung und Wiederverwendung von Arbeit, keine neue Inhaltsmodalität.
Anfragevorbereitung
Halten Sie Quellmaterial, Gespräch und angeforderte Antwort innerhalb des verfügbaren Umfangs der gewählten Schnittstelle. Reservieren Sie Platz für die Antwort und entscheiden Sie zwischen einer kompakten Antwort und einem langen Dokument.
Stellen Sie bei einer Dokumentaufgabe die wesentlichen Quellabschnitte vor optionale Beispiele und benennen Sie die erforderlichen Inhalte des Endergebnisses. Geben Sie beispielsweise eine Produktbeschreibung und Kundenfragen vor und verlangen Sie anschließend eine Antwort, die die bereitgestellten Bedingungen bewahrt, die Sprache des Kunden verwendet und unbeantwortete Fragen von bestätigten Informationen trennt. Das Ergebnis kann eine Kundenantwort samt kleinem JSON-Datensatz für den nächsten Anwendungsschritt sein.
Geben Sie für Programmierung den Zweck der Funktion, die akzeptierte Eingabe, die erwartete Ausgabe und das vorhandene Fragment vor, dessen Kompatibilität erhalten bleiben muss. Verlangen Sie die Implementierung, eine Erklärung der Entscheidungen und Beispiele für eine gewöhnliche Eingabe und einen Grenzfall. So wird der dokumentierte Programmier- und Reasoning-Schwerpunkt des Modells genutzt, ohne Zugriff auf ein Repository, einen Compiler oder eine laufende Anwendung anzunehmen.
Definieren Sie für kreatives Schreiben oder rollenbasierte Dialoge Zielgruppe, Ton und die nach einer Überarbeitung zu bewahrenden Fakten. Eine Rolle kann das Gespräch ordnen; das Quellmaterial bestimmt, was das Modell sagen soll. Verlangen Sie unterschiedliche Einleitungen oder Erklärungen für verschiedene Leser statt eines nicht näher bestimmten Umschreibens; jede Variante hat dann einen erkennbaren Zweck.
Wesentliche Grenzen
Qwen-Max ist eine Text-zu-Text-Modellreihe; diese Edition ist weder für Bildverarbeitung noch für Sprachsynthese vorgesehen. Der Hersteller führt Fine-Tuning auf dieser Modellkarte nicht als unterstützte Schnittstellenfunktion auf. Das Verhalten mit Werkzeugen hängt von der angebundenen Schnittstelle ab. Diese Unterschiede helfen, die passende Edition auszuwählen und eine Eingabe vorzubereiten, die dem tatsächlich benötigten Ergebnis entspricht.
", "aboutText": "Qwen-Max ist ein großes Textmodell der Qwen-Familie für Aufgaben, die Sprachverständnis, logisches Schlussfolgern und ein umfangreiches schriftliches Ergebnis verbinden. Der Hersteller hebt chinesisch- und englischsprachige Programmieraufgaben, mehrsprachige Arbeit, kreatives Schreiben und rollenbasierte Gespräche hervor. Das Modell soll klarere, detailliertere Antworten erzeugen und dabei den gewünschten Antwortstil einhalten.\n\nModellfähigkeiten\n\nQwen-Max nimmt Text entgegen und erzeugt Text. Es kann mit einem Gespräch, Quellpassagen, einer Softwareanforderung oder einem vorhandenen Codefragment arbeiten. Verwenden Sie es, wenn das Ergebnis eine Erklärung, ein umgeschriebenes Dokument, eine Implementierung oder ein Satz extrahierter Felder sein soll. Eine gescannte Seite oder ein Screenshot benötigt einen separaten Schritt, der die erforderlichen Informationen als Text verfügbar macht; die dokumentierte Eingabe dieses Modells ist kein Bild.\n\nDer Hersteller nennt insbesondere das Einhalten von JSON-Formatierung. Eine praktische Extraktionsaufgabe kann Felder wie Thema, ausdrücklich in der Quelle genannte Bedingungen und eine ungeklärte Frage vorgeben. Geben Sie die Quellpassage und die gewünschten Feldnamen vor und benennen Sie die Darstellung fehlender Informationen. Dadurch wird eine Gesprächsantwort zu Daten, die eine Anwendung prüfen und verarbeiten kann. Eine Anfrage nach JSON und eine Anfrage nach einer Erklärung in Prosa sind unterschiedliche Ausgabeanforderungen und sollten getrennt benannt werden.\n\nDie vom Hersteller dokumentierten Schnittstellen umfassen außerdem Function Calling, strukturierte Ausgabe, die Fortsetzung eines Antwortpräfixes, Kontext-Caching und Batch-Inferenz. Funktionsaufrufe und Websuche werden nicht in jeder Konfiguration des Anbieters auf dieselbe Weise bereitgestellt. Verwenden Sie nur die für die gewählte Schnittstelle dokumentierten Steuerungsmöglichkeiten. In einer Anwendung mit Werkzeugen stellt die Anwendung die Werkzeuge bereit, führt ausgewählte Aktionen aus und gibt deren Ergebnisse zurück. Caching und Batch-Verarbeitung betreffen die Übermittlung und Wiederverwendung von Arbeit, keine neue Inhaltsmodalität.\n\nAnfragevorbereitung\n\nHalten Sie Quellmaterial, Gespräch und angeforderte Antwort innerhalb des verfügbaren Umfangs der gewählten Schnittstelle. Reservieren Sie Platz für die Antwort und entscheiden Sie zwischen einer kompakten Antwort und einem langen Dokument.\n\nStellen Sie bei einer Dokumentaufgabe die wesentlichen Quellabschnitte vor optionale Beispiele und benennen Sie die erforderlichen Inhalte des Endergebnisses. Geben Sie beispielsweise eine Produktbeschreibung und Kundenfragen vor und verlangen Sie anschließend eine Antwort, die die bereitgestellten Bedingungen bewahrt, die Sprache des Kunden verwendet und unbeantwortete Fragen von bestätigten Informationen trennt. Das Ergebnis kann eine Kundenantwort samt kleinem JSON-Datensatz für den nächsten Anwendungsschritt sein.\n\nGeben Sie für Programmierung den Zweck der Funktion, die akzeptierte Eingabe, die erwartete Ausgabe und das vorhandene Fragment vor, dessen Kompatibilität erhalten bleiben muss. Verlangen Sie die Implementierung, eine Erklärung der Entscheidungen und Beispiele für eine gewöhnliche Eingabe und einen Grenzfall. So wird der dokumentierte Programmier- und Reasoning-Schwerpunkt des Modells genutzt, ohne Zugriff auf ein Repository, einen Compiler oder eine laufende Anwendung anzunehmen.\n\nDefinieren Sie für kreatives Schreiben oder rollenbasierte Dialoge Zielgruppe, Ton und die nach einer Überarbeitung zu bewahrenden Fakten. Eine Rolle kann das Gespräch ordnen; das Quellmaterial bestimmt, was das Modell sagen soll. Verlangen Sie unterschiedliche Einleitungen oder Erklärungen für verschiedene Leser statt eines nicht näher bestimmten Umschreibens; jede Variante hat dann einen erkennbaren Zweck.\n\nWesentliche Grenzen\n\nQwen-Max ist eine Text-zu-Text-Modellreihe; diese Edition ist weder für Bildverarbeitung noch für Sprachsynthese vorgesehen. Der Hersteller führt Fine-Tuning auf dieser Modellkarte nicht als unterstützte Schnittstellenfunktion auf. Das Verhalten mit Werkzeugen hängt von der angebundenen Schnittstelle ab. Diese Unterschiede helfen, die passende Edition auszuwählen und eine Eingabe vorzubereiten, die dem tatsächlich benötigten Ergebnis entspricht.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Write two explanations for different readers\n\nUse these facts to write two versions of a product note: the desk lamp has three brightness settings, uses a replaceable cable and turns off automatically after 30 minutes when its timer is enabled. Version A is for a shop assistant; Version B is for a first-time buyer. Keep each under 55 words and preserve the timer condition.Two labelled audience-specific notes with the same product facts and distinct practical emphasis.Neither version claims that automatic shutoff occurs when the timer is disabled or omits the 30-minute condition.qwen-maxQwen-Max ist ein Textmodell für mehrsprachige Gespräche, logisches Schlussfolgern, Programmierung und Inhaltserstellung. Es verbindet detailliertes Befolgen von Anweisungen mit JSON-orientierter Ausgabe und Steuerung des Antwortstils.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-Max ist ein großes Textmodell der Qwen-Familie für Aufgaben, die Sprachverständnis, logisches Schlussfolgern und ein umfangreiches schriftliches Ergebnis verbinden. Der Hersteller hebt chinesisch- und englischsprachige Programmieraufgaben, mehrsprachige Arbeit, kreatives Schreiben und rollenbasierte Gespräche hervor. Das Modell soll klarere, detailliertere Antworten erzeugen und dabei den gewünschten Antwortstil einhalten.
Modellfähigkeiten
Qwen-Max nimmt Text entgegen und erzeugt Text. Es kann mit einem Gespräch, Quellpassagen, einer Softwareanforderung oder einem vorhandenen Codefragment arbeiten. Verwenden Sie es, wenn das Ergebnis eine Erklärung, ein umgeschriebenes Dokument, eine Implementierung oder ein Satz extrahierter Felder sein soll. Eine gescannte Seite oder ein Screenshot benötigt einen separaten Schritt, der die erforderlichen Informationen als Text verfügbar macht; die dokumentierte Eingabe dieses Modells ist kein Bild.
Der Hersteller nennt insbesondere das Einhalten von JSON-Formatierung. Eine praktische Extraktionsaufgabe kann Felder wie Thema, ausdrücklich in der Quelle genannte Bedingungen und eine ungeklärte Frage vorgeben. Geben Sie die Quellpassage und die gewünschten Feldnamen vor und benennen Sie die Darstellung fehlender Informationen. Dadurch wird eine Gesprächsantwort zu Daten, die eine Anwendung prüfen und verarbeiten kann. Eine Anfrage nach JSON und eine Anfrage nach einer Erklärung in Prosa sind unterschiedliche Ausgabeanforderungen und sollten getrennt benannt werden.
Die vom Hersteller dokumentierten Schnittstellen umfassen außerdem Function Calling, strukturierte Ausgabe, die Fortsetzung eines Antwortpräfixes, Kontext-Caching und Batch-Inferenz. Funktionsaufrufe und Websuche werden nicht in jeder Konfiguration des Anbieters auf dieselbe Weise bereitgestellt. Verwenden Sie nur die für die gewählte Schnittstelle dokumentierten Steuerungsmöglichkeiten. In einer Anwendung mit Werkzeugen stellt die Anwendung die Werkzeuge bereit, führt ausgewählte Aktionen aus und gibt deren Ergebnisse zurück. Caching und Batch-Verarbeitung betreffen die Übermittlung und Wiederverwendung von Arbeit, keine neue Inhaltsmodalität.
Anfragevorbereitung
Halten Sie Quellmaterial, Gespräch und angeforderte Antwort innerhalb des verfügbaren Umfangs der gewählten Schnittstelle. Reservieren Sie Platz für die Antwort und entscheiden Sie zwischen einer kompakten Antwort und einem langen Dokument.
Stellen Sie bei einer Dokumentaufgabe die wesentlichen Quellabschnitte vor optionale Beispiele und benennen Sie die erforderlichen Inhalte des Endergebnisses. Geben Sie beispielsweise eine Produktbeschreibung und Kundenfragen vor und verlangen Sie anschließend eine Antwort, die die bereitgestellten Bedingungen bewahrt, die Sprache des Kunden verwendet und unbeantwortete Fragen von bestätigten Informationen trennt. Das Ergebnis kann eine Kundenantwort samt kleinem JSON-Datensatz für den nächsten Anwendungsschritt sein.
Geben Sie für Programmierung den Zweck der Funktion, die akzeptierte Eingabe, die erwartete Ausgabe und das vorhandene Fragment vor, dessen Kompatibilität erhalten bleiben muss. Verlangen Sie die Implementierung, eine Erklärung der Entscheidungen und Beispiele für eine gewöhnliche Eingabe und einen Grenzfall. So wird der dokumentierte Programmier- und Reasoning-Schwerpunkt des Modells genutzt, ohne Zugriff auf ein Repository, einen Compiler oder eine laufende Anwendung anzunehmen.
Definieren Sie für kreatives Schreiben oder rollenbasierte Dialoge Zielgruppe, Ton und die nach einer Überarbeitung zu bewahrenden Fakten. Eine Rolle kann das Gespräch ordnen; das Quellmaterial bestimmt, was das Modell sagen soll. Verlangen Sie unterschiedliche Einleitungen oder Erklärungen für verschiedene Leser statt eines nicht näher bestimmten Umschreibens; jede Variante hat dann einen erkennbaren Zweck.
Wesentliche Grenzen
Qwen-Max ist eine Text-zu-Text-Modellreihe; diese Edition ist weder für Bildverarbeitung noch für Sprachsynthese vorgesehen. Der Hersteller führt Fine-Tuning auf dieser Modellkarte nicht als unterstützte Schnittstellenfunktion auf. Das Verhalten mit Werkzeugen hängt von der angebundenen Schnittstelle ab. Diese Unterschiede helfen, die passende Edition auszuwählen und eine Eingabe vorzubereiten, die dem tatsächlich benötigten Ergebnis entspricht.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-max | 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 $0.000686 / 1K Token Ausgabe · Ausgabetoken $0.002744 / 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-max", "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-max',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-max',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-max
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-maxQwen-Max ist ein Textmodell für mehrsprachige Gespräche, logisches Schlussfolgern, Programmierung und Inhaltserstellung. Es verbindet detailliertes Befolgen von Anweisungen mit JSON-orientierter Ausgabe und Steuerung des Antwortstils.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-Max ist ein großes Textmodell der Qwen-Familie für Aufgaben, die Sprachverständnis, logisches Schlussfolgern und ein umfangreiches schriftliches Ergebnis verbinden. Der Hersteller hebt chinesisch- und englischsprachige Programmieraufgaben, mehrsprachige Arbeit, kreatives Schreiben und rollenbasierte Gespräche hervor. Das Modell soll klarere, detailliertere Antworten erzeugen und dabei den gewünschten Antwortstil einhalten.
Modellfähigkeiten
Qwen-Max nimmt Text entgegen und erzeugt Text. Es kann mit einem Gespräch, Quellpassagen, einer Softwareanforderung oder einem vorhandenen Codefragment arbeiten. Verwenden Sie es, wenn das Ergebnis eine Erklärung, ein umgeschriebenes Dokument, eine Implementierung oder ein Satz extrahierter Felder sein soll. Eine gescannte Seite oder ein Screenshot benötigt einen separaten Schritt, der die erforderlichen Informationen als Text verfügbar macht; die dokumentierte Eingabe dieses Modells ist kein Bild.
Der Hersteller nennt insbesondere das Einhalten von JSON-Formatierung. Eine praktische Extraktionsaufgabe kann Felder wie Thema, ausdrücklich in der Quelle genannte Bedingungen und eine ungeklärte Frage vorgeben. Geben Sie die Quellpassage und die gewünschten Feldnamen vor und benennen Sie die Darstellung fehlender Informationen. Dadurch wird eine Gesprächsantwort zu Daten, die eine Anwendung prüfen und verarbeiten kann. Eine Anfrage nach JSON und eine Anfrage nach einer Erklärung in Prosa sind unterschiedliche Ausgabeanforderungen und sollten getrennt benannt werden.
Die vom Hersteller dokumentierten Schnittstellen umfassen außerdem Function Calling, strukturierte Ausgabe, die Fortsetzung eines Antwortpräfixes, Kontext-Caching und Batch-Inferenz. Funktionsaufrufe und Websuche werden nicht in jeder Konfiguration des Anbieters auf dieselbe Weise bereitgestellt. Verwenden Sie nur die für die gewählte Schnittstelle dokumentierten Steuerungsmöglichkeiten. In einer Anwendung mit Werkzeugen stellt die Anwendung die Werkzeuge bereit, führt ausgewählte Aktionen aus und gibt deren Ergebnisse zurück. Caching und Batch-Verarbeitung betreffen die Übermittlung und Wiederverwendung von Arbeit, keine neue Inhaltsmodalität.
Anfragevorbereitung
Halten Sie Quellmaterial, Gespräch und angeforderte Antwort innerhalb des verfügbaren Umfangs der gewählten Schnittstelle. Reservieren Sie Platz für die Antwort und entscheiden Sie zwischen einer kompakten Antwort und einem langen Dokument.
Stellen Sie bei einer Dokumentaufgabe die wesentlichen Quellabschnitte vor optionale Beispiele und benennen Sie die erforderlichen Inhalte des Endergebnisses. Geben Sie beispielsweise eine Produktbeschreibung und Kundenfragen vor und verlangen Sie anschließend eine Antwort, die die bereitgestellten Bedingungen bewahrt, die Sprache des Kunden verwendet und unbeantwortete Fragen von bestätigten Informationen trennt. Das Ergebnis kann eine Kundenantwort samt kleinem JSON-Datensatz für den nächsten Anwendungsschritt sein.
Geben Sie für Programmierung den Zweck der Funktion, die akzeptierte Eingabe, die erwartete Ausgabe und das vorhandene Fragment vor, dessen Kompatibilität erhalten bleiben muss. Verlangen Sie die Implementierung, eine Erklärung der Entscheidungen und Beispiele für eine gewöhnliche Eingabe und einen Grenzfall. So wird der dokumentierte Programmier- und Reasoning-Schwerpunkt des Modells genutzt, ohne Zugriff auf ein Repository, einen Compiler oder eine laufende Anwendung anzunehmen.
Definieren Sie für kreatives Schreiben oder rollenbasierte Dialoge Zielgruppe, Ton und die nach einer Überarbeitung zu bewahrenden Fakten. Eine Rolle kann das Gespräch ordnen; das Quellmaterial bestimmt, was das Modell sagen soll. Verlangen Sie unterschiedliche Einleitungen oder Erklärungen für verschiedene Leser statt eines nicht näher bestimmten Umschreibens; jede Variante hat dann einen erkennbaren Zweck.
Wesentliche Grenzen
Qwen-Max ist eine Text-zu-Text-Modellreihe; diese Edition ist weder für Bildverarbeitung noch für Sprachsynthese vorgesehen. Der Hersteller führt Fine-Tuning auf dieser Modellkarte nicht als unterstützte Schnittstellenfunktion auf. Das Verhalten mit Werkzeugen hängt von der angebundenen Schnittstelle ab. Diese Unterschiede helfen, die passende Edition auszuwählen und eine Eingabe vorzubereiten, die dem tatsächlich benötigten Ergebnis entspricht.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-max | 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 $0.000686 / 1K Token Ausgabe · Ausgabetoken $0.002744 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-max', '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-max', '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-max
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Write two explanations for different readers\n\nUse these facts to write two versions of a product note: the desk lamp has three brightness settings, uses a replaceable cable and turns off automatically after 30 minutes when its timer is enabled. Version A is for a shop assistant; Version B is for a first-time buyer. Keep each under 55 words and preserve the timer condition.Two labelled audience-specific notes with the same product facts and distinct practical emphasis.Neither version claims that automatic shutoff occurs when the timer is disabled or omits the 30-minute condition.