Qwen3.7-Max 2026-06-08 ist Alibabas benannter Snapshot vom 8. Juni des Max-Modells aus der Qwen3.7-Familie. Die entscheidende Änderung dieser Ausgabe ist das visuelle Verständnis, das den Snapshot vom 20. Mai ergänzt und Interaktionen auf Grundlage realer Szenen ermöglicht. Das Modell nimmt Text, Bilder und Video entgegen und erzeugt Text. Der auf Agenten ausgerichtete Einsatzzweck der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.
Die Ausgabe ist für visuelle Aufgaben relevant. 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 enthält. Bei diesem Modell kann ein Screenshot eine Programmieraufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäß einer schriftlichen Anweisung analysieren soll. Die Ausgabe ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf und keine erzeugten Bilder, Videos oder Sprachausgaben.
Alibabas Thinking-Leitfaden führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Thinking ist im Hersteller-Workflow standardmäßig aktiviert und kann für eine direkte Antwort deaktiviert werden. Im Thinking-Modus entstehen vor der Antwort Überlegungen, was zusätzliche Denkzeit erfordert. Der Leitfaden trennt die Reasoning-Inhalte von der abschließenden Antwort und unterstützt für genau dieses Modell die Beibehaltung bereitgestellter früherer Überlegungen über mehrere Gesprächsrunden. Beibehaltene Überlegungen werden Teil der nächsten Eingabe. Eine fortlaufende Aufgabe muss sie daher zusammen mit dem Gespräch und dem Quellenmaterial einplanen.
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 bittet das Modell, fortzufahren. Definieren Sie bei einem Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung präzise und fordern Sie die abgeschlossene Änderung samt stützendem Ergebnis an. Ein Werkzeug zu beschreiben ist etwas anderes, als es auszuführen: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.
Der Juni-Snapshot führt außerdem Structured Outputs, Web Search, Prefix Completion und Context Caching auf. Diese unterstützen im Hersteller-Workflow definierte Ausgabedatensätze, suchgestütztes Arbeiten, die Fortsetzung eines vorgegebenen Anfangs und die Wiederverwendung eines gemeinsamen Eingabepräfixes. 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 991.808 Tokens im regulären Profil und 983.616 Tokens im Thinking-Modus; die maximale Ausgabe beträgt in beiden Profilen 131.072 Tokens. Kontext-, Eingabe- und Ausgabegrenzen sind unterschiedliche Grenzen. Umfangreiches Quellenmaterial, der Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen Umfang ausschöpfen muss.
Stellen Sie für eine praktische Oberflächenaufgabe den Screenshot, relevante Quelltextausschnitte, das gewünschte Verhalten und ein ausdrückliches Arbeitsergebnis bereit. Ein beispielhafter Auftrag lautet: „Erklären Sie anhand dieses Bildschirms und des beigefügten Komponententexts, warum die Beschriftungen des Formulars nicht zum Arbeitsablauf passen. Schlagen Sie eine gezielte Codeänderung vor und führen Sie die sichtbaren Elemente auf, die sie begründen.“ Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellabschnitte, den gewünschten endgültigen Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihre Beziehung, damit das Textergebnis auf die Belege zurückverweisen kann.
Benennen Sie für Videoanalysen das benötigte Ereignis oder die Sequenz, fordern Sie eine knappe Beschreibung an und bewahren Sie Zeitstempel in der vorbereiteten Eingabe auf, wenn das Ergebnis einen bestimmten Moment identifizieren muss. In Alibabas Datei-Workflow darf ein über eine URL eingebundenes Bild bis zu 20 MB groß sein; ein URL-Video darf bis zu 2 GB groß und zwischen 2 Sekunden und 2 Stunden lang sein. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateigrenzen und Tokenbudget getrennt. Wenn Audio unverzichtbar ist, stellen Sie ein Transkript als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Legen Sie bei einer längeren Agentenaufgabe das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis fest, das als Abschluss gilt. Diese Vorbereitung richtet das Modell auf ein überprüfbares textuelles Arbeitsergebnis aus, statt auf eine offene Folge vorläufiger Vorschläge.
", "aboutText": "Qwen3.7-Max 2026-06-08 ist Alibabas benannter Snapshot vom 8. Juni des Max-Modells aus der Qwen3.7-Familie. Die entscheidende Änderung dieser Ausgabe ist das visuelle Verständnis, das den Snapshot vom 20. Mai ergänzt und Interaktionen auf Grundlage realer Szenen ermöglicht. Das Modell nimmt Text, Bilder und Video entgegen und erzeugt Text. Der auf Agenten ausgerichtete Einsatzzweck der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.\n\nDie Ausgabe ist für visuelle Aufgaben relevant. 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 enthält. Bei diesem Modell kann ein Screenshot eine Programmieraufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäß einer schriftlichen Anweisung analysieren soll. Die Ausgabe ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf und keine erzeugten Bilder, Videos oder Sprachausgaben.\n\nAlibabas Thinking-Leitfaden führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Thinking ist im Hersteller-Workflow standardmäßig aktiviert und kann für eine direkte Antwort deaktiviert werden. Im Thinking-Modus entstehen vor der Antwort Überlegungen, was zusätzliche Denkzeit erfordert. Der Leitfaden trennt die Reasoning-Inhalte von der abschließenden Antwort und unterstützt für genau dieses Modell die Beibehaltung bereitgestellter früherer Überlegungen über mehrere Gesprächsrunden. Beibehaltene Überlegungen werden Teil der nächsten Eingabe. Eine fortlaufende Aufgabe muss sie daher zusammen mit dem Gespräch und dem Quellenmaterial einplanen.\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 bittet das Modell, fortzufahren. Definieren Sie bei einem Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung präzise und fordern Sie die abgeschlossene Änderung samt stützendem Ergebnis an. Ein Werkzeug zu beschreiben ist etwas anderes, als es auszuführen: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.\n\nDer Juni-Snapshot führt außerdem Structured Outputs, Web Search, Prefix Completion und Context Caching auf. Diese unterstützen im Hersteller-Workflow definierte Ausgabedatensätze, suchgestütztes Arbeiten, die Fortsetzung eines vorgegebenen Anfangs und die Wiederverwendung eines gemeinsamen Eingabepräfixes. 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 991.808 Tokens im regulären Profil und 983.616 Tokens im Thinking-Modus; die maximale Ausgabe beträgt in beiden Profilen 131.072 Tokens. Kontext-, Eingabe- und Ausgabegrenzen sind unterschiedliche Grenzen. Umfangreiches Quellenmaterial, der Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen Umfang ausschöpfen muss.\n\nStellen Sie für eine praktische Oberflächenaufgabe den Screenshot, relevante Quelltextausschnitte, das gewünschte Verhalten und ein ausdrückliches Arbeitsergebnis bereit. Ein beispielhafter Auftrag lautet: „Erklären Sie anhand dieses Bildschirms und des beigefügten Komponententexts, warum die Beschriftungen des Formulars nicht zum Arbeitsablauf passen. Schlagen Sie eine gezielte Codeänderung vor und führen Sie die sichtbaren Elemente auf, die sie begründen.“ Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellabschnitte, den gewünschten endgültigen Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihre Beziehung, damit das Textergebnis auf die Belege zurückverweisen kann.\n\nBenennen Sie für Videoanalysen das benötigte Ereignis oder die Sequenz, fordern Sie eine knappe Beschreibung an und bewahren Sie Zeitstempel in der vorbereiteten Eingabe auf, wenn das Ergebnis einen bestimmten Moment identifizieren muss. In Alibabas Datei-Workflow darf ein über eine URL eingebundenes Bild bis zu 20 MB groß sein; ein URL-Video darf bis zu 2 GB groß und zwischen 2 Sekunden und 2 Stunden lang sein. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateigrenzen und Tokenbudget getrennt. Wenn Audio unverzichtbar ist, stellen Sie ein Transkript als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Legen Sie bei einer längeren Agentenaufgabe das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis fest, das als Abschluss gilt. Diese Vorbereitung richtet das Modell auf ein überprüfbares textuelles Arbeitsergebnis aus, statt auf eine offene Folge vorläufiger Vorschläge.", "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 Text-, Bild- und Videoverständnis mit einem auf Agenten ausgerichteten Text-Workflow. Dieser benannte Snapshot ergänzt die Mai-Ausgabe um visuelles Verständnis, unterstützt hybrides Thinking und Werkzeuge und besitzt 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 entscheidende Änderung dieser Ausgabe ist das visuelle Verständnis, das den Snapshot vom 20. Mai ergänzt und Interaktionen auf Grundlage realer Szenen ermöglicht. Das Modell nimmt Text, Bilder und Video entgegen und erzeugt Text. Der auf Agenten ausgerichtete Einsatzzweck der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.
Die Ausgabe ist für visuelle Aufgaben relevant. 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 enthält. Bei diesem Modell kann ein Screenshot eine Programmieraufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäß einer schriftlichen Anweisung analysieren soll. Die Ausgabe ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf und keine erzeugten Bilder, Videos oder Sprachausgaben.
Alibabas Thinking-Leitfaden führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Thinking ist im Hersteller-Workflow standardmäßig aktiviert und kann für eine direkte Antwort deaktiviert werden. Im Thinking-Modus entstehen vor der Antwort Überlegungen, was zusätzliche Denkzeit erfordert. Der Leitfaden trennt die Reasoning-Inhalte von der abschließenden Antwort und unterstützt für genau dieses Modell die Beibehaltung bereitgestellter früherer Überlegungen über mehrere Gesprächsrunden. Beibehaltene Überlegungen werden Teil der nächsten Eingabe. Eine fortlaufende Aufgabe muss sie daher zusammen mit dem Gespräch und dem Quellenmaterial einplanen.
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 bittet das Modell, fortzufahren. Definieren Sie bei einem Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung präzise und fordern Sie die abgeschlossene Änderung samt stützendem Ergebnis an. Ein Werkzeug zu beschreiben ist etwas anderes, als es auszuführen: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.
Der Juni-Snapshot führt außerdem Structured Outputs, Web Search, Prefix Completion und Context Caching auf. Diese unterstützen im Hersteller-Workflow definierte Ausgabedatensätze, suchgestütztes Arbeiten, die Fortsetzung eines vorgegebenen Anfangs und die Wiederverwendung eines gemeinsamen Eingabepräfixes. 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 991.808 Tokens im regulären Profil und 983.616 Tokens im Thinking-Modus; die maximale Ausgabe beträgt in beiden Profilen 131.072 Tokens. Kontext-, Eingabe- und Ausgabegrenzen sind unterschiedliche Grenzen. Umfangreiches Quellenmaterial, der Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen Umfang ausschöpfen muss.
Stellen Sie für eine praktische Oberflächenaufgabe den Screenshot, relevante Quelltextausschnitte, das gewünschte Verhalten und ein ausdrückliches Arbeitsergebnis bereit. Ein beispielhafter Auftrag lautet: „Erklären Sie anhand dieses Bildschirms und des beigefügten Komponententexts, warum die Beschriftungen des Formulars nicht zum Arbeitsablauf passen. Schlagen Sie eine gezielte Codeänderung vor und führen Sie die sichtbaren Elemente auf, die sie begründen.“ Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellabschnitte, den gewünschten endgültigen Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihre Beziehung, damit das Textergebnis auf die Belege zurückverweisen kann.
Benennen Sie für Videoanalysen das benötigte Ereignis oder die Sequenz, fordern Sie eine knappe Beschreibung an und bewahren Sie Zeitstempel in der vorbereiteten Eingabe auf, wenn das Ergebnis einen bestimmten Moment identifizieren muss. In Alibabas Datei-Workflow darf ein über eine URL eingebundenes Bild bis zu 20 MB groß sein; ein URL-Video darf bis zu 2 GB groß und zwischen 2 Sekunden und 2 Stunden lang sein. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateigrenzen und Tokenbudget getrennt. Wenn Audio unverzichtbar ist, stellen Sie ein Transkript als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Legen Sie bei einer längeren Agentenaufgabe das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis fest, das als Abschluss gilt. Diese Vorbereitung richtet das Modell auf ein überprüfbares textuelles Arbeitsergebnis aus, statt auf eine offene Folge vorläufiger Vorschläge.
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 Token Ausgabe · Ausgabetoken $0.0106 / 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": "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 Text-, Bild- und Videoverständnis mit einem auf Agenten ausgerichteten Text-Workflow. Dieser benannte Snapshot ergänzt die Mai-Ausgabe um visuelles Verständnis, unterstützt hybrides Thinking und Werkzeuge und besitzt 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 entscheidende Änderung dieser Ausgabe ist das visuelle Verständnis, das den Snapshot vom 20. Mai ergänzt und Interaktionen auf Grundlage realer Szenen ermöglicht. Das Modell nimmt Text, Bilder und Video entgegen und erzeugt Text. Der auf Agenten ausgerichtete Einsatzzweck der Familie umfasst Programmierung, Büro- und Produktivitätsaufgaben sowie länger andauernde Aufgaben, die Anweisungen mit Werkzeugergebnissen verbinden.
Die Ausgabe ist für visuelle Aufgaben relevant. 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 enthält. Bei diesem Modell kann ein Screenshot eine Programmieraufgabe ergänzen oder ein Video die Szene liefern, die der Agent gemäß einer schriftlichen Anweisung analysieren soll. Die Ausgabe ist eine Erklärung, Code, ein strukturierter Datensatz oder eine Anweisung für einen Werkzeugaufruf und keine erzeugten Bilder, Videos oder Sprachausgaben.
Alibabas Thinking-Leitfaden führt diesen Juni-Snapshot ausdrücklich als hybrid auf: Thinking ist im Hersteller-Workflow standardmäßig aktiviert und kann für eine direkte Antwort deaktiviert werden. Im Thinking-Modus entstehen vor der Antwort Überlegungen, was zusätzliche Denkzeit erfordert. Der Leitfaden trennt die Reasoning-Inhalte von der abschließenden Antwort und unterstützt für genau dieses Modell die Beibehaltung bereitgestellter früherer Überlegungen über mehrere Gesprächsrunden. Beibehaltene Überlegungen werden Teil der nächsten Eingabe. Eine fortlaufende Aufgabe muss sie daher zusammen mit dem Gespräch und dem Quellenmaterial einplanen.
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 bittet das Modell, fortzufahren. Definieren Sie bei einem Programmierassistenten das Werkzeug zum Lesen des Repositorys oder zur Validierung präzise und fordern Sie die abgeschlossene Änderung samt stützendem Ergebnis an. Ein Werkzeug zu beschreiben ist etwas anderes, als es auszuführen: Die umgebende Anwendung stellt den Zugriff bereit und führt den Vorgang aus.
Der Juni-Snapshot führt außerdem Structured Outputs, Web Search, Prefix Completion und Context Caching auf. Diese unterstützen im Hersteller-Workflow definierte Ausgabedatensätze, suchgestütztes Arbeiten, die Fortsetzung eines vorgegebenen Anfangs und die Wiederverwendung eines gemeinsamen Eingabepräfixes. 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 991.808 Tokens im regulären Profil und 983.616 Tokens im Thinking-Modus; die maximale Ausgabe beträgt in beiden Profilen 131.072 Tokens. Kontext-, Eingabe- und Ausgabegrenzen sind unterschiedliche Grenzen. Umfangreiches Quellenmaterial, der Gesprächsverlauf und visuelle Inhalte müssen weiterhin innerhalb der jeweils geltenden Eingabegrenze liegen. Die Ausgabeobergrenze bedeutet nicht, dass eine Antwort diesen Umfang ausschöpfen muss.
Stellen Sie für eine praktische Oberflächenaufgabe den Screenshot, relevante Quelltextausschnitte, das gewünschte Verhalten und ein ausdrückliches Arbeitsergebnis bereit. Ein beispielhafter Auftrag lautet: „Erklären Sie anhand dieses Bildschirms und des beigefügten Komponententexts, warum die Beschriftungen des Formulars nicht zum Arbeitsablauf passen. Schlagen Sie eine gezielte Codeänderung vor und führen Sie die sichtbaren Elemente auf, die sie begründen.“ Geben Sie bei Dokument- oder Produktivitätsaufgaben die Quellabschnitte, den gewünschten endgültigen Datensatz und Kriterien für die Auswahl der Inhalte an. Nummerieren Sie separate Bilder und beschreiben Sie ihre Beziehung, damit das Textergebnis auf die Belege zurückverweisen kann.
Benennen Sie für Videoanalysen das benötigte Ereignis oder die Sequenz, fordern Sie eine knappe Beschreibung an und bewahren Sie Zeitstempel in der vorbereiteten Eingabe auf, wenn das Ergebnis einen bestimmten Moment identifizieren muss. In Alibabas Datei-Workflow darf ein über eine URL eingebundenes Bild bis zu 20 MB groß sein; ein URL-Video darf bis zu 2 GB groß und zwischen 2 Sekunden und 2 Stunden lang sein. Base64-Video muss nach der Kodierung kleiner als 10 MB sein. Halten Sie Dateigrenzen und Tokenbudget getrennt. Wenn Audio unverzichtbar ist, stellen Sie ein Transkript als Text bereit; die Eingabetabelle dieses Snapshots führt Audio nicht auf. Legen Sie bei einer längeren Agentenaufgabe das endgültige Artefakt, die erlaubten Werkzeuge und das Ergebnis fest, das als Abschluss gilt. Diese Vorbereitung richtet das Modell auf ein überprüfbares textuelles Arbeitsergebnis aus, statt auf eine offene Folge vorläufiger Vorschläge.
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 Token Ausgabe · Ausgabetoken $0.0106 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3.7-max-2026-06-08",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.