QwQ-Plus — 2025-03-05 es una entrada fechada de la familia de razonamiento de texto QwQ-Plus. El fabricante describe QwQ-Plus como una línea QwQ mejorada, entrenada a partir de Qwen2.5, con aprendizaje por refuerzo para desarrollar el razonamiento. Sus áreas de tarea destacadas son matemáticas, programación y otras preguntas que requieren conectar varias condiciones. El resultado útil es una solución, explicación o implementación en texto fundamentada en el material que proporciona el usuario.
Una tarea de razonamiento necesita un objetivo definido. Para matemáticas, proporciona el enunciado completo, las definiciones, los rangos de variables permitidos y la cantidad o afirmación que se debe establecer. Pide un resultado final en una forma específica y suficiente explicación para comprobar las transiciones. Si evalúas un intento de solución, incluye juntos el problema original y el paso cuestionado. El modelo puede abordar así la cuestión real, en lugar de reconstruir suposiciones faltantes a partir de un fragmento parcial.
Para programación, proporciona el código pertinente, el lenguaje, el comportamiento esperado y una entrada que exponga el problema. Una solicitud útil pide una función revisada, una explicación de la condición modificada y ejemplos que muestren el comportamiento previsto. Conserva la interfaz e indica qué comportamiento circundante debe permanecer sin cambios. Al comparar algoritmos, define primero los criterios —por ejemplo, la corrección en los casos proporcionados y las suposiciones de complejidad pertinentes— y después pide una elección razonada, en lugar de una lista general de alternativas.
La referencia de chat del fabricante recomienda colocar las instrucciones de QwQ en la solicitud del usuario, en lugar de depender de un mensaje de sistema. Separa los datos fuente de la tarea, incluido cualquier texto o código citado para su análisis. Indica cómo manejar la información insuficiente: señalar la condición faltante o hacer una pregunta de seguimiento específica, en lugar de suponer un valor. Si la aplicación ya tiene resultados de una calculadora, un ejecutor de pruebas o una herramienta de búsqueda, transmite esos resultados explícitamente y pide al modelo que los utilice como evidencia.
El flujo documentado del servicio QwQ devuelve la salida por streaming. Mantén diferenciados el razonamiento intermedio y la respuesta completa, y ensambla los fragmentos devueltos antes de tratar la respuesta como un entregable terminado. Un flujo parcial puede contener un cálculo inconcluso o un enfoque abandonado. Para un resultado dirigido al usuario, identifica la conclusión final y las comprobaciones que la respaldan, conservando suficiente contexto fuente para revisar qué se pidió realmente.
Para una tarea de razonamiento repetible, conserva el nombre exacto y fechado del modelo junto con la versión de entrada, el formato de salida solicitado y los ajustes de generación. En un seguimiento, identifica el paso concreto que debe cambiar y mantén explícitos los hechos aceptados. Proporciona extractos pertinentes, en lugar de antecedentes sin relación, y fija un objetivo de respuesta conciso para que la solicitud deje espacio tanto para el análisis como para el resultado final.
Para una tarea analítica, etiqueta las opciones comparadas e indica la regla de decisión. Para una demostración, distingue las premisas de la afirmación; para un programa, distingue un fallo observado de una causa propuesta. Pide que la respuesta final identifique qué conclusión se desprende de los hechos proporcionados y qué parte depende de una suposición. Verifica la aritmética con los números originales, prueba el código propuesto frente a los casos reales e inspecciona cualquier salida con apariencia estructurada antes de que una aplicación la consuma. Una tabla o un diseño similar a JSON solicitados son instrucciones de salida, no una garantía de generación estructurada restringida.
Elige este formato de tarea orientado al razonamiento cuando sea necesario explicar y comprobar el camino hasta un resultado. Un entregable final útil puede ser una solución comprobada, un cambio de código con ejemplos pertinentes o una comparación que haga explícita la condición decisiva. Las acciones externas siguen necesitando una herramienta de aplicación definida y un resultado devuelto; el texto de razonamiento por sí solo no establece que se haya ejecutado un cálculo o aplicado un cambio propuesto.
", "aboutText": "QwQ-Plus — 2025-03-05 es una entrada fechada de la familia de razonamiento de texto QwQ-Plus. El fabricante describe QwQ-Plus como una línea QwQ mejorada, entrenada a partir de Qwen2.5, con aprendizaje por refuerzo para desarrollar el razonamiento. Sus áreas de tarea destacadas son matemáticas, programación y otras preguntas que requieren conectar varias condiciones. El resultado útil es una solución, explicación o implementación en texto fundamentada en el material que proporciona el usuario.\n\nUna tarea de razonamiento necesita un objetivo definido. Para matemáticas, proporciona el enunciado completo, las definiciones, los rangos de variables permitidos y la cantidad o afirmación que se debe establecer. Pide un resultado final en una forma específica y suficiente explicación para comprobar las transiciones. Si evalúas un intento de solución, incluye juntos el problema original y el paso cuestionado. El modelo puede abordar así la cuestión real, en lugar de reconstruir suposiciones faltantes a partir de un fragmento parcial.\n\nPara programación, proporciona el código pertinente, el lenguaje, el comportamiento esperado y una entrada que exponga el problema. Una solicitud útil pide una función revisada, una explicación de la condición modificada y ejemplos que muestren el comportamiento previsto. Conserva la interfaz e indica qué comportamiento circundante debe permanecer sin cambios. Al comparar algoritmos, define primero los criterios —por ejemplo, la corrección en los casos proporcionados y las suposiciones de complejidad pertinentes— y después pide una elección razonada, en lugar de una lista general de alternativas.\n\nLa referencia de chat del fabricante recomienda colocar las instrucciones de QwQ en la solicitud del usuario, en lugar de depender de un mensaje de sistema. Separa los datos fuente de la tarea, incluido cualquier texto o código citado para su análisis. Indica cómo manejar la información insuficiente: señalar la condición faltante o hacer una pregunta de seguimiento específica, en lugar de suponer un valor. Si la aplicación ya tiene resultados de una calculadora, un ejecutor de pruebas o una herramienta de búsqueda, transmite esos resultados explícitamente y pide al modelo que los utilice como evidencia.\n\nEl flujo documentado del servicio QwQ devuelve la salida por streaming. Mantén diferenciados el razonamiento intermedio y la respuesta completa, y ensambla los fragmentos devueltos antes de tratar la respuesta como un entregable terminado. Un flujo parcial puede contener un cálculo inconcluso o un enfoque abandonado. Para un resultado dirigido al usuario, identifica la conclusión final y las comprobaciones que la respaldan, conservando suficiente contexto fuente para revisar qué se pidió realmente.\n\nPara una tarea de razonamiento repetible, conserva el nombre exacto y fechado del modelo junto con la versión de entrada, el formato de salida solicitado y los ajustes de generación. En un seguimiento, identifica el paso concreto que debe cambiar y mantén explícitos los hechos aceptados. Proporciona extractos pertinentes, en lugar de antecedentes sin relación, y fija un objetivo de respuesta conciso para que la solicitud deje espacio tanto para el análisis como para el resultado final.\n\nPara una tarea analítica, etiqueta las opciones comparadas e indica la regla de decisión. Para una demostración, distingue las premisas de la afirmación; para un programa, distingue un fallo observado de una causa propuesta. Pide que la respuesta final identifique qué conclusión se desprende de los hechos proporcionados y qué parte depende de una suposición. Verifica la aritmética con los números originales, prueba el código propuesto frente a los casos reales e inspecciona cualquier salida con apariencia estructurada antes de que una aplicación la consuma. Una tabla o un diseño similar a JSON solicitados son instrucciones de salida, no una garantía de generación estructurada restringida.\n\nElige este formato de tarea orientado al razonamiento cuando sea necesario explicar y comprobar el camino hasta un resultado. Un entregable final útil puede ser una solución comprobada, un cambio de código con ejemplos pertinentes o una comparación que haga explícita la condición decisiva. Las acciones externas siguen necesitando una herramienta de aplicación definida y un resultado devuelto; el texto de razonamiento por sí solo no establece que se haya ejecutado un cálculo o aplicado un cambio propuesto.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Check a batch-capacity claim\n\nA processor handles 18 records per minute and must finish 1,000 records within one hour. Each run also needs a fixed seven-minute setup, during which no records are processed. Determine whether one run can meet the deadline under these assumptions. Show the available processing time, capacity and minimum rate needed, rounding only where required.A feasibility calculation with processing time, attainable capacity and the rate required to meet the deadline.The seven-minute setup is deducted before applying the processing rate, and units remain consistent.qwq-plus-2025-03-05QwQ-Plus — 2025-03-05 conserva una identidad fechada dentro de la familia de razonamiento de texto de Qwen. Su enfoque basado en Qwen2.5 y entrenado por refuerzo está destinado a matemáticas, programación y problemas que necesitan un resultado justificado a partir de varias condiciones conectadas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
QwQ-Plus — 2025-03-05 es una entrada fechada de la familia de razonamiento de texto QwQ-Plus. El fabricante describe QwQ-Plus como una línea QwQ mejorada, entrenada a partir de Qwen2.5, con aprendizaje por refuerzo para desarrollar el razonamiento. Sus áreas de tarea destacadas son matemáticas, programación y otras preguntas que requieren conectar varias condiciones. El resultado útil es una solución, explicación o implementación en texto fundamentada en el material que proporciona el usuario.
Una tarea de razonamiento necesita un objetivo definido. Para matemáticas, proporciona el enunciado completo, las definiciones, los rangos de variables permitidos y la cantidad o afirmación que se debe establecer. Pide un resultado final en una forma específica y suficiente explicación para comprobar las transiciones. Si evalúas un intento de solución, incluye juntos el problema original y el paso cuestionado. El modelo puede abordar así la cuestión real, en lugar de reconstruir suposiciones faltantes a partir de un fragmento parcial.
Para programación, proporciona el código pertinente, el lenguaje, el comportamiento esperado y una entrada que exponga el problema. Una solicitud útil pide una función revisada, una explicación de la condición modificada y ejemplos que muestren el comportamiento previsto. Conserva la interfaz e indica qué comportamiento circundante debe permanecer sin cambios. Al comparar algoritmos, define primero los criterios —por ejemplo, la corrección en los casos proporcionados y las suposiciones de complejidad pertinentes— y después pide una elección razonada, en lugar de una lista general de alternativas.
La referencia de chat del fabricante recomienda colocar las instrucciones de QwQ en la solicitud del usuario, en lugar de depender de un mensaje de sistema. Separa los datos fuente de la tarea, incluido cualquier texto o código citado para su análisis. Indica cómo manejar la información insuficiente: señalar la condición faltante o hacer una pregunta de seguimiento específica, en lugar de suponer un valor. Si la aplicación ya tiene resultados de una calculadora, un ejecutor de pruebas o una herramienta de búsqueda, transmite esos resultados explícitamente y pide al modelo que los utilice como evidencia.
El flujo documentado del servicio QwQ devuelve la salida por streaming. Mantén diferenciados el razonamiento intermedio y la respuesta completa, y ensambla los fragmentos devueltos antes de tratar la respuesta como un entregable terminado. Un flujo parcial puede contener un cálculo inconcluso o un enfoque abandonado. Para un resultado dirigido al usuario, identifica la conclusión final y las comprobaciones que la respaldan, conservando suficiente contexto fuente para revisar qué se pidió realmente.
Para una tarea de razonamiento repetible, conserva el nombre exacto y fechado del modelo junto con la versión de entrada, el formato de salida solicitado y los ajustes de generación. En un seguimiento, identifica el paso concreto que debe cambiar y mantén explícitos los hechos aceptados. Proporciona extractos pertinentes, en lugar de antecedentes sin relación, y fija un objetivo de respuesta conciso para que la solicitud deje espacio tanto para el análisis como para el resultado final.
Para una tarea analítica, etiqueta las opciones comparadas e indica la regla de decisión. Para una demostración, distingue las premisas de la afirmación; para un programa, distingue un fallo observado de una causa propuesta. Pide que la respuesta final identifique qué conclusión se desprende de los hechos proporcionados y qué parte depende de una suposición. Verifica la aritmética con los números originales, prueba el código propuesto frente a los casos reales e inspecciona cualquier salida con apariencia estructurada antes de que una aplicación la consuma. Una tabla o un diseño similar a JSON solicitados son instrucciones de salida, no una garantía de generación estructurada restringida.
Elige este formato de tarea orientado al razonamiento cuando sea necesario explicar y comprobar el camino hasta un resultado. Un entregable final útil puede ser una solución comprobada, un cambio de código con ejemplos pertinentes o una comparación que haga explícita la condición decisiva. Las acciones externas siguen necesitando una herramienta de aplicación definida y un resultado devuelto; el texto de razonamiento por sí solo no establece que se haya ejecutado un cálculo o aplicado un cambio propuesto.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwq-plus-2025-03-05 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00046 / 1K tokens Salida · Tokens de salida $0.00116 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwq-plus-2025-03-05", "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='qwq-plus-2025-03-05',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='qwq-plus-2025-03-05',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwq-plus-2025-03-05
Usa las rutas de método indicadas arriba.
qwq-plus-2025-03-05QwQ-Plus — 2025-03-05 conserva una identidad fechada dentro de la familia de razonamiento de texto de Qwen. Su enfoque basado en Qwen2.5 y entrenado por refuerzo está destinado a matemáticas, programación y problemas que necesitan un resultado justificado a partir de varias condiciones conectadas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
QwQ-Plus — 2025-03-05 es una entrada fechada de la familia de razonamiento de texto QwQ-Plus. El fabricante describe QwQ-Plus como una línea QwQ mejorada, entrenada a partir de Qwen2.5, con aprendizaje por refuerzo para desarrollar el razonamiento. Sus áreas de tarea destacadas son matemáticas, programación y otras preguntas que requieren conectar varias condiciones. El resultado útil es una solución, explicación o implementación en texto fundamentada en el material que proporciona el usuario.
Una tarea de razonamiento necesita un objetivo definido. Para matemáticas, proporciona el enunciado completo, las definiciones, los rangos de variables permitidos y la cantidad o afirmación que se debe establecer. Pide un resultado final en una forma específica y suficiente explicación para comprobar las transiciones. Si evalúas un intento de solución, incluye juntos el problema original y el paso cuestionado. El modelo puede abordar así la cuestión real, en lugar de reconstruir suposiciones faltantes a partir de un fragmento parcial.
Para programación, proporciona el código pertinente, el lenguaje, el comportamiento esperado y una entrada que exponga el problema. Una solicitud útil pide una función revisada, una explicación de la condición modificada y ejemplos que muestren el comportamiento previsto. Conserva la interfaz e indica qué comportamiento circundante debe permanecer sin cambios. Al comparar algoritmos, define primero los criterios —por ejemplo, la corrección en los casos proporcionados y las suposiciones de complejidad pertinentes— y después pide una elección razonada, en lugar de una lista general de alternativas.
La referencia de chat del fabricante recomienda colocar las instrucciones de QwQ en la solicitud del usuario, en lugar de depender de un mensaje de sistema. Separa los datos fuente de la tarea, incluido cualquier texto o código citado para su análisis. Indica cómo manejar la información insuficiente: señalar la condición faltante o hacer una pregunta de seguimiento específica, en lugar de suponer un valor. Si la aplicación ya tiene resultados de una calculadora, un ejecutor de pruebas o una herramienta de búsqueda, transmite esos resultados explícitamente y pide al modelo que los utilice como evidencia.
El flujo documentado del servicio QwQ devuelve la salida por streaming. Mantén diferenciados el razonamiento intermedio y la respuesta completa, y ensambla los fragmentos devueltos antes de tratar la respuesta como un entregable terminado. Un flujo parcial puede contener un cálculo inconcluso o un enfoque abandonado. Para un resultado dirigido al usuario, identifica la conclusión final y las comprobaciones que la respaldan, conservando suficiente contexto fuente para revisar qué se pidió realmente.
Para una tarea de razonamiento repetible, conserva el nombre exacto y fechado del modelo junto con la versión de entrada, el formato de salida solicitado y los ajustes de generación. En un seguimiento, identifica el paso concreto que debe cambiar y mantén explícitos los hechos aceptados. Proporciona extractos pertinentes, en lugar de antecedentes sin relación, y fija un objetivo de respuesta conciso para que la solicitud deje espacio tanto para el análisis como para el resultado final.
Para una tarea analítica, etiqueta las opciones comparadas e indica la regla de decisión. Para una demostración, distingue las premisas de la afirmación; para un programa, distingue un fallo observado de una causa propuesta. Pide que la respuesta final identifique qué conclusión se desprende de los hechos proporcionados y qué parte depende de una suposición. Verifica la aritmética con los números originales, prueba el código propuesto frente a los casos reales e inspecciona cualquier salida con apariencia estructurada antes de que una aplicación la consuma. Una tabla o un diseño similar a JSON solicitados son instrucciones de salida, no una garantía de generación estructurada restringida.
Elige este formato de tarea orientado al razonamiento cuando sea necesario explicar y comprobar el camino hasta un resultado. Un entregable final útil puede ser una solución comprobada, un cambio de código con ejemplos pertinentes o una comparación que haga explícita la condición decisiva. Las acciones externas siguen necesitando una herramienta de aplicación definida y un resultado devuelto; el texto de razonamiento por sí solo no establece que se haya ejecutado un cálculo o aplicado un cambio propuesto.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwq-plus-2025-03-05 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00046 / 1K tokens Salida · Tokens de salida $0.00116 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwq-plus-2025-03-05",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwq-plus-2025-03-05', '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': 'qwq-plus-2025-03-05', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwq-plus-2025-03-05
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Check a batch-capacity claim\n\nA processor handles 18 records per minute and must finish 1,000 records within one hour. Each run also needs a fixed seven-minute setup, during which no records are processed. Determine whether one run can meet the deadline under these assumptions. Show the available processing time, capacity and minimum rate needed, rounding only where required.A feasibility calculation with processing time, attainable capacity and the rate required to meet the deadline.The seven-minute setup is deducted before applying the processing rate, and units remain consistent.