Qwen-Long es la línea de procesamiento documental de Qwen para buscar información, comparar materiales y responder preguntas sobre un gran corpus de texto. Su rasgo distintivo es un proceso documentado de carga de archivos y referencias que maneja hasta 10 millones de tokens. La tarea no consiste simplemente en producir una respuesta de chat más larga: consiste en mantener disponible una colección considerable de documentos fuente mientras se plantean preguntas concretas sobre ellos.
Cómo funciona el proceso documental
El fabricante describe dos etapas. Primero, carga los archivos seleccionados y espera a que termine el analizador de documentos. Las referencias resultantes identifican los documentos preparados. Después, formula una pregunta e incluye las referencias al material que deba tenerse en cuenta. El modelo realiza la inferencia sobre el texto asociado a esos documentos. Esto separa la preparación documental de la pregunta y evita reenviar el archivo completo en cada turno de conversación.
Prepara un único documento cuando el objetivo sea un resumen, la explicación de una sección o la extracción de condiciones concretas. Indica las secciones importantes y pide una salida con una finalidad observable. Por ejemplo: proporciona una especificación de producto, pregunta por las condiciones de funcionamiento que enumera expresamente y solicita una tabla breve con la condición, la sección de origen y cualquier detalle que falte. Esos nombres de campo son un diseño ilustrativo del resultado, no un esquema fijo incorporado.
Varios documentos y preguntas de seguimiento
El proceso documentado acepta varios archivos preparados en una misma solicitud. Esto permite comparar documentos: identificar una característica en cada especificación, distinguir las afirmaciones coincidentes de las diferencias y recopilar las preguntas pendientes. Una solicitud puede incluir hasta 100 referencias de archivos. Selecciona los archivos pertinentes para la pregunta en lugar de suponer que disponer de un contexto amplio define qué debe compararse.
El fabricante también muestra cómo añadir un documento nuevo después de una primera respuesta. Mantén la respuesta anterior en la conversación, añade la nueva fuente y plantea una pregunta de seguimiento, como en qué se diferencian ambas descripciones. En una aplicación, distingue la respuesta previa de las nuevas pruebas aportadas. Un resultado útil puede ser una tabla comparativa con columnas separadas para cada documento y una explicación de las discrepancias, en vez de un resumen combinado que pierda la fuente de cada afirmación.
La entrada de texto sin formato es otra vía documentada. Los materiales más pequeños pueden proporcionarse directamente como texto en lugar de referencias a archivos cargados. La guía del fabricante exige recurrir a referencias cuando el contenido documental incluido directamente supera 1 millón de tokens, debido a los límites de tamaño de las solicitudes. Ese umbral es distinto del contexto documental de 10 millones de tokens: admitir un corpus grande no promete que se acepte una única carga de texto sin procesar igual de grande.
Formatos, contexto y salida
El servicio documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV y JSON, junto con BMP, PNG, JPG/JPEG y GIF. Los archivos de imagen cargados están limitados a 20 MB; los demás archivos admitidos, a 150 MB. Son límites del proceso de preparación documental del fabricante, no una afirmación de que el modelo de lenguaje razone directamente sobre cada formato binario sin analizarlo previamente.
La especificación publicada indica un contexto y una entrada máxima de 10 000 000 tokens, con hasta 32 768 tokens de salida. En el formato documentado de conversación con referencias de archivos, la pregunta del usuario tiene un límite independiente de 9000 tokens cuando un segundo mensaje de sistema proporciona los documentos. Formula una pregunta concisa y reserva la mayor parte del contexto documental para las fuentes. Una entrada de contexto largo y la longitud de la respuesta resuelven problemas distintos: un corpus grande puede seguir requiriendo un resultado breve y rigurosamente estructurado.
Las preguntas frecuentes del fabricante documentan una salida estructurada basada en JSON Schema para Qwen-Long y sus versiones fechadas. Esto resulta útil en tareas de extracción repetidas que necesitan los mismos campos en toda una colección. Especifica la información necesaria, el tipo de cada campo y qué hacer cuando la fuente no contiene un valor. El servicio también documenta el procesamiento asíncrono por lotes, una alternativa para enviar tareas, no un modo adicional de razonamiento.
Una comparación documental práctica
Prepara las especificaciones pertinentes e identifica sus funciones antes de preguntar: cuál es la descripción existente, cuál es la sustitución propuesta y qué requisitos son obligatorios. Pide un resultado con las condiciones compartidas, las afirmaciones contradictorias, la información que falta y las ubicaciones en las fuentes. Una pregunta posterior puede pedir al modelo que convierta ese resultado en una explicación concisa para un compañero, conservando las distinciones originales.
Límites importantes de preparación
El análisis debe terminar antes de utilizar los archivos preparados; los documentos mayores pueden necesitar más tiempo de análisis. La inferencia documentada del modelo utiliza texto extraído, por lo que importan la integridad y la legibilidad del contenido preparado. Explicita la selección de archivos, la pregunta y la salida requerida. La capacidad documental de Qwen-Long no debe sustituir los límites de otra edición de Qwen, de una solicitud con texto sin procesar incluido directamente ni de la respuesta final.
", "aboutText": "Qwen-Long es la línea de procesamiento documental de Qwen para buscar información, comparar materiales y responder preguntas sobre un gran corpus de texto. Su rasgo distintivo es un proceso documentado de carga de archivos y referencias que maneja hasta 10 millones de tokens. La tarea no consiste simplemente en producir una respuesta de chat más larga: consiste en mantener disponible una colección considerable de documentos fuente mientras se plantean preguntas concretas sobre ellos.\n\nCómo funciona el proceso documental\n\nEl fabricante describe dos etapas. Primero, carga los archivos seleccionados y espera a que termine el analizador de documentos. Las referencias resultantes identifican los documentos preparados. Después, formula una pregunta e incluye las referencias al material que deba tenerse en cuenta. El modelo realiza la inferencia sobre el texto asociado a esos documentos. Esto separa la preparación documental de la pregunta y evita reenviar el archivo completo en cada turno de conversación.\n\nPrepara un único documento cuando el objetivo sea un resumen, la explicación de una sección o la extracción de condiciones concretas. Indica las secciones importantes y pide una salida con una finalidad observable. Por ejemplo: proporciona una especificación de producto, pregunta por las condiciones de funcionamiento que enumera expresamente y solicita una tabla breve con la condición, la sección de origen y cualquier detalle que falte. Esos nombres de campo son un diseño ilustrativo del resultado, no un esquema fijo incorporado.\n\nVarios documentos y preguntas de seguimiento\n\nEl proceso documentado acepta varios archivos preparados en una misma solicitud. Esto permite comparar documentos: identificar una característica en cada especificación, distinguir las afirmaciones coincidentes de las diferencias y recopilar las preguntas pendientes. Una solicitud puede incluir hasta 100 referencias de archivos. Selecciona los archivos pertinentes para la pregunta en lugar de suponer que disponer de un contexto amplio define qué debe compararse.\n\nEl fabricante también muestra cómo añadir un documento nuevo después de una primera respuesta. Mantén la respuesta anterior en la conversación, añade la nueva fuente y plantea una pregunta de seguimiento, como en qué se diferencian ambas descripciones. En una aplicación, distingue la respuesta previa de las nuevas pruebas aportadas. Un resultado útil puede ser una tabla comparativa con columnas separadas para cada documento y una explicación de las discrepancias, en vez de un resumen combinado que pierda la fuente de cada afirmación.\n\nLa entrada de texto sin formato es otra vía documentada. Los materiales más pequeños pueden proporcionarse directamente como texto en lugar de referencias a archivos cargados. La guía del fabricante exige recurrir a referencias cuando el contenido documental incluido directamente supera 1 millón de tokens, debido a los límites de tamaño de las solicitudes. Ese umbral es distinto del contexto documental de 10 millones de tokens: admitir un corpus grande no promete que se acepte una única carga de texto sin procesar igual de grande.\n\nFormatos, contexto y salida\n\nEl servicio documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV y JSON, junto con BMP, PNG, JPG/JPEG y GIF. Los archivos de imagen cargados están limitados a 20 MB; los demás archivos admitidos, a 150 MB. Son límites del proceso de preparación documental del fabricante, no una afirmación de que el modelo de lenguaje razone directamente sobre cada formato binario sin analizarlo previamente.\n\nLa especificación publicada indica un contexto y una entrada máxima de 10 000 000 tokens, con hasta 32 768 tokens de salida. En el formato documentado de conversación con referencias de archivos, la pregunta del usuario tiene un límite independiente de 9000 tokens cuando un segundo mensaje de sistema proporciona los documentos. Formula una pregunta concisa y reserva la mayor parte del contexto documental para las fuentes. Una entrada de contexto largo y la longitud de la respuesta resuelven problemas distintos: un corpus grande puede seguir requiriendo un resultado breve y rigurosamente estructurado.\n\nLas preguntas frecuentes del fabricante documentan una salida estructurada basada en JSON Schema para Qwen-Long y sus versiones fechadas. Esto resulta útil en tareas de extracción repetidas que necesitan los mismos campos en toda una colección. Especifica la información necesaria, el tipo de cada campo y qué hacer cuando la fuente no contiene un valor. El servicio también documenta el procesamiento asíncrono por lotes, una alternativa para enviar tareas, no un modo adicional de razonamiento.\n\nUna comparación documental práctica\n\nPrepara las especificaciones pertinentes e identifica sus funciones antes de preguntar: cuál es la descripción existente, cuál es la sustitución propuesta y qué requisitos son obligatorios. Pide un resultado con las condiciones compartidas, las afirmaciones contradictorias, la información que falta y las ubicaciones en las fuentes. Una pregunta posterior puede pedir al modelo que convierta ese resultado en una explicación concisa para un compañero, conservando las distinciones originales.\n\nLímites importantes de preparación\n\nEl análisis debe terminar antes de utilizar los archivos preparados; los documentos mayores pueden necesitar más tiempo de análisis. La inferencia documentada del modelo utiliza texto extraído, por lo que importan la integridad y la legibilidad del contenido preparado. Explicita la selección de archivos, la pregunta y la salida requerida. La capacidad documental de Qwen-Long no debe sustituir los límites de otra edición de Qwen, de una solicitud con texto sin procesar incluido directamente ni de la respuesta final.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.qwen-longQwen-Long está diseñado para preguntas sobre grandes colecciones de documentos. Su fabricante documenta un proceso de carga de archivos y referencias con hasta 10 millones de tokens de contexto documental, comparación entre archivos y respuestas textuales estructuradas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen-Long es la línea de procesamiento documental de Qwen para buscar información, comparar materiales y responder preguntas sobre un gran corpus de texto. Su rasgo distintivo es un proceso documentado de carga de archivos y referencias que maneja hasta 10 millones de tokens. La tarea no consiste simplemente en producir una respuesta de chat más larga: consiste en mantener disponible una colección considerable de documentos fuente mientras se plantean preguntas concretas sobre ellos.
Cómo funciona el proceso documental
El fabricante describe dos etapas. Primero, carga los archivos seleccionados y espera a que termine el analizador de documentos. Las referencias resultantes identifican los documentos preparados. Después, formula una pregunta e incluye las referencias al material que deba tenerse en cuenta. El modelo realiza la inferencia sobre el texto asociado a esos documentos. Esto separa la preparación documental de la pregunta y evita reenviar el archivo completo en cada turno de conversación.
Prepara un único documento cuando el objetivo sea un resumen, la explicación de una sección o la extracción de condiciones concretas. Indica las secciones importantes y pide una salida con una finalidad observable. Por ejemplo: proporciona una especificación de producto, pregunta por las condiciones de funcionamiento que enumera expresamente y solicita una tabla breve con la condición, la sección de origen y cualquier detalle que falte. Esos nombres de campo son un diseño ilustrativo del resultado, no un esquema fijo incorporado.
Varios documentos y preguntas de seguimiento
El proceso documentado acepta varios archivos preparados en una misma solicitud. Esto permite comparar documentos: identificar una característica en cada especificación, distinguir las afirmaciones coincidentes de las diferencias y recopilar las preguntas pendientes. Una solicitud puede incluir hasta 100 referencias de archivos. Selecciona los archivos pertinentes para la pregunta en lugar de suponer que disponer de un contexto amplio define qué debe compararse.
El fabricante también muestra cómo añadir un documento nuevo después de una primera respuesta. Mantén la respuesta anterior en la conversación, añade la nueva fuente y plantea una pregunta de seguimiento, como en qué se diferencian ambas descripciones. En una aplicación, distingue la respuesta previa de las nuevas pruebas aportadas. Un resultado útil puede ser una tabla comparativa con columnas separadas para cada documento y una explicación de las discrepancias, en vez de un resumen combinado que pierda la fuente de cada afirmación.
La entrada de texto sin formato es otra vía documentada. Los materiales más pequeños pueden proporcionarse directamente como texto en lugar de referencias a archivos cargados. La guía del fabricante exige recurrir a referencias cuando el contenido documental incluido directamente supera 1 millón de tokens, debido a los límites de tamaño de las solicitudes. Ese umbral es distinto del contexto documental de 10 millones de tokens: admitir un corpus grande no promete que se acepte una única carga de texto sin procesar igual de grande.
Formatos, contexto y salida
El servicio documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV y JSON, junto con BMP, PNG, JPG/JPEG y GIF. Los archivos de imagen cargados están limitados a 20 MB; los demás archivos admitidos, a 150 MB. Son límites del proceso de preparación documental del fabricante, no una afirmación de que el modelo de lenguaje razone directamente sobre cada formato binario sin analizarlo previamente.
La especificación publicada indica un contexto y una entrada máxima de 10 000 000 tokens, con hasta 32 768 tokens de salida. En el formato documentado de conversación con referencias de archivos, la pregunta del usuario tiene un límite independiente de 9000 tokens cuando un segundo mensaje de sistema proporciona los documentos. Formula una pregunta concisa y reserva la mayor parte del contexto documental para las fuentes. Una entrada de contexto largo y la longitud de la respuesta resuelven problemas distintos: un corpus grande puede seguir requiriendo un resultado breve y rigurosamente estructurado.
Las preguntas frecuentes del fabricante documentan una salida estructurada basada en JSON Schema para Qwen-Long y sus versiones fechadas. Esto resulta útil en tareas de extracción repetidas que necesitan los mismos campos en toda una colección. Especifica la información necesaria, el tipo de cada campo y qué hacer cuando la fuente no contiene un valor. El servicio también documenta el procesamiento asíncrono por lotes, una alternativa para enviar tareas, no un modo adicional de razonamiento.
Una comparación documental práctica
Prepara las especificaciones pertinentes e identifica sus funciones antes de preguntar: cuál es la descripción existente, cuál es la sustitución propuesta y qué requisitos son obligatorios. Pide un resultado con las condiciones compartidas, las afirmaciones contradictorias, la información que falta y las ubicaciones en las fuentes. Una pregunta posterior puede pedir al modelo que convierta ese resultado en una explicación concisa para un compañero, conservando las distinciones originales.
Límites importantes de preparación
El análisis debe terminar antes de utilizar los archivos preparados; los documentos mayores pueden necesitar más tiempo de análisis. La inferencia documentada del modelo utiliza texto extraído, por lo que importan la integridad y la legibilidad del contenido preparado. Explicita la selección de archivos, la pregunta y la salida requerida. La capacidad documental de Qwen-Long no debe sustituir los límites de otra edición de Qwen, de una solicitud con texto sin procesar incluido directamente ni de la respuesta final.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-long | 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 $0.000144 / 1K tokens Salida · Tokens de salida $0.000572 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-long", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 las cabeceras. 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 qwen-long
Usa las rutas de método indicadas arriba.
qwen-longQwen-Long está diseñado para preguntas sobre grandes colecciones de documentos. Su fabricante documenta un proceso de carga de archivos y referencias con hasta 10 millones de tokens de contexto documental, comparación entre archivos y respuestas textuales estructuradas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen-Long es la línea de procesamiento documental de Qwen para buscar información, comparar materiales y responder preguntas sobre un gran corpus de texto. Su rasgo distintivo es un proceso documentado de carga de archivos y referencias que maneja hasta 10 millones de tokens. La tarea no consiste simplemente en producir una respuesta de chat más larga: consiste en mantener disponible una colección considerable de documentos fuente mientras se plantean preguntas concretas sobre ellos.
Cómo funciona el proceso documental
El fabricante describe dos etapas. Primero, carga los archivos seleccionados y espera a que termine el analizador de documentos. Las referencias resultantes identifican los documentos preparados. Después, formula una pregunta e incluye las referencias al material que deba tenerse en cuenta. El modelo realiza la inferencia sobre el texto asociado a esos documentos. Esto separa la preparación documental de la pregunta y evita reenviar el archivo completo en cada turno de conversación.
Prepara un único documento cuando el objetivo sea un resumen, la explicación de una sección o la extracción de condiciones concretas. Indica las secciones importantes y pide una salida con una finalidad observable. Por ejemplo: proporciona una especificación de producto, pregunta por las condiciones de funcionamiento que enumera expresamente y solicita una tabla breve con la condición, la sección de origen y cualquier detalle que falte. Esos nombres de campo son un diseño ilustrativo del resultado, no un esquema fijo incorporado.
Varios documentos y preguntas de seguimiento
El proceso documentado acepta varios archivos preparados en una misma solicitud. Esto permite comparar documentos: identificar una característica en cada especificación, distinguir las afirmaciones coincidentes de las diferencias y recopilar las preguntas pendientes. Una solicitud puede incluir hasta 100 referencias de archivos. Selecciona los archivos pertinentes para la pregunta en lugar de suponer que disponer de un contexto amplio define qué debe compararse.
El fabricante también muestra cómo añadir un documento nuevo después de una primera respuesta. Mantén la respuesta anterior en la conversación, añade la nueva fuente y plantea una pregunta de seguimiento, como en qué se diferencian ambas descripciones. En una aplicación, distingue la respuesta previa de las nuevas pruebas aportadas. Un resultado útil puede ser una tabla comparativa con columnas separadas para cada documento y una explicación de las discrepancias, en vez de un resumen combinado que pierda la fuente de cada afirmación.
La entrada de texto sin formato es otra vía documentada. Los materiales más pequeños pueden proporcionarse directamente como texto en lugar de referencias a archivos cargados. La guía del fabricante exige recurrir a referencias cuando el contenido documental incluido directamente supera 1 millón de tokens, debido a los límites de tamaño de las solicitudes. Ese umbral es distinto del contexto documental de 10 millones de tokens: admitir un corpus grande no promete que se acepte una única carga de texto sin procesar igual de grande.
Formatos, contexto y salida
El servicio documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV y JSON, junto con BMP, PNG, JPG/JPEG y GIF. Los archivos de imagen cargados están limitados a 20 MB; los demás archivos admitidos, a 150 MB. Son límites del proceso de preparación documental del fabricante, no una afirmación de que el modelo de lenguaje razone directamente sobre cada formato binario sin analizarlo previamente.
La especificación publicada indica un contexto y una entrada máxima de 10 000 000 tokens, con hasta 32 768 tokens de salida. En el formato documentado de conversación con referencias de archivos, la pregunta del usuario tiene un límite independiente de 9000 tokens cuando un segundo mensaje de sistema proporciona los documentos. Formula una pregunta concisa y reserva la mayor parte del contexto documental para las fuentes. Una entrada de contexto largo y la longitud de la respuesta resuelven problemas distintos: un corpus grande puede seguir requiriendo un resultado breve y rigurosamente estructurado.
Las preguntas frecuentes del fabricante documentan una salida estructurada basada en JSON Schema para Qwen-Long y sus versiones fechadas. Esto resulta útil en tareas de extracción repetidas que necesitan los mismos campos en toda una colección. Especifica la información necesaria, el tipo de cada campo y qué hacer cuando la fuente no contiene un valor. El servicio también documenta el procesamiento asíncrono por lotes, una alternativa para enviar tareas, no un modo adicional de razonamiento.
Una comparación documental práctica
Prepara las especificaciones pertinentes e identifica sus funciones antes de preguntar: cuál es la descripción existente, cuál es la sustitución propuesta y qué requisitos son obligatorios. Pide un resultado con las condiciones compartidas, las afirmaciones contradictorias, la información que falta y las ubicaciones en las fuentes. Una pregunta posterior puede pedir al modelo que convierta ese resultado en una explicación concisa para un compañero, conservando las distinciones originales.
Límites importantes de preparación
El análisis debe terminar antes de utilizar los archivos preparados; los documentos mayores pueden necesitar más tiempo de análisis. La inferencia documentada del modelo utiliza texto extraído, por lo que importan la integridad y la legibilidad del contenido preparado. Explicita la selección de archivos, la pregunta y la salida requerida. La capacidad documental de Qwen-Long no debe sustituir los límites de otra edición de Qwen, de una solicitud con texto sin procesar incluido directamente ni de la respuesta final.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-long | 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 $0.000144 / 1K tokens Salida · Tokens de salida $0.000572 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 las cabeceras. 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 qwen-long
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.