Qwen Turbo 2024-11-01 es la versión fija de Qwen-Turbo de Alibaba perteneciente a la generación Qwen2.5. Recibe instrucciones escritas y contexto textual y produce una respuesta de texto. Entre las tareas útiles están las preguntas sobre documentos proporcionados, los resúmenes que conectan varias fuentes, las explicaciones de una base de código y la extracción a JSON. Conserva el nombre fechado del modelo junto con el prompt al comparar resultados entre ediciones.
La presentación de Qwen2.5-Turbo de Qwen demuestra la lectura de narraciones largas y varios artículos relacionados. El resultado útil depende de la pregunta: una visión general puede explicar la relación entre las obras, mientras que una comparación concreta puede distinguir sus enfoques y los datos que los respaldan. Proporciona texto con etiquetas claras y solicita las distinciones que importan al lector. Un encargo original podría pedir la propuesta principal de cada documento, el pasaje que la respalda y cualquier discrepancia entre los documentos. Solicita la respuesta en el idioma que necesite el público y mantén las citas vinculadas a su fuente.
El fabricante también demuestra la lectura de un repositorio reunido en un archivo de texto, explicando primero su propósito y localizando después las clases y las rutas de sus archivos. Prepara el código conservando los límites entre archivos, los nombres y las definiciones pertinentes de su entorno. Solicita un mapa de un componente antes de pedir una explicación más concreta de las relaciones entre sus partes. La explicación o la lista de ubicaciones resultante puede orientar la inspección de los archivos originales; contrasta esas ubicaciones con el código proporcionado.
En el flujo de trabajo de texto documentado por el fabricante, un mensaje de sistema establece el rol y las reglas de la tarea, un mensaje de usuario proporciona la pregunta y el material, y el modelo responde como asistente. Especifica el resultado previsto: un resumen, una tabla comparativa, una explicación concisa o campos extraídos. Para una tarea documental, distingue el texto que se debe leer de la instrucción que describe qué hacer con él. Incluye la terminología, el idioma de salida y cualquier regla para tratar la información que la fuente no proporciona.
El flujo de trabajo Chat Completions del fabricante no mantiene estado: para continuar la conversación se utiliza el historial suministrado con la siguiente pregunta. Añade los mensajes anteriores del usuario y del asistente cuando la consulta de seguimiento dependa de ellos. Un primer turno puede establecer el argumento de un documento; un segundo puede preguntar qué pasaje respalda una conclusión. Mantén disponible el contexto de origen necesario, en lugar de asumir que una respuesta anterior proporciona memoria permanente al modelo. A medida que crezca la conversación, conserva los turnos recientes y los hechos importantes de las fuentes, o utiliza un resumen revisado del material anterior. Eliminar o comprimir el historial puede suprimir detalles necesarios para la siguiente respuesta.
Alibaba incluye explícitamente qwen-turbo-2024-11-01 entre los modelos compatibles con JSON Object. En el flujo de trabajo del fabricante, el formato de respuesta se establece en json_object y una instrucción de sistema o de usuario debe contener la palabra JSON. Especifica los nombres de los campos y cómo se tratará la información ausente. Por ejemplo, un encargo de extracción puede solicitar el título de un documento, el nombre de su autor y un pasaje de apoyo, con una convención definida para los casos en los que no se indique autor.
El modo JSON Object busca producir una sintaxis JSON válida; no impone un esquema concreto, nombres de campo estables ni tipos de campo. Inspecciona el objeto devuelto para comprobar que contenga los campos y valores que requiere la tarea antes de utilizarlo en pasos posteriores. Un resultado truncado antes de completarse también puede ser JSON inválido. Conserva el objeto completo y su texto de origen para distinguir un problema de formato de una extracción incorrecta.
La presentación de Qwen señala inestabilidad en tareas exigentes con secuencias largas. Una gran cantidad de texto proporcionado no garantiza que se recuperen todos los detalles ni que se interpreten correctamente todas las relaciones. Comprueba las afirmaciones importantes, las referencias y las ubicaciones de código frente al material original, especialmente cuando la conclusión combine pasajes distantes. Conserva la fuente, el prompt exacto y la respuesta seleccionada como material de trabajo. El mapa de versiones de Alibaba distingue esta versión de Qwen-Turbo-2025-04-28, por lo que una comparación de ediciones debe conservar ambos nombres de modelo y la misma tarea.
", "aboutText": "Qwen Turbo 2024-11-01 es la versión fija de Qwen-Turbo de Alibaba perteneciente a la generación Qwen2.5. Recibe instrucciones escritas y contexto textual y produce una respuesta de texto. Entre las tareas útiles están las preguntas sobre documentos proporcionados, los resúmenes que conectan varias fuentes, las explicaciones de una base de código y la extracción a JSON. Conserva el nombre fechado del modelo junto con el prompt al comparar resultados entre ediciones.\n\n### Lee material relacionado con una pregunta concreta\n\nLa presentación de Qwen2.5-Turbo de Qwen demuestra la lectura de narraciones largas y varios artículos relacionados. El resultado útil depende de la pregunta: una visión general puede explicar la relación entre las obras, mientras que una comparación concreta puede distinguir sus enfoques y los datos que los respaldan. Proporciona texto con etiquetas claras y solicita las distinciones que importan al lector. Un encargo original podría pedir la propuesta principal de cada documento, el pasaje que la respalda y cualquier discrepancia entre los documentos. Solicita la respuesta en el idioma que necesite el público y mantén las citas vinculadas a su fuente.\n\n### Comprende un repositorio a través de su texto\n\nEl fabricante también demuestra la lectura de un repositorio reunido en un archivo de texto, explicando primero su propósito y localizando después las clases y las rutas de sus archivos. Prepara el código conservando los límites entre archivos, los nombres y las definiciones pertinentes de su entorno. Solicita un mapa de un componente antes de pedir una explicación más concreta de las relaciones entre sus partes. La explicación o la lista de ubicaciones resultante puede orientar la inspección de los archivos originales; contrasta esas ubicaciones con el código proporcionado.\n\n### Proporciona instrucciones y material como mensajes\n\nEn el flujo de trabajo de texto documentado por el fabricante, un mensaje de sistema establece el rol y las reglas de la tarea, un mensaje de usuario proporciona la pregunta y el material, y el modelo responde como asistente. Especifica el resultado previsto: un resumen, una tabla comparativa, una explicación concisa o campos extraídos. Para una tarea documental, distingue el texto que se debe leer de la instrucción que describe qué hacer con él. Incluye la terminología, el idioma de salida y cualquier regla para tratar la información que la fuente no proporciona.\n\n### Continúa una conversación con el historial pertinente\n\nEl flujo de trabajo Chat Completions del fabricante no mantiene estado: para continuar la conversación se utiliza el historial suministrado con la siguiente pregunta. Añade los mensajes anteriores del usuario y del asistente cuando la consulta de seguimiento dependa de ellos. Un primer turno puede establecer el argumento de un documento; un segundo puede preguntar qué pasaje respalda una conclusión. Mantén disponible el contexto de origen necesario, en lugar de asumir que una respuesta anterior proporciona memoria permanente al modelo. A medida que crezca la conversación, conserva los turnos recientes y los hechos importantes de las fuentes, o utiliza un resumen revisado del material anterior. Eliminar o comprimir el historial puede suprimir detalles necesarios para la siguiente respuesta.\n\n### Extrae información con el modo JSON Object\n\nAlibaba incluye explícitamente qwen-turbo-2024-11-01 entre los modelos compatibles con JSON Object. En el flujo de trabajo del fabricante, el formato de respuesta se establece en json_object y una instrucción de sistema o de usuario debe contener la palabra JSON. Especifica los nombres de los campos y cómo se tratará la información ausente. Por ejemplo, un encargo de extracción puede solicitar el título de un documento, el nombre de su autor y un pasaje de apoyo, con una convención definida para los casos en los que no se indique autor.\n\nEl modo JSON Object busca producir una sintaxis JSON válida; no impone un esquema concreto, nombres de campo estables ni tipos de campo. Inspecciona el objeto devuelto para comprobar que contenga los campos y valores que requiere la tarea antes de utilizarlo en pasos posteriores. Un resultado truncado antes de completarse también puede ser JSON inválido. Conserva el objeto completo y su texto de origen para distinguir un problema de formato de una extracción incorrecta.\n\n### Contrasta la respuesta con el material original\n\nLa presentación de Qwen señala inestabilidad en tareas exigentes con secuencias largas. Una gran cantidad de texto proporcionado no garantiza que se recuperen todos los detalles ni que se interpreten correctamente todas las relaciones. Comprueba las afirmaciones importantes, las referencias y las ubicaciones de código frente al material original, especialmente cuando la conclusión combine pasajes distantes. Conserva la fuente, el prompt exacto y la respuesta seleccionada como material de trabajo. El mapa de versiones de Alibaba distingue esta versión de Qwen-Turbo-2025-04-28, por lo que una comparación de ediciones debe conservar ambos nombres de modelo y la misma tarea.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 de Alibaba es una versión fija del modelo de texto para responder preguntas sobre material proporcionado, resumir documentos relacionados y leer código fuente. También admite el modo JSON Object del fabricante para extraer información en un resultado que se pueda analizar mediante software.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen Turbo 2024-11-01 es la versión fija de Qwen-Turbo de Alibaba perteneciente a la generación Qwen2.5. Recibe instrucciones escritas y contexto textual y produce una respuesta de texto. Entre las tareas útiles están las preguntas sobre documentos proporcionados, los resúmenes que conectan varias fuentes, las explicaciones de una base de código y la extracción a JSON. Conserva el nombre fechado del modelo junto con el prompt al comparar resultados entre ediciones.
La presentación de Qwen2.5-Turbo de Qwen demuestra la lectura de narraciones largas y varios artículos relacionados. El resultado útil depende de la pregunta: una visión general puede explicar la relación entre las obras, mientras que una comparación concreta puede distinguir sus enfoques y los datos que los respaldan. Proporciona texto con etiquetas claras y solicita las distinciones que importan al lector. Un encargo original podría pedir la propuesta principal de cada documento, el pasaje que la respalda y cualquier discrepancia entre los documentos. Solicita la respuesta en el idioma que necesite el público y mantén las citas vinculadas a su fuente.
El fabricante también demuestra la lectura de un repositorio reunido en un archivo de texto, explicando primero su propósito y localizando después las clases y las rutas de sus archivos. Prepara el código conservando los límites entre archivos, los nombres y las definiciones pertinentes de su entorno. Solicita un mapa de un componente antes de pedir una explicación más concreta de las relaciones entre sus partes. La explicación o la lista de ubicaciones resultante puede orientar la inspección de los archivos originales; contrasta esas ubicaciones con el código proporcionado.
En el flujo de trabajo de texto documentado por el fabricante, un mensaje de sistema establece el rol y las reglas de la tarea, un mensaje de usuario proporciona la pregunta y el material, y el modelo responde como asistente. Especifica el resultado previsto: un resumen, una tabla comparativa, una explicación concisa o campos extraídos. Para una tarea documental, distingue el texto que se debe leer de la instrucción que describe qué hacer con él. Incluye la terminología, el idioma de salida y cualquier regla para tratar la información que la fuente no proporciona.
El flujo de trabajo Chat Completions del fabricante no mantiene estado: para continuar la conversación se utiliza el historial suministrado con la siguiente pregunta. Añade los mensajes anteriores del usuario y del asistente cuando la consulta de seguimiento dependa de ellos. Un primer turno puede establecer el argumento de un documento; un segundo puede preguntar qué pasaje respalda una conclusión. Mantén disponible el contexto de origen necesario, en lugar de asumir que una respuesta anterior proporciona memoria permanente al modelo. A medida que crezca la conversación, conserva los turnos recientes y los hechos importantes de las fuentes, o utiliza un resumen revisado del material anterior. Eliminar o comprimir el historial puede suprimir detalles necesarios para la siguiente respuesta.
Alibaba incluye explícitamente qwen-turbo-2024-11-01 entre los modelos compatibles con JSON Object. En el flujo de trabajo del fabricante, el formato de respuesta se establece en json_object y una instrucción de sistema o de usuario debe contener la palabra JSON. Especifica los nombres de los campos y cómo se tratará la información ausente. Por ejemplo, un encargo de extracción puede solicitar el título de un documento, el nombre de su autor y un pasaje de apoyo, con una convención definida para los casos en los que no se indique autor.
El modo JSON Object busca producir una sintaxis JSON válida; no impone un esquema concreto, nombres de campo estables ni tipos de campo. Inspecciona el objeto devuelto para comprobar que contenga los campos y valores que requiere la tarea antes de utilizarlo en pasos posteriores. Un resultado truncado antes de completarse también puede ser JSON inválido. Conserva el objeto completo y su texto de origen para distinguir un problema de formato de una extracción incorrecta.
La presentación de Qwen señala inestabilidad en tareas exigentes con secuencias largas. Una gran cantidad de texto proporcionado no garantiza que se recuperen todos los detalles ni que se interpreten correctamente todas las relaciones. Comprueba las afirmaciones importantes, las referencias y las ubicaciones de código frente al material original, especialmente cuando la conclusión combine pasajes distantes. Conserva la fuente, el prompt exacto y la respuesta seleccionada como material de trabajo. El mapa de versiones de Alibaba distingue esta versión de Qwen-Turbo-2025-04-28, por lo que una comparación de ediciones debe conservar ambos nombres de modelo y la misma tarea.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.00018 / 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-turbo-2024-11-01", "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-turbo-2024-11-01',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-turbo-2024-11-01',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-turbo-2024-11-01
Usa las rutas de método indicadas arriba.
qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 de Alibaba es una versión fija del modelo de texto para responder preguntas sobre material proporcionado, resumir documentos relacionados y leer código fuente. También admite el modo JSON Object del fabricante para extraer información en un resultado que se pueda analizar mediante software.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen Turbo 2024-11-01 es la versión fija de Qwen-Turbo de Alibaba perteneciente a la generación Qwen2.5. Recibe instrucciones escritas y contexto textual y produce una respuesta de texto. Entre las tareas útiles están las preguntas sobre documentos proporcionados, los resúmenes que conectan varias fuentes, las explicaciones de una base de código y la extracción a JSON. Conserva el nombre fechado del modelo junto con el prompt al comparar resultados entre ediciones.
La presentación de Qwen2.5-Turbo de Qwen demuestra la lectura de narraciones largas y varios artículos relacionados. El resultado útil depende de la pregunta: una visión general puede explicar la relación entre las obras, mientras que una comparación concreta puede distinguir sus enfoques y los datos que los respaldan. Proporciona texto con etiquetas claras y solicita las distinciones que importan al lector. Un encargo original podría pedir la propuesta principal de cada documento, el pasaje que la respalda y cualquier discrepancia entre los documentos. Solicita la respuesta en el idioma que necesite el público y mantén las citas vinculadas a su fuente.
El fabricante también demuestra la lectura de un repositorio reunido en un archivo de texto, explicando primero su propósito y localizando después las clases y las rutas de sus archivos. Prepara el código conservando los límites entre archivos, los nombres y las definiciones pertinentes de su entorno. Solicita un mapa de un componente antes de pedir una explicación más concreta de las relaciones entre sus partes. La explicación o la lista de ubicaciones resultante puede orientar la inspección de los archivos originales; contrasta esas ubicaciones con el código proporcionado.
En el flujo de trabajo de texto documentado por el fabricante, un mensaje de sistema establece el rol y las reglas de la tarea, un mensaje de usuario proporciona la pregunta y el material, y el modelo responde como asistente. Especifica el resultado previsto: un resumen, una tabla comparativa, una explicación concisa o campos extraídos. Para una tarea documental, distingue el texto que se debe leer de la instrucción que describe qué hacer con él. Incluye la terminología, el idioma de salida y cualquier regla para tratar la información que la fuente no proporciona.
El flujo de trabajo Chat Completions del fabricante no mantiene estado: para continuar la conversación se utiliza el historial suministrado con la siguiente pregunta. Añade los mensajes anteriores del usuario y del asistente cuando la consulta de seguimiento dependa de ellos. Un primer turno puede establecer el argumento de un documento; un segundo puede preguntar qué pasaje respalda una conclusión. Mantén disponible el contexto de origen necesario, en lugar de asumir que una respuesta anterior proporciona memoria permanente al modelo. A medida que crezca la conversación, conserva los turnos recientes y los hechos importantes de las fuentes, o utiliza un resumen revisado del material anterior. Eliminar o comprimir el historial puede suprimir detalles necesarios para la siguiente respuesta.
Alibaba incluye explícitamente qwen-turbo-2024-11-01 entre los modelos compatibles con JSON Object. En el flujo de trabajo del fabricante, el formato de respuesta se establece en json_object y una instrucción de sistema o de usuario debe contener la palabra JSON. Especifica los nombres de los campos y cómo se tratará la información ausente. Por ejemplo, un encargo de extracción puede solicitar el título de un documento, el nombre de su autor y un pasaje de apoyo, con una convención definida para los casos en los que no se indique autor.
El modo JSON Object busca producir una sintaxis JSON válida; no impone un esquema concreto, nombres de campo estables ni tipos de campo. Inspecciona el objeto devuelto para comprobar que contenga los campos y valores que requiere la tarea antes de utilizarlo en pasos posteriores. Un resultado truncado antes de completarse también puede ser JSON inválido. Conserva el objeto completo y su texto de origen para distinguir un problema de formato de una extracción incorrecta.
La presentación de Qwen señala inestabilidad en tareas exigentes con secuencias largas. Una gran cantidad de texto proporcionado no garantiza que se recuperen todos los detalles ni que se interpreten correctamente todas las relaciones. Comprueba las afirmaciones importantes, las referencias y las ubicaciones de código frente al material original, especialmente cuando la conclusión combine pasajes distantes. Conserva la fuente, el prompt exacto y la respuesta seleccionada como material de trabajo. El mapa de versiones de Alibaba distingue esta versión de Qwen-Turbo-2025-04-28, por lo que una comparación de ediciones debe conservar ambos nombres de modelo y la misma tarea.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.00018 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen-turbo-2024-11-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-turbo-2024-11-01', '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-turbo-2024-11-01', '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-turbo-2024-11-01
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.