Qwen-Long est la gamme de traitement documentaire de Qwen destinée à rechercher des informations, comparer des éléments et répondre à des questions sur un vaste corpus textuel. Sa particularité est un processus documenté de téléversement de fichiers et d’utilisation de leurs références qui traite jusqu’à 10 millions de jetons. L’objectif n’est pas simplement de produire une réponse de chat plus longue : il s’agit de garder à disposition une collection importante de documents sources tout en posant des questions ciblées à leur sujet.
Fonctionnement du processus documentaire
Le fabricant décrit deux étapes. Téléversez d’abord les fichiers sélectionnés et attendez que l’analyseur de documents ait terminé. Les références obtenues identifient les documents préparés. Posez ensuite une question en incluant les références des éléments à prendre en compte. Le modèle effectue l’inférence sur le texte associé à ces documents. Cela sépare la préparation des documents de la question et évite de renvoyer le fichier complet à chaque tour de conversation.
Préparez un seul document lorsque l’objectif est un résumé, l’explication d’une section ou l’extraction de conditions précises. Nommez les sections importantes et demandez un résultat à la finalité concrète. Par exemple : fournissez une fiche technique de produit, demandez les conditions d’utilisation qu’elle énonce explicitement et demandez un court tableau contenant la condition, la section source et les détails manquants. Ces noms de champs sont un exemple de conception du résultat, et non un schéma fixe intégré.
Plusieurs documents et questions de suivi
Le processus documenté accepte plusieurs fichiers préparés dans une même requête. Cela permet de comparer les documents : repérer une caractéristique dans chaque fiche technique, distinguer les affirmations communes des différences et rassembler les questions non résolues. Une requête peut contenir jusqu’à 100 références de fichiers. Sélectionnez les fichiers pertinents pour la question plutôt que de supposer que la présence d’un grand contexte définit les éléments à comparer.
Le fabricant montre également comment ajouter un nouveau document après une première réponse. Conservez la réponse antérieure dans la conversation, ajoutez la nouvelle source et posez une question de suivi, par exemple sur les différences entre les deux descriptions. Dans une application, distinguez la réponse précédente des nouveaux éléments probants fournis. Un résultat utile peut être un tableau comparatif avec des colonnes séparées pour chaque document et une explication des désaccords, plutôt qu’un résumé fusionné qui perd la source de chaque affirmation.
La saisie directe de texte brut est une autre voie documentée. Les éléments plus courts peuvent être fournis directement sous forme de texte plutôt que de références à des fichiers téléversés. Le guide du fabricant impose le recours aux références lorsque le contenu documentaire intégré à la requête dépasse 1 million de jetons, en raison des limites de taille des requêtes. Cette frontière est distincte du contexte documentaire de 10 millions de jetons : la prise en charge d’un vaste corpus ne promet pas l’acceptation d’une charge utile unique de texte brut de taille équivalente.
Formats, contexte et sortie
Le service documentaire répertorie TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV et JSON, ainsi que BMP, PNG, JPG/JPEG et GIF. Les fichiers image téléversés sont limités à 20 MB ; les autres fichiers pris en charge sont limités à 150 MB. Ce sont les limites du processus de préparation documentaire du fabricant, et non l’affirmation que le modèle de langage raisonne directement sur chaque format binaire sans analyse préalable.
La spécification publiée indique un contexte et une entrée maximale de 10 000 000 de jetons, avec jusqu’à 32 768 jetons en sortie. Dans le format de conversation documenté utilisant des références de fichiers, la question de l’utilisateur a une limite distincte de 9 000 jetons lorsqu’un second message système fournit les documents. Formulez une question concise et réservez l’essentiel du contexte documentaire aux sources. Une entrée à long contexte et la longueur de la réponse répondent à des besoins différents : un vaste corpus peut tout de même nécessiter un résultat court et rigoureusement structuré.
La FAQ du fabricant documente une sortie structurée fondée sur JSON Schema pour Qwen-Long et ses versions datées. C’est utile pour les tâches d’extraction répétées qui exigent les mêmes champs dans toute une collection. Précisez les informations requises, le type de chaque champ et le traitement à appliquer lorsqu’une valeur est absente de la source. Le service documente aussi le traitement asynchrone par lots, qui constitue un autre processus de soumission plutôt qu’un mode de raisonnement supplémentaire.
Une comparaison documentaire concrète
Préparez les fiches techniques pertinentes et précisez leurs rôles avant de poser la question : laquelle est la description existante, laquelle est le remplacement proposé et quelles exigences sont obligatoires. Demandez un résultat présentant les conditions communes, les affirmations contradictoires, les informations manquantes et les emplacements dans les sources. Une question ultérieure peut demander au modèle de transformer ce résultat en une explication concise pour un collègue tout en conservant les distinctions d’origine.
Limites importantes de préparation
L’analyse doit être terminée avant d’utiliser les fichiers préparés ; les documents plus volumineux peuvent demander davantage de temps d’analyse. L’inférence documentée du modèle utilise le texte extrait : l’exhaustivité et la lisibilité de ce contenu préparé sont donc importantes. Précisez explicitement les fichiers sélectionnés, la question et le résultat requis. La capacité documentaire de Qwen-Long ne doit pas remplacer les limites d’une autre édition Qwen, d’une requête avec du texte brut intégré ou de la réponse finale.
", "aboutText": "Qwen-Long est la gamme de traitement documentaire de Qwen destinée à rechercher des informations, comparer des éléments et répondre à des questions sur un vaste corpus textuel. Sa particularité est un processus documenté de téléversement de fichiers et d’utilisation de leurs références qui traite jusqu’à 10 millions de jetons. L’objectif n’est pas simplement de produire une réponse de chat plus longue : il s’agit de garder à disposition une collection importante de documents sources tout en posant des questions ciblées à leur sujet.\n\nFonctionnement du processus documentaire\n\nLe fabricant décrit deux étapes. Téléversez d’abord les fichiers sélectionnés et attendez que l’analyseur de documents ait terminé. Les références obtenues identifient les documents préparés. Posez ensuite une question en incluant les références des éléments à prendre en compte. Le modèle effectue l’inférence sur le texte associé à ces documents. Cela sépare la préparation des documents de la question et évite de renvoyer le fichier complet à chaque tour de conversation.\n\nPréparez un seul document lorsque l’objectif est un résumé, l’explication d’une section ou l’extraction de conditions précises. Nommez les sections importantes et demandez un résultat à la finalité concrète. Par exemple : fournissez une fiche technique de produit, demandez les conditions d’utilisation qu’elle énonce explicitement et demandez un court tableau contenant la condition, la section source et les détails manquants. Ces noms de champs sont un exemple de conception du résultat, et non un schéma fixe intégré.\n\nPlusieurs documents et questions de suivi\n\nLe processus documenté accepte plusieurs fichiers préparés dans une même requête. Cela permet de comparer les documents : repérer une caractéristique dans chaque fiche technique, distinguer les affirmations communes des différences et rassembler les questions non résolues. Une requête peut contenir jusqu’à 100 références de fichiers. Sélectionnez les fichiers pertinents pour la question plutôt que de supposer que la présence d’un grand contexte définit les éléments à comparer.\n\nLe fabricant montre également comment ajouter un nouveau document après une première réponse. Conservez la réponse antérieure dans la conversation, ajoutez la nouvelle source et posez une question de suivi, par exemple sur les différences entre les deux descriptions. Dans une application, distinguez la réponse précédente des nouveaux éléments probants fournis. Un résultat utile peut être un tableau comparatif avec des colonnes séparées pour chaque document et une explication des désaccords, plutôt qu’un résumé fusionné qui perd la source de chaque affirmation.\n\nLa saisie directe de texte brut est une autre voie documentée. Les éléments plus courts peuvent être fournis directement sous forme de texte plutôt que de références à des fichiers téléversés. Le guide du fabricant impose le recours aux références lorsque le contenu documentaire intégré à la requête dépasse 1 million de jetons, en raison des limites de taille des requêtes. Cette frontière est distincte du contexte documentaire de 10 millions de jetons : la prise en charge d’un vaste corpus ne promet pas l’acceptation d’une charge utile unique de texte brut de taille équivalente.\n\nFormats, contexte et sortie\n\nLe service documentaire répertorie TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV et JSON, ainsi que BMP, PNG, JPG/JPEG et GIF. Les fichiers image téléversés sont limités à 20 MB ; les autres fichiers pris en charge sont limités à 150 MB. Ce sont les limites du processus de préparation documentaire du fabricant, et non l’affirmation que le modèle de langage raisonne directement sur chaque format binaire sans analyse préalable.\n\nLa spécification publiée indique un contexte et une entrée maximale de 10 000 000 de jetons, avec jusqu’à 32 768 jetons en sortie. Dans le format de conversation documenté utilisant des références de fichiers, la question de l’utilisateur a une limite distincte de 9 000 jetons lorsqu’un second message système fournit les documents. Formulez une question concise et réservez l’essentiel du contexte documentaire aux sources. Une entrée à long contexte et la longueur de la réponse répondent à des besoins différents : un vaste corpus peut tout de même nécessiter un résultat court et rigoureusement structuré.\n\nLa FAQ du fabricant documente une sortie structurée fondée sur JSON Schema pour Qwen-Long et ses versions datées. C’est utile pour les tâches d’extraction répétées qui exigent les mêmes champs dans toute une collection. Précisez les informations requises, le type de chaque champ et le traitement à appliquer lorsqu’une valeur est absente de la source. Le service documente aussi le traitement asynchrone par lots, qui constitue un autre processus de soumission plutôt qu’un mode de raisonnement supplémentaire.\n\nUne comparaison documentaire concrète\n\nPréparez les fiches techniques pertinentes et précisez leurs rôles avant de poser la question : laquelle est la description existante, laquelle est le remplacement proposé et quelles exigences sont obligatoires. Demandez un résultat présentant les conditions communes, les affirmations contradictoires, les informations manquantes et les emplacements dans les sources. Une question ultérieure peut demander au modèle de transformer ce résultat en une explication concise pour un collègue tout en conservant les distinctions d’origine.\n\nLimites importantes de préparation\n\nL’analyse doit être terminée avant d’utiliser les fichiers préparés ; les documents plus volumineux peuvent demander davantage de temps d’analyse. L’inférence documentée du modèle utilise le texte extrait : l’exhaustivité et la lisibilité de ce contenu préparé sont donc importantes. Précisez explicitement les fichiers sélectionnés, la question et le résultat requis. La capacité documentaire de Qwen-Long ne doit pas remplacer les limites d’une autre édition Qwen, d’une requête avec du texte brut intégré ou de la réponse finale.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est conçu pour répondre à des questions portant sur de grandes collections de documents. Son fabricant documente un processus de téléversement de fichiers et d’utilisation de leurs références, avec jusqu’à 10 millions de jetons de contexte documentaire, des comparaisons entre fichiers et des réponses textuelles structurées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen-Long est la gamme de traitement documentaire de Qwen destinée à rechercher des informations, comparer des éléments et répondre à des questions sur un vaste corpus textuel. Sa particularité est un processus documenté de téléversement de fichiers et d’utilisation de leurs références qui traite jusqu’à 10 millions de jetons. L’objectif n’est pas simplement de produire une réponse de chat plus longue : il s’agit de garder à disposition une collection importante de documents sources tout en posant des questions ciblées à leur sujet.
Fonctionnement du processus documentaire
Le fabricant décrit deux étapes. Téléversez d’abord les fichiers sélectionnés et attendez que l’analyseur de documents ait terminé. Les références obtenues identifient les documents préparés. Posez ensuite une question en incluant les références des éléments à prendre en compte. Le modèle effectue l’inférence sur le texte associé à ces documents. Cela sépare la préparation des documents de la question et évite de renvoyer le fichier complet à chaque tour de conversation.
Préparez un seul document lorsque l’objectif est un résumé, l’explication d’une section ou l’extraction de conditions précises. Nommez les sections importantes et demandez un résultat à la finalité concrète. Par exemple : fournissez une fiche technique de produit, demandez les conditions d’utilisation qu’elle énonce explicitement et demandez un court tableau contenant la condition, la section source et les détails manquants. Ces noms de champs sont un exemple de conception du résultat, et non un schéma fixe intégré.
Plusieurs documents et questions de suivi
Le processus documenté accepte plusieurs fichiers préparés dans une même requête. Cela permet de comparer les documents : repérer une caractéristique dans chaque fiche technique, distinguer les affirmations communes des différences et rassembler les questions non résolues. Une requête peut contenir jusqu’à 100 références de fichiers. Sélectionnez les fichiers pertinents pour la question plutôt que de supposer que la présence d’un grand contexte définit les éléments à comparer.
Le fabricant montre également comment ajouter un nouveau document après une première réponse. Conservez la réponse antérieure dans la conversation, ajoutez la nouvelle source et posez une question de suivi, par exemple sur les différences entre les deux descriptions. Dans une application, distinguez la réponse précédente des nouveaux éléments probants fournis. Un résultat utile peut être un tableau comparatif avec des colonnes séparées pour chaque document et une explication des désaccords, plutôt qu’un résumé fusionné qui perd la source de chaque affirmation.
La saisie directe de texte brut est une autre voie documentée. Les éléments plus courts peuvent être fournis directement sous forme de texte plutôt que de références à des fichiers téléversés. Le guide du fabricant impose le recours aux références lorsque le contenu documentaire intégré à la requête dépasse 1 million de jetons, en raison des limites de taille des requêtes. Cette frontière est distincte du contexte documentaire de 10 millions de jetons : la prise en charge d’un vaste corpus ne promet pas l’acceptation d’une charge utile unique de texte brut de taille équivalente.
Formats, contexte et sortie
Le service documentaire répertorie TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV et JSON, ainsi que BMP, PNG, JPG/JPEG et GIF. Les fichiers image téléversés sont limités à 20 MB ; les autres fichiers pris en charge sont limités à 150 MB. Ce sont les limites du processus de préparation documentaire du fabricant, et non l’affirmation que le modèle de langage raisonne directement sur chaque format binaire sans analyse préalable.
La spécification publiée indique un contexte et une entrée maximale de 10 000 000 de jetons, avec jusqu’à 32 768 jetons en sortie. Dans le format de conversation documenté utilisant des références de fichiers, la question de l’utilisateur a une limite distincte de 9 000 jetons lorsqu’un second message système fournit les documents. Formulez une question concise et réservez l’essentiel du contexte documentaire aux sources. Une entrée à long contexte et la longueur de la réponse répondent à des besoins différents : un vaste corpus peut tout de même nécessiter un résultat court et rigoureusement structuré.
La FAQ du fabricant documente une sortie structurée fondée sur JSON Schema pour Qwen-Long et ses versions datées. C’est utile pour les tâches d’extraction répétées qui exigent les mêmes champs dans toute une collection. Précisez les informations requises, le type de chaque champ et le traitement à appliquer lorsqu’une valeur est absente de la source. Le service documente aussi le traitement asynchrone par lots, qui constitue un autre processus de soumission plutôt qu’un mode de raisonnement supplémentaire.
Une comparaison documentaire concrète
Préparez les fiches techniques pertinentes et précisez leurs rôles avant de poser la question : laquelle est la description existante, laquelle est le remplacement proposé et quelles exigences sont obligatoires. Demandez un résultat présentant les conditions communes, les affirmations contradictoires, les informations manquantes et les emplacements dans les sources. Une question ultérieure peut demander au modèle de transformer ce résultat en une explication concise pour un collègue tout en conservant les distinctions d’origine.
Limites importantes de préparation
L’analyse doit être terminée avant d’utiliser les fichiers préparés ; les documents plus volumineux peuvent demander davantage de temps d’analyse. L’inférence documentée du modèle utilise le texte extrait : l’exhaustivité et la lisibilité de ce contenu préparé sont donc importantes. Précisez explicitement les fichiers sélectionnés, la question et le résultat requis. La capacité documentaire de Qwen-Long ne doit pas remplacer les limites d’une autre édition Qwen, d’une requête avec du texte brut intégré ou de la réponse finale.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen-long | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000144 / 1K tokens Sortie · Tokens en sortie $0.000572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen-long
Utilisez les chemins de méthode indiqués ci-dessus.
qwen-longQwen-Long est conçu pour répondre à des questions portant sur de grandes collections de documents. Son fabricant documente un processus de téléversement de fichiers et d’utilisation de leurs références, avec jusqu’à 10 millions de jetons de contexte documentaire, des comparaisons entre fichiers et des réponses textuelles structurées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen-Long est la gamme de traitement documentaire de Qwen destinée à rechercher des informations, comparer des éléments et répondre à des questions sur un vaste corpus textuel. Sa particularité est un processus documenté de téléversement de fichiers et d’utilisation de leurs références qui traite jusqu’à 10 millions de jetons. L’objectif n’est pas simplement de produire une réponse de chat plus longue : il s’agit de garder à disposition une collection importante de documents sources tout en posant des questions ciblées à leur sujet.
Fonctionnement du processus documentaire
Le fabricant décrit deux étapes. Téléversez d’abord les fichiers sélectionnés et attendez que l’analyseur de documents ait terminé. Les références obtenues identifient les documents préparés. Posez ensuite une question en incluant les références des éléments à prendre en compte. Le modèle effectue l’inférence sur le texte associé à ces documents. Cela sépare la préparation des documents de la question et évite de renvoyer le fichier complet à chaque tour de conversation.
Préparez un seul document lorsque l’objectif est un résumé, l’explication d’une section ou l’extraction de conditions précises. Nommez les sections importantes et demandez un résultat à la finalité concrète. Par exemple : fournissez une fiche technique de produit, demandez les conditions d’utilisation qu’elle énonce explicitement et demandez un court tableau contenant la condition, la section source et les détails manquants. Ces noms de champs sont un exemple de conception du résultat, et non un schéma fixe intégré.
Plusieurs documents et questions de suivi
Le processus documenté accepte plusieurs fichiers préparés dans une même requête. Cela permet de comparer les documents : repérer une caractéristique dans chaque fiche technique, distinguer les affirmations communes des différences et rassembler les questions non résolues. Une requête peut contenir jusqu’à 100 références de fichiers. Sélectionnez les fichiers pertinents pour la question plutôt que de supposer que la présence d’un grand contexte définit les éléments à comparer.
Le fabricant montre également comment ajouter un nouveau document après une première réponse. Conservez la réponse antérieure dans la conversation, ajoutez la nouvelle source et posez une question de suivi, par exemple sur les différences entre les deux descriptions. Dans une application, distinguez la réponse précédente des nouveaux éléments probants fournis. Un résultat utile peut être un tableau comparatif avec des colonnes séparées pour chaque document et une explication des désaccords, plutôt qu’un résumé fusionné qui perd la source de chaque affirmation.
La saisie directe de texte brut est une autre voie documentée. Les éléments plus courts peuvent être fournis directement sous forme de texte plutôt que de références à des fichiers téléversés. Le guide du fabricant impose le recours aux références lorsque le contenu documentaire intégré à la requête dépasse 1 million de jetons, en raison des limites de taille des requêtes. Cette frontière est distincte du contexte documentaire de 10 millions de jetons : la prise en charge d’un vaste corpus ne promet pas l’acceptation d’une charge utile unique de texte brut de taille équivalente.
Formats, contexte et sortie
Le service documentaire répertorie TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV et JSON, ainsi que BMP, PNG, JPG/JPEG et GIF. Les fichiers image téléversés sont limités à 20 MB ; les autres fichiers pris en charge sont limités à 150 MB. Ce sont les limites du processus de préparation documentaire du fabricant, et non l’affirmation que le modèle de langage raisonne directement sur chaque format binaire sans analyse préalable.
La spécification publiée indique un contexte et une entrée maximale de 10 000 000 de jetons, avec jusqu’à 32 768 jetons en sortie. Dans le format de conversation documenté utilisant des références de fichiers, la question de l’utilisateur a une limite distincte de 9 000 jetons lorsqu’un second message système fournit les documents. Formulez une question concise et réservez l’essentiel du contexte documentaire aux sources. Une entrée à long contexte et la longueur de la réponse répondent à des besoins différents : un vaste corpus peut tout de même nécessiter un résultat court et rigoureusement structuré.
La FAQ du fabricant documente une sortie structurée fondée sur JSON Schema pour Qwen-Long et ses versions datées. C’est utile pour les tâches d’extraction répétées qui exigent les mêmes champs dans toute une collection. Précisez les informations requises, le type de chaque champ et le traitement à appliquer lorsqu’une valeur est absente de la source. Le service documente aussi le traitement asynchrone par lots, qui constitue un autre processus de soumission plutôt qu’un mode de raisonnement supplémentaire.
Une comparaison documentaire concrète
Préparez les fiches techniques pertinentes et précisez leurs rôles avant de poser la question : laquelle est la description existante, laquelle est le remplacement proposé et quelles exigences sont obligatoires. Demandez un résultat présentant les conditions communes, les affirmations contradictoires, les informations manquantes et les emplacements dans les sources. Une question ultérieure peut demander au modèle de transformer ce résultat en une explication concise pour un collègue tout en conservant les distinctions d’origine.
Limites importantes de préparation
L’analyse doit être terminée avant d’utiliser les fichiers préparés ; les documents plus volumineux peuvent demander davantage de temps d’analyse. L’inférence documentée du modèle utilise le texte extrait : l’exhaustivité et la lisibilité de ce contenu préparé sont donc importantes. Précisez explicitement les fichiers sélectionnés, la question et le résultat requis. La capacité documentaire de Qwen-Long ne doit pas remplacer les limites d’une autre édition Qwen, d’une requête avec du texte brut intégré ou de la réponse finale.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen-long | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000144 / 1K tokens Sortie · Tokens en sortie $0.000572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen-long
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.