Qwen3.7-Max 2026-06-08 est la version nommée du 8 juin du modèle Max de la famille Qwen3.7 d’Alibaba. L’évolution caractéristique de cette édition est l’ajout de la compréhension visuelle à la version du 20 mai, permettant des interactions ancrées dans des scènes réelles. Elle accepte du texte, des images et de la vidéo et génère du texte. L’orientation agents de la famille couvre la programmation, la bureautique et la productivité, ainsi que des tâches prolongées associant instructions et résultats d’outils.
L’édition compte pour les tâches visuelles. Le nom non daté Qwen3.7-Max est documenté comme équivalent à la version du 20 mai, limitée au texte, tandis que le tableau exact du modèle de juin inclut les images et la vidéo en entrée. Pour ce modèle, une capture d’écran peut accompagner une tâche de programmation, ou une vidéo peut fournir la scène qu’une instruction écrite demande à l’agent d’analyser. La sortie est une explication, du code, un enregistrement structuré ou une instruction d’appel d’outil, plutôt qu’une image, une vidéo ou une parole générée.
Le guide de réflexion d’Alibaba indique explicitement que cette version de juin est hybride : la réflexion est activée par défaut dans le processus du producteur et peut être désactivée pour une réponse directe. Le mode réflexion produit un raisonnement avant la réponse et nécessite du temps de raisonnement supplémentaire. Le guide sépare le contenu de raisonnement de la réponse finale et prend en charge la conservation du raisonnement historique fourni entre les tours pour ce modèle précis. Le raisonnement conservé fait partie de l’entrée suivante ; une tâche poursuivie doit donc le budgéter avec la conversation et les sources.
Function Calling prend en charge une tâche dans laquelle l’application fournit une question et les définitions des outils disponibles. Le modèle retourne une fonction sélectionnée et ses arguments ; l’application l’exécute, ajoute le résultat de l’outil à la conversation et demande au modèle de poursuivre. Pour un assistant de programmation, définissez précisément l’outil de lecture du dépôt ou de validation et demandez la modification complète avec le résultat qui la justifie. Décrire un outil diffère de l’exécuter : l’application environnante fournit l’accès et réalise l’opération.
La version de juin annonce aussi Structured Outputs, Web Search, Prefix Completion et Context Caching. Ces fonctions permettent des enregistrements de sortie définis, un travail assisté par la recherche, la continuation d’un début fourni et la réutilisation d’un préfixe d’entrée commun dans le processus du fabricant. Pour une analyse récurrente, placez le document stable ou les consignes de tâche au début, puis la question variable après. La réutilisation du cache dépend des conditions de ce processus ; la prise en charge du cache par le modèle ne prouve pas une utilisation effective pour une requête précise. L’inférence par lots et l’affinage sont indiqués comme non pris en charge dans cette édition.
Le tableau exact de juin donne une fenêtre de contexte de 1 000 000 tokens. L’entrée maximale est de 991 808 tokens dans le profil ordinaire et de 983 616 tokens en mode réflexion ; la sortie maximale est de 131 072 tokens dans les deux profils. Ce sont des limites distinctes de contexte, d’entrée et de sortie. Les sources volumineuses, l’historique de conversation et le contenu visuel doivent toujours tenir dans la limite d’entrée applicable, et le plafond de sortie n’impose pas qu’une réponse utilise autant d’espace.
Pour une tâche pratique d’interface, fournissez la capture d’écran, les fragments sources pertinents, le comportement souhaité et un livrable explicite. Voici un exemple de consigne : « Utilise cet écran et le texte du composant joint pour expliquer pourquoi les libellés du formulaire ne correspondent pas au processus. Propose une modification de code ciblée et liste les éléments visibles qui la motivent. » Pour une tâche documentaire ou de productivité, donnez les sections sources, l’enregistrement final souhaité et les critères de sélection du contenu. Numérotez les images séparées et décrivez leurs relations afin que le résultat textuel puisse renvoyer aux éléments observés.
Pour analyser une vidéo, identifiez l’événement ou la séquence nécessaire, demandez une description concise et préservez les horodatages dans l’entrée préparée lorsque le résultat doit désigner un moment précis. Dans le processus de fichiers d’Alibaba, une image par URL peut aller jusqu’à 20 Mo ; une vidéo par URL peut aller jusqu’à 2 Go et durer de 2 secondes à 2 heures. Une vidéo Base64 doit peser moins de 10 Mo après encodage. Distinguez les limites de fichiers du budget de tokens. Si l’audio est essentiel, fournissez une transcription textuelle ; le tableau d’entrée de cette version ne mentionne pas l’audio. Dans une tâche d’agent plus longue, précisez le livrable final, les outils autorisés et le résultat qui vaut achèvement. Cette préparation oriente le modèle vers un livrable textuel examinable plutôt que vers une suite ouverte de suggestions intermédiaires.
", "aboutText": "Qwen3.7-Max 2026-06-08 est la version nommée du 8 juin du modèle Max de la famille Qwen3.7 d’Alibaba. L’évolution caractéristique de cette édition est l’ajout de la compréhension visuelle à la version du 20 mai, permettant des interactions ancrées dans des scènes réelles. Elle accepte du texte, des images et de la vidéo et génère du texte. L’orientation agents de la famille couvre la programmation, la bureautique et la productivité, ainsi que des tâches prolongées associant instructions et résultats d’outils.\n\nL’édition compte pour les tâches visuelles. Le nom non daté Qwen3.7-Max est documenté comme équivalent à la version du 20 mai, limitée au texte, tandis que le tableau exact du modèle de juin inclut les images et la vidéo en entrée. Pour ce modèle, une capture d’écran peut accompagner une tâche de programmation, ou une vidéo peut fournir la scène qu’une instruction écrite demande à l’agent d’analyser. La sortie est une explication, du code, un enregistrement structuré ou une instruction d’appel d’outil, plutôt qu’une image, une vidéo ou une parole générée.\n\nLe guide de réflexion d’Alibaba indique explicitement que cette version de juin est hybride : la réflexion est activée par défaut dans le processus du producteur et peut être désactivée pour une réponse directe. Le mode réflexion produit un raisonnement avant la réponse et nécessite du temps de raisonnement supplémentaire. Le guide sépare le contenu de raisonnement de la réponse finale et prend en charge la conservation du raisonnement historique fourni entre les tours pour ce modèle précis. Le raisonnement conservé fait partie de l’entrée suivante ; une tâche poursuivie doit donc le budgéter avec la conversation et les sources.\n\nFunction Calling prend en charge une tâche dans laquelle l’application fournit une question et les définitions des outils disponibles. Le modèle retourne une fonction sélectionnée et ses arguments ; l’application l’exécute, ajoute le résultat de l’outil à la conversation et demande au modèle de poursuivre. Pour un assistant de programmation, définissez précisément l’outil de lecture du dépôt ou de validation et demandez la modification complète avec le résultat qui la justifie. Décrire un outil diffère de l’exécuter : l’application environnante fournit l’accès et réalise l’opération.\n\nLa version de juin annonce aussi Structured Outputs, Web Search, Prefix Completion et Context Caching. Ces fonctions permettent des enregistrements de sortie définis, un travail assisté par la recherche, la continuation d’un début fourni et la réutilisation d’un préfixe d’entrée commun dans le processus du fabricant. Pour une analyse récurrente, placez le document stable ou les consignes de tâche au début, puis la question variable après. La réutilisation du cache dépend des conditions de ce processus ; la prise en charge du cache par le modèle ne prouve pas une utilisation effective pour une requête précise. L’inférence par lots et l’affinage sont indiqués comme non pris en charge dans cette édition.\n\nLe tableau exact de juin donne une fenêtre de contexte de 1 000 000 tokens. L’entrée maximale est de 991 808 tokens dans le profil ordinaire et de 983 616 tokens en mode réflexion ; la sortie maximale est de 131 072 tokens dans les deux profils. Ce sont des limites distinctes de contexte, d’entrée et de sortie. Les sources volumineuses, l’historique de conversation et le contenu visuel doivent toujours tenir dans la limite d’entrée applicable, et le plafond de sortie n’impose pas qu’une réponse utilise autant d’espace.\n\nPour une tâche pratique d’interface, fournissez la capture d’écran, les fragments sources pertinents, le comportement souhaité et un livrable explicite. Voici un exemple de consigne : « Utilise cet écran et le texte du composant joint pour expliquer pourquoi les libellés du formulaire ne correspondent pas au processus. Propose une modification de code ciblée et liste les éléments visibles qui la motivent. » Pour une tâche documentaire ou de productivité, donnez les sections sources, l’enregistrement final souhaité et les critères de sélection du contenu. Numérotez les images séparées et décrivez leurs relations afin que le résultat textuel puisse renvoyer aux éléments observés.\n\nPour analyser une vidéo, identifiez l’événement ou la séquence nécessaire, demandez une description concise et préservez les horodatages dans l’entrée préparée lorsque le résultat doit désigner un moment précis. Dans le processus de fichiers d’Alibaba, une image par URL peut aller jusqu’à 20 Mo ; une vidéo par URL peut aller jusqu’à 2 Go et durer de 2 secondes à 2 heures. Une vidéo Base64 doit peser moins de 10 Mo après encodage. Distinguez les limites de fichiers du budget de tokens. Si l’audio est essentiel, fournissez une transcription textuelle ; le tableau d’entrée de cette version ne mentionne pas l’audio. Dans une tâche d’agent plus longue, précisez le livrable final, les outils autorisés et le résultat qui vaut achèvement. Cette préparation oriente le modèle vers un livrable textuel examinable plutôt que vers une suite ouverte de suggestions intermédiaires.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 associe la compréhension du texte, des images et de la vidéo à un processus textuel orienté agents. Cette version nommée ajoute la vision à l’édition de mai, prend en charge la réflexion hybride et les outils, et dispose d’un contexte d’un million de tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3.7-Max 2026-06-08 est la version nommée du 8 juin du modèle Max de la famille Qwen3.7 d’Alibaba. L’évolution caractéristique de cette édition est l’ajout de la compréhension visuelle à la version du 20 mai, permettant des interactions ancrées dans des scènes réelles. Elle accepte du texte, des images et de la vidéo et génère du texte. L’orientation agents de la famille couvre la programmation, la bureautique et la productivité, ainsi que des tâches prolongées associant instructions et résultats d’outils.
L’édition compte pour les tâches visuelles. Le nom non daté Qwen3.7-Max est documenté comme équivalent à la version du 20 mai, limitée au texte, tandis que le tableau exact du modèle de juin inclut les images et la vidéo en entrée. Pour ce modèle, une capture d’écran peut accompagner une tâche de programmation, ou une vidéo peut fournir la scène qu’une instruction écrite demande à l’agent d’analyser. La sortie est une explication, du code, un enregistrement structuré ou une instruction d’appel d’outil, plutôt qu’une image, une vidéo ou une parole générée.
Le guide de réflexion d’Alibaba indique explicitement que cette version de juin est hybride : la réflexion est activée par défaut dans le processus du producteur et peut être désactivée pour une réponse directe. Le mode réflexion produit un raisonnement avant la réponse et nécessite du temps de raisonnement supplémentaire. Le guide sépare le contenu de raisonnement de la réponse finale et prend en charge la conservation du raisonnement historique fourni entre les tours pour ce modèle précis. Le raisonnement conservé fait partie de l’entrée suivante ; une tâche poursuivie doit donc le budgéter avec la conversation et les sources.
Function Calling prend en charge une tâche dans laquelle l’application fournit une question et les définitions des outils disponibles. Le modèle retourne une fonction sélectionnée et ses arguments ; l’application l’exécute, ajoute le résultat de l’outil à la conversation et demande au modèle de poursuivre. Pour un assistant de programmation, définissez précisément l’outil de lecture du dépôt ou de validation et demandez la modification complète avec le résultat qui la justifie. Décrire un outil diffère de l’exécuter : l’application environnante fournit l’accès et réalise l’opération.
La version de juin annonce aussi Structured Outputs, Web Search, Prefix Completion et Context Caching. Ces fonctions permettent des enregistrements de sortie définis, un travail assisté par la recherche, la continuation d’un début fourni et la réutilisation d’un préfixe d’entrée commun dans le processus du fabricant. Pour une analyse récurrente, placez le document stable ou les consignes de tâche au début, puis la question variable après. La réutilisation du cache dépend des conditions de ce processus ; la prise en charge du cache par le modèle ne prouve pas une utilisation effective pour une requête précise. L’inférence par lots et l’affinage sont indiqués comme non pris en charge dans cette édition.
Le tableau exact de juin donne une fenêtre de contexte de 1 000 000 tokens. L’entrée maximale est de 991 808 tokens dans le profil ordinaire et de 983 616 tokens en mode réflexion ; la sortie maximale est de 131 072 tokens dans les deux profils. Ce sont des limites distinctes de contexte, d’entrée et de sortie. Les sources volumineuses, l’historique de conversation et le contenu visuel doivent toujours tenir dans la limite d’entrée applicable, et le plafond de sortie n’impose pas qu’une réponse utilise autant d’espace.
Pour une tâche pratique d’interface, fournissez la capture d’écran, les fragments sources pertinents, le comportement souhaité et un livrable explicite. Voici un exemple de consigne : « Utilise cet écran et le texte du composant joint pour expliquer pourquoi les libellés du formulaire ne correspondent pas au processus. Propose une modification de code ciblée et liste les éléments visibles qui la motivent. » Pour une tâche documentaire ou de productivité, donnez les sections sources, l’enregistrement final souhaité et les critères de sélection du contenu. Numérotez les images séparées et décrivez leurs relations afin que le résultat textuel puisse renvoyer aux éléments observés.
Pour analyser une vidéo, identifiez l’événement ou la séquence nécessaire, demandez une description concise et préservez les horodatages dans l’entrée préparée lorsque le résultat doit désigner un moment précis. Dans le processus de fichiers d’Alibaba, une image par URL peut aller jusqu’à 20 Mo ; une vidéo par URL peut aller jusqu’à 2 Go et durer de 2 secondes à 2 heures. Une vidéo Base64 doit peser moins de 10 Mo après encodage. Distinguez les limites de fichiers du budget de tokens. Si l’audio est essentiel, fournissez une transcription textuelle ; le tableau d’entrée de cette version ne mentionne pas l’audio. Dans une tâche d’agent plus longue, précisez le livrable final, les outils autorisés et le résultat qui vaut achèvement. Cette préparation oriente le modèle vers un livrable textuel examinable plutôt que vers une suite ouverte de suggestions intermédiaires.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K tokens Sortie · Tokens en sortie $0.0106 / 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": "qwen3.7-max-2026-06-08", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen3.7-max-2026-06-08
Utilisez les chemins de méthode indiqués ci-dessus.
qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 associe la compréhension du texte, des images et de la vidéo à un processus textuel orienté agents. Cette version nommée ajoute la vision à l’édition de mai, prend en charge la réflexion hybride et les outils, et dispose d’un contexte d’un million de tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3.7-Max 2026-06-08 est la version nommée du 8 juin du modèle Max de la famille Qwen3.7 d’Alibaba. L’évolution caractéristique de cette édition est l’ajout de la compréhension visuelle à la version du 20 mai, permettant des interactions ancrées dans des scènes réelles. Elle accepte du texte, des images et de la vidéo et génère du texte. L’orientation agents de la famille couvre la programmation, la bureautique et la productivité, ainsi que des tâches prolongées associant instructions et résultats d’outils.
L’édition compte pour les tâches visuelles. Le nom non daté Qwen3.7-Max est documenté comme équivalent à la version du 20 mai, limitée au texte, tandis que le tableau exact du modèle de juin inclut les images et la vidéo en entrée. Pour ce modèle, une capture d’écran peut accompagner une tâche de programmation, ou une vidéo peut fournir la scène qu’une instruction écrite demande à l’agent d’analyser. La sortie est une explication, du code, un enregistrement structuré ou une instruction d’appel d’outil, plutôt qu’une image, une vidéo ou une parole générée.
Le guide de réflexion d’Alibaba indique explicitement que cette version de juin est hybride : la réflexion est activée par défaut dans le processus du producteur et peut être désactivée pour une réponse directe. Le mode réflexion produit un raisonnement avant la réponse et nécessite du temps de raisonnement supplémentaire. Le guide sépare le contenu de raisonnement de la réponse finale et prend en charge la conservation du raisonnement historique fourni entre les tours pour ce modèle précis. Le raisonnement conservé fait partie de l’entrée suivante ; une tâche poursuivie doit donc le budgéter avec la conversation et les sources.
Function Calling prend en charge une tâche dans laquelle l’application fournit une question et les définitions des outils disponibles. Le modèle retourne une fonction sélectionnée et ses arguments ; l’application l’exécute, ajoute le résultat de l’outil à la conversation et demande au modèle de poursuivre. Pour un assistant de programmation, définissez précisément l’outil de lecture du dépôt ou de validation et demandez la modification complète avec le résultat qui la justifie. Décrire un outil diffère de l’exécuter : l’application environnante fournit l’accès et réalise l’opération.
La version de juin annonce aussi Structured Outputs, Web Search, Prefix Completion et Context Caching. Ces fonctions permettent des enregistrements de sortie définis, un travail assisté par la recherche, la continuation d’un début fourni et la réutilisation d’un préfixe d’entrée commun dans le processus du fabricant. Pour une analyse récurrente, placez le document stable ou les consignes de tâche au début, puis la question variable après. La réutilisation du cache dépend des conditions de ce processus ; la prise en charge du cache par le modèle ne prouve pas une utilisation effective pour une requête précise. L’inférence par lots et l’affinage sont indiqués comme non pris en charge dans cette édition.
Le tableau exact de juin donne une fenêtre de contexte de 1 000 000 tokens. L’entrée maximale est de 991 808 tokens dans le profil ordinaire et de 983 616 tokens en mode réflexion ; la sortie maximale est de 131 072 tokens dans les deux profils. Ce sont des limites distinctes de contexte, d’entrée et de sortie. Les sources volumineuses, l’historique de conversation et le contenu visuel doivent toujours tenir dans la limite d’entrée applicable, et le plafond de sortie n’impose pas qu’une réponse utilise autant d’espace.
Pour une tâche pratique d’interface, fournissez la capture d’écran, les fragments sources pertinents, le comportement souhaité et un livrable explicite. Voici un exemple de consigne : « Utilise cet écran et le texte du composant joint pour expliquer pourquoi les libellés du formulaire ne correspondent pas au processus. Propose une modification de code ciblée et liste les éléments visibles qui la motivent. » Pour une tâche documentaire ou de productivité, donnez les sections sources, l’enregistrement final souhaité et les critères de sélection du contenu. Numérotez les images séparées et décrivez leurs relations afin que le résultat textuel puisse renvoyer aux éléments observés.
Pour analyser une vidéo, identifiez l’événement ou la séquence nécessaire, demandez une description concise et préservez les horodatages dans l’entrée préparée lorsque le résultat doit désigner un moment précis. Dans le processus de fichiers d’Alibaba, une image par URL peut aller jusqu’à 20 Mo ; une vidéo par URL peut aller jusqu’à 2 Go et durer de 2 secondes à 2 heures. Une vidéo Base64 doit peser moins de 10 Mo après encodage. Distinguez les limites de fichiers du budget de tokens. Si l’audio est essentiel, fournissez une transcription textuelle ; le tableau d’entrée de cette version ne mentionne pas l’audio. Dans une tâche d’agent plus longue, précisez le livrable final, les outils autorisés et le résultat qui vaut achèvement. Cette préparation oriente le modèle vers un livrable textuel examinable plutôt que vers une suite ouverte de suggestions intermédiaires.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K tokens Sortie · Tokens en sortie $0.0106 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen3.7-max-2026-06-08",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen3.7-max-2026-06-08
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.