Áttekintés: vegyes médiatartalmak értelmezése és beszélt válaszok
A Qwen-Omni-Turbo a Qwen multimodális értelmező és generáló modellje. Szöveget, képeket, beszédet és videót fogad, ezek kombinációit is beleértve, és szöveget vagy természetes beszéddel kiegészített szöveget állít elő. A gyártó a szöveg és a beszéd egyidejű streamelését írja le, négy természetes társalgási hangváltozattal. Ez olyan feladatokhoz teszi relevánssá a modellt, amelyeknél a kérdés és az azt alátámasztó anyag eltérő formában érkezik, például egy fényképpel kapcsolatos elhangzott kérdésnél vagy egy audiovizuális jelenet magyarázatánál.
A pontos név és a hozzá tartozó kiadások
A gyártó jelenlegi modelloldala a qwen-omni-turbo nevet funkcionálisan egyenértékűnek írja le a qwen-omni-turbo-2025-03-26 pillanatfelvétellel. Külön sorolja fel a qwen-omni-turbo-latest nevet mint dinamikusan frissülő megnevezést, és elkülöníti a korábbi qwen-omni-turbo-2025-01-19 pillanatfelvételt. A márciusi változat leírása a vizuális képességek javulását említi a januárihoz képest. Ezek a gyártó kiadásai közötti kapcsolatok, nem bizonyítékai annak, hogy minden hasonló nevű alkalmazásútvonal azonos súlyokat vagy beállításokat használ. Tartson meg egy dátumozott változatnevet, ha a feladat pontos verziót igényel.
A Turbo név nem jelöli a különálló valós idejű kiadást, egy újabb Qwen-Omni generációt vagy a nyílt Qwen2.5-Omni-7B checkpointot. Bemeneti szabályaikhoz, hangjaikhoz és felületeikhez külön dokumentáció szükséges. Az Omni-Turbo esetében leírt négy hanglehetőséget különösen nem szabad átvinni a két hangot kínáló nyílt checkpoint leírásába.
Vegyes médiatartalmú feladat előkészítése
Adja meg, mit kell a modellnek összekapcsolnia a különböző bemenetek között. Egy ábrával kapcsolatos elhangzott kérdésnél együtt adja meg az ábrát és a kérdést, majd kérjen magyarázatot a megvitatott látható elemről. Beszédet tartalmazó videónál határozza meg, hogy a kívánt eredmény a látottakat, az elhangzottakat vagy a kettő kapcsolatát foglalja-e össze. Egy hasznos kimenet a következtetés előtt különítheti el a vizuális és a hang alapján tett megfigyeléseket.
Multimédiás ellenőrzéshez a releváns rövid részletet adja meg több, egymással nem összefüggő anyag helyett. Jelölje meg a képeket, és magyarázza el a szerepüket, ha egynél több van. Őrizze meg a kérdéshez fontos hang- és időzítési információkat. Kérjen célzott eredményt, például egy hallgatónak szóló beszélt magyarázatot vagy a jelenet részleteinek tömör szöveges listáját. Ezek a dokumentált vegyes bemeneti képességek kidolgozott alkalmazási példái, nem állítások arról, hogy egy adott részletet már elemeztek.
Szöveges és beszélt kimenet
A gyártó modellleírása szöveges válaszokat, valamint a szöveg és a beszéd egyidejű streamelését támogatja. Egy beszélt magyarázat célszerű lehet társalgási segítségnyújtáshoz, míg a szöveg könnyebben ellenőrizhető, kereshető és összevethető a forrásanyaggal. A kiválasztott kimeneti mód és a hangvezérlők a modellt elérhetővé tevő felülettől függenek. A streaming egymást követő darabokban történő továbbítást jelent; nem garantált válaszidő, és nem bizonyítja egy külön valós idejű beszélgetési protokoll elérhetőségét.
Kontextus- és kimeneti korlátok
A külön specifikáció 32 768 tokenes kontextusablakot, legfeljebb 30 720 tokenes bemeneti hosszt és legfeljebb 2 048 tokenes kimeneti hosszt sorol fel. A forrásanyagot és a kívánt választ ezeket a különálló korlátokat szem előtt tartva készítse elő. A multimodális bemenetnek a reprezentációjához rendelkezésre álló keretbe kell beleférnie, nem pusztán a begépelt karakterek számába. Egy hosszú narrációra vonatkozó kérést érdemes olyan rövid magyarázatra szűkíteni, amely belefér a kimeneti keretbe.
Ezek a tokenkorlátok nem határoznak meg minden esetre érvényes időtartamot percben vagy egységes képszámot. A média előfeldolgozása és a kiválasztott kiadás befolyásolja, mennyi anyag fér el. A modelloldal nem közöl checkpointarchitektúrát vagy paraméterszámot, ezért a Turbo elnevezésből nem szabad méretet kitalálni vagy más Omni modell architektúráját átvenni.
Eszközök és lényeges korlátozások
A pontos modell képességmátrixa nem támogat függvényhívást, beépített webes keresést vagy kikényszerített strukturált kimenetet. Egyes gyártói konfigurációkban kötegelt következtetést, egy másikban kontextus-gyorsítótárazást sorol fel. Lista vagy JSON-formájú válasz kérése szövegformátumra vonatkozó igény, nem a séma betartatásának garanciája. A modell vizuális vagy elhangzott feladatok megértésére való képessége sem biztosít hozzáférést aktuális információkhoz vagy külső rendszerekhez.
Ellenőrizze, hogy a válasz elkülöníti-e a látható bizonyítékokat, a hallható tartalmat és az értelmezést. A beszédből idézett részleteket, az apró vizuális feliratokat és a kikövetkeztetett kapcsolatokat érdemes összevetni a megadott anyaggal. Beszélt eredménynél őrizze meg a kísérő szöveget, ha elérhető, hogy egy ellenőrző személy áttekinthesse a magyarázatot. A gyakorlati előny több modalitás összekapcsolása egy válaszban, a dokumentált kiadáshoz méretezett tömör kimenettel.
", "aboutText": "Áttekintés: vegyes médiatartalmak értelmezése és beszélt válaszok\n\nA Qwen-Omni-Turbo a Qwen multimodális értelmező és generáló modellje. Szöveget, képeket, beszédet és videót fogad, ezek kombinációit is beleértve, és szöveget vagy természetes beszéddel kiegészített szöveget állít elő. A gyártó a szöveg és a beszéd egyidejű streamelését írja le, négy természetes társalgási hangváltozattal. Ez olyan feladatokhoz teszi relevánssá a modellt, amelyeknél a kérdés és az azt alátámasztó anyag eltérő formában érkezik, például egy fényképpel kapcsolatos elhangzott kérdésnél vagy egy audiovizuális jelenet magyarázatánál.\n\nA pontos név és a hozzá tartozó kiadások\n\nA gyártó jelenlegi modelloldala a qwen-omni-turbo nevet funkcionálisan egyenértékűnek írja le a qwen-omni-turbo-2025-03-26 pillanatfelvétellel. Külön sorolja fel a qwen-omni-turbo-latest nevet mint dinamikusan frissülő megnevezést, és elkülöníti a korábbi qwen-omni-turbo-2025-01-19 pillanatfelvételt. A márciusi változat leírása a vizuális képességek javulását említi a januárihoz képest. Ezek a gyártó kiadásai közötti kapcsolatok, nem bizonyítékai annak, hogy minden hasonló nevű alkalmazásútvonal azonos súlyokat vagy beállításokat használ. Tartson meg egy dátumozott változatnevet, ha a feladat pontos verziót igényel.\n\nA Turbo név nem jelöli a különálló valós idejű kiadást, egy újabb Qwen-Omni generációt vagy a nyílt Qwen2.5-Omni-7B checkpointot. Bemeneti szabályaikhoz, hangjaikhoz és felületeikhez külön dokumentáció szükséges. Az Omni-Turbo esetében leírt négy hanglehetőséget különösen nem szabad átvinni a két hangot kínáló nyílt checkpoint leírásába.\n\nVegyes médiatartalmú feladat előkészítése\n\nAdja meg, mit kell a modellnek összekapcsolnia a különböző bemenetek között. Egy ábrával kapcsolatos elhangzott kérdésnél együtt adja meg az ábrát és a kérdést, majd kérjen magyarázatot a megvitatott látható elemről. Beszédet tartalmazó videónál határozza meg, hogy a kívánt eredmény a látottakat, az elhangzottakat vagy a kettő kapcsolatát foglalja-e össze. Egy hasznos kimenet a következtetés előtt különítheti el a vizuális és a hang alapján tett megfigyeléseket.\n\nMultimédiás ellenőrzéshez a releváns rövid részletet adja meg több, egymással nem összefüggő anyag helyett. Jelölje meg a képeket, és magyarázza el a szerepüket, ha egynél több van. Őrizze meg a kérdéshez fontos hang- és időzítési információkat. Kérjen célzott eredményt, például egy hallgatónak szóló beszélt magyarázatot vagy a jelenet részleteinek tömör szöveges listáját. Ezek a dokumentált vegyes bemeneti képességek kidolgozott alkalmazási példái, nem állítások arról, hogy egy adott részletet már elemeztek.\n\nSzöveges és beszélt kimenet\n\nA gyártó modellleírása szöveges válaszokat, valamint a szöveg és a beszéd egyidejű streamelését támogatja. Egy beszélt magyarázat célszerű lehet társalgási segítségnyújtáshoz, míg a szöveg könnyebben ellenőrizhető, kereshető és összevethető a forrásanyaggal. A kiválasztott kimeneti mód és a hangvezérlők a modellt elérhetővé tevő felülettől függenek. A streaming egymást követő darabokban történő továbbítást jelent; nem garantált válaszidő, és nem bizonyítja egy külön valós idejű beszélgetési protokoll elérhetőségét.\n\nKontextus- és kimeneti korlátok\n\nA külön specifikáció 32 768 tokenes kontextusablakot, legfeljebb 30 720 tokenes bemeneti hosszt és legfeljebb 2 048 tokenes kimeneti hosszt sorol fel. A forrásanyagot és a kívánt választ ezeket a különálló korlátokat szem előtt tartva készítse elő. A multimodális bemenetnek a reprezentációjához rendelkezésre álló keretbe kell beleférnie, nem pusztán a begépelt karakterek számába. Egy hosszú narrációra vonatkozó kérést érdemes olyan rövid magyarázatra szűkíteni, amely belefér a kimeneti keretbe.\n\nEzek a tokenkorlátok nem határoznak meg minden esetre érvényes időtartamot percben vagy egységes képszámot. A média előfeldolgozása és a kiválasztott kiadás befolyásolja, mennyi anyag fér el. A modelloldal nem közöl checkpointarchitektúrát vagy paraméterszámot, ezért a Turbo elnevezésből nem szabad méretet kitalálni vagy más Omni modell architektúráját átvenni.\n\nEszközök és lényeges korlátozások\n\nA pontos modell képességmátrixa nem támogat függvényhívást, beépített webes keresést vagy kikényszerített strukturált kimenetet. Egyes gyártói konfigurációkban kötegelt következtetést, egy másikban kontextus-gyorsítótárazást sorol fel. Lista vagy JSON-formájú válasz kérése szövegformátumra vonatkozó igény, nem a séma betartatásának garanciája. A modell vizuális vagy elhangzott feladatok megértésére való képessége sem biztosít hozzáférést aktuális információkhoz vagy külső rendszerekhez.\n\nEllenőrizze, hogy a válasz elkülöníti-e a látható bizonyítékokat, a hallható tartalmat és az értelmezést. A beszédből idézett részleteket, az apró vizuális feliratokat és a kikövetkeztetett kapcsolatokat érdemes összevetni a megadott anyaggal. Beszélt eredménynél őrizze meg a kísérő szöveget, ha elérhető, hogy egy ellenőrző személy áttekinthesse a magyarázatot. A gyakorlati előny több modalitás összekapcsolása egy válaszban, a dokumentált kiadáshoz méretezett tömör kimenettel.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Reconcile written scene and speech notes\n\nCompare these text notes from a training clip. [Visible note] The operator places a red tag on the empty bin. [Speech transcript] "Use a yellow tag when cleaning is due." Summarize the discrepancy and draft one clarification question for the trainer. Use only the supplied notes; do not claim to hear audio or view video.A concise discrepancy statement and one question, with visible-note and speech-transcript evidence kept separate.Check that neither color is silently corrected and the response makes no claim of media access.qwen-omni-turboA Qwen-Omni-Turbo egyetlen multimodális feladatban egyesíti a szöveget, képet, hangot és videót, és képes a szöveget beszélt válasszal együtt streamelni. Használja egy elhangzott kérdés vizuális bizonyítékokhoz kapcsolására vagy audiovizuális részlet magyarázatára, a gyártó 32 768 tokenes kontextusán és 2 048 tokenes kimeneti korlátján belül.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Áttekintés: vegyes médiatartalmak értelmezése és beszélt válaszok
A Qwen-Omni-Turbo a Qwen multimodális értelmező és generáló modellje. Szöveget, képeket, beszédet és videót fogad, ezek kombinációit is beleértve, és szöveget vagy természetes beszéddel kiegészített szöveget állít elő. A gyártó a szöveg és a beszéd egyidejű streamelését írja le, négy természetes társalgási hangváltozattal. Ez olyan feladatokhoz teszi relevánssá a modellt, amelyeknél a kérdés és az azt alátámasztó anyag eltérő formában érkezik, például egy fényképpel kapcsolatos elhangzott kérdésnél vagy egy audiovizuális jelenet magyarázatánál.
A pontos név és a hozzá tartozó kiadások
A gyártó jelenlegi modelloldala a qwen-omni-turbo nevet funkcionálisan egyenértékűnek írja le a qwen-omni-turbo-2025-03-26 pillanatfelvétellel. Külön sorolja fel a qwen-omni-turbo-latest nevet mint dinamikusan frissülő megnevezést, és elkülöníti a korábbi qwen-omni-turbo-2025-01-19 pillanatfelvételt. A márciusi változat leírása a vizuális képességek javulását említi a januárihoz képest. Ezek a gyártó kiadásai közötti kapcsolatok, nem bizonyítékai annak, hogy minden hasonló nevű alkalmazásútvonal azonos súlyokat vagy beállításokat használ. Tartson meg egy dátumozott változatnevet, ha a feladat pontos verziót igényel.
A Turbo név nem jelöli a különálló valós idejű kiadást, egy újabb Qwen-Omni generációt vagy a nyílt Qwen2.5-Omni-7B checkpointot. Bemeneti szabályaikhoz, hangjaikhoz és felületeikhez külön dokumentáció szükséges. Az Omni-Turbo esetében leírt négy hanglehetőséget különösen nem szabad átvinni a két hangot kínáló nyílt checkpoint leírásába.
Vegyes médiatartalmú feladat előkészítése
Adja meg, mit kell a modellnek összekapcsolnia a különböző bemenetek között. Egy ábrával kapcsolatos elhangzott kérdésnél együtt adja meg az ábrát és a kérdést, majd kérjen magyarázatot a megvitatott látható elemről. Beszédet tartalmazó videónál határozza meg, hogy a kívánt eredmény a látottakat, az elhangzottakat vagy a kettő kapcsolatát foglalja-e össze. Egy hasznos kimenet a következtetés előtt különítheti el a vizuális és a hang alapján tett megfigyeléseket.
Multimédiás ellenőrzéshez a releváns rövid részletet adja meg több, egymással nem összefüggő anyag helyett. Jelölje meg a képeket, és magyarázza el a szerepüket, ha egynél több van. Őrizze meg a kérdéshez fontos hang- és időzítési információkat. Kérjen célzott eredményt, például egy hallgatónak szóló beszélt magyarázatot vagy a jelenet részleteinek tömör szöveges listáját. Ezek a dokumentált vegyes bemeneti képességek kidolgozott alkalmazási példái, nem állítások arról, hogy egy adott részletet már elemeztek.
Szöveges és beszélt kimenet
A gyártó modellleírása szöveges válaszokat, valamint a szöveg és a beszéd egyidejű streamelését támogatja. Egy beszélt magyarázat célszerű lehet társalgási segítségnyújtáshoz, míg a szöveg könnyebben ellenőrizhető, kereshető és összevethető a forrásanyaggal. A kiválasztott kimeneti mód és a hangvezérlők a modellt elérhetővé tevő felülettől függenek. A streaming egymást követő darabokban történő továbbítást jelent; nem garantált válaszidő, és nem bizonyítja egy külön valós idejű beszélgetési protokoll elérhetőségét.
Kontextus- és kimeneti korlátok
A külön specifikáció 32 768 tokenes kontextusablakot, legfeljebb 30 720 tokenes bemeneti hosszt és legfeljebb 2 048 tokenes kimeneti hosszt sorol fel. A forrásanyagot és a kívánt választ ezeket a különálló korlátokat szem előtt tartva készítse elő. A multimodális bemenetnek a reprezentációjához rendelkezésre álló keretbe kell beleférnie, nem pusztán a begépelt karakterek számába. Egy hosszú narrációra vonatkozó kérést érdemes olyan rövid magyarázatra szűkíteni, amely belefér a kimeneti keretbe.
Ezek a tokenkorlátok nem határoznak meg minden esetre érvényes időtartamot percben vagy egységes képszámot. A média előfeldolgozása és a kiválasztott kiadás befolyásolja, mennyi anyag fér el. A modelloldal nem közöl checkpointarchitektúrát vagy paraméterszámot, ezért a Turbo elnevezésből nem szabad méretet kitalálni vagy más Omni modell architektúráját átvenni.
Eszközök és lényeges korlátozások
A pontos modell képességmátrixa nem támogat függvényhívást, beépített webes keresést vagy kikényszerített strukturált kimenetet. Egyes gyártói konfigurációkban kötegelt következtetést, egy másikban kontextus-gyorsítótárazást sorol fel. Lista vagy JSON-formájú válasz kérése szövegformátumra vonatkozó igény, nem a séma betartatásának garanciája. A modell vizuális vagy elhangzott feladatok megértésére való képessége sem biztosít hozzáférést aktuális információkhoz vagy külső rendszerekhez.
Ellenőrizze, hogy a válasz elkülöníti-e a látható bizonyítékokat, a hallható tartalmat és az értelmezést. A beszédből idézett részleteket, az apró vizuális feliratokat és a kikövetkeztetett kapcsolatokat érdemes összevetni a megadott anyaggal. Beszélt eredménynél őrizze meg a kísérő szöveget, ha elérhető, hogy egy ellenőrző személy áttekinthesse a magyarázatot. A gyakorlati előny több modalitás összekapcsolása egy válaszban, a dokumentált kiadáshoz méretezett tömör kimenettel.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-omni-turbo | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0046 / 1K token Kimenet · Kimeneti tokenek $0.0138 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-omni-turbo", "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-omni-turbo',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-omni-turbo',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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen-omni-turbo
Használja a fent látható metódusútvonalakat.
qwen-omni-turboA Qwen-Omni-Turbo egyetlen multimodális feladatban egyesíti a szöveget, képet, hangot és videót, és képes a szöveget beszélt válasszal együtt streamelni. Használja egy elhangzott kérdés vizuális bizonyítékokhoz kapcsolására vagy audiovizuális részlet magyarázatára, a gyártó 32 768 tokenes kontextusán és 2 048 tokenes kimeneti korlátján belül.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Áttekintés: vegyes médiatartalmak értelmezése és beszélt válaszok
A Qwen-Omni-Turbo a Qwen multimodális értelmező és generáló modellje. Szöveget, képeket, beszédet és videót fogad, ezek kombinációit is beleértve, és szöveget vagy természetes beszéddel kiegészített szöveget állít elő. A gyártó a szöveg és a beszéd egyidejű streamelését írja le, négy természetes társalgási hangváltozattal. Ez olyan feladatokhoz teszi relevánssá a modellt, amelyeknél a kérdés és az azt alátámasztó anyag eltérő formában érkezik, például egy fényképpel kapcsolatos elhangzott kérdésnél vagy egy audiovizuális jelenet magyarázatánál.
A pontos név és a hozzá tartozó kiadások
A gyártó jelenlegi modelloldala a qwen-omni-turbo nevet funkcionálisan egyenértékűnek írja le a qwen-omni-turbo-2025-03-26 pillanatfelvétellel. Külön sorolja fel a qwen-omni-turbo-latest nevet mint dinamikusan frissülő megnevezést, és elkülöníti a korábbi qwen-omni-turbo-2025-01-19 pillanatfelvételt. A márciusi változat leírása a vizuális képességek javulását említi a januárihoz képest. Ezek a gyártó kiadásai közötti kapcsolatok, nem bizonyítékai annak, hogy minden hasonló nevű alkalmazásútvonal azonos súlyokat vagy beállításokat használ. Tartson meg egy dátumozott változatnevet, ha a feladat pontos verziót igényel.
A Turbo név nem jelöli a különálló valós idejű kiadást, egy újabb Qwen-Omni generációt vagy a nyílt Qwen2.5-Omni-7B checkpointot. Bemeneti szabályaikhoz, hangjaikhoz és felületeikhez külön dokumentáció szükséges. Az Omni-Turbo esetében leírt négy hanglehetőséget különösen nem szabad átvinni a két hangot kínáló nyílt checkpoint leírásába.
Vegyes médiatartalmú feladat előkészítése
Adja meg, mit kell a modellnek összekapcsolnia a különböző bemenetek között. Egy ábrával kapcsolatos elhangzott kérdésnél együtt adja meg az ábrát és a kérdést, majd kérjen magyarázatot a megvitatott látható elemről. Beszédet tartalmazó videónál határozza meg, hogy a kívánt eredmény a látottakat, az elhangzottakat vagy a kettő kapcsolatát foglalja-e össze. Egy hasznos kimenet a következtetés előtt különítheti el a vizuális és a hang alapján tett megfigyeléseket.
Multimédiás ellenőrzéshez a releváns rövid részletet adja meg több, egymással nem összefüggő anyag helyett. Jelölje meg a képeket, és magyarázza el a szerepüket, ha egynél több van. Őrizze meg a kérdéshez fontos hang- és időzítési információkat. Kérjen célzott eredményt, például egy hallgatónak szóló beszélt magyarázatot vagy a jelenet részleteinek tömör szöveges listáját. Ezek a dokumentált vegyes bemeneti képességek kidolgozott alkalmazási példái, nem állítások arról, hogy egy adott részletet már elemeztek.
Szöveges és beszélt kimenet
A gyártó modellleírása szöveges válaszokat, valamint a szöveg és a beszéd egyidejű streamelését támogatja. Egy beszélt magyarázat célszerű lehet társalgási segítségnyújtáshoz, míg a szöveg könnyebben ellenőrizhető, kereshető és összevethető a forrásanyaggal. A kiválasztott kimeneti mód és a hangvezérlők a modellt elérhetővé tevő felülettől függenek. A streaming egymást követő darabokban történő továbbítást jelent; nem garantált válaszidő, és nem bizonyítja egy külön valós idejű beszélgetési protokoll elérhetőségét.
Kontextus- és kimeneti korlátok
A külön specifikáció 32 768 tokenes kontextusablakot, legfeljebb 30 720 tokenes bemeneti hosszt és legfeljebb 2 048 tokenes kimeneti hosszt sorol fel. A forrásanyagot és a kívánt választ ezeket a különálló korlátokat szem előtt tartva készítse elő. A multimodális bemenetnek a reprezentációjához rendelkezésre álló keretbe kell beleférnie, nem pusztán a begépelt karakterek számába. Egy hosszú narrációra vonatkozó kérést érdemes olyan rövid magyarázatra szűkíteni, amely belefér a kimeneti keretbe.
Ezek a tokenkorlátok nem határoznak meg minden esetre érvényes időtartamot percben vagy egységes képszámot. A média előfeldolgozása és a kiválasztott kiadás befolyásolja, mennyi anyag fér el. A modelloldal nem közöl checkpointarchitektúrát vagy paraméterszámot, ezért a Turbo elnevezésből nem szabad méretet kitalálni vagy más Omni modell architektúráját átvenni.
Eszközök és lényeges korlátozások
A pontos modell képességmátrixa nem támogat függvényhívást, beépített webes keresést vagy kikényszerített strukturált kimenetet. Egyes gyártói konfigurációkban kötegelt következtetést, egy másikban kontextus-gyorsítótárazást sorol fel. Lista vagy JSON-formájú válasz kérése szövegformátumra vonatkozó igény, nem a séma betartatásának garanciája. A modell vizuális vagy elhangzott feladatok megértésére való képessége sem biztosít hozzáférést aktuális információkhoz vagy külső rendszerekhez.
Ellenőrizze, hogy a válasz elkülöníti-e a látható bizonyítékokat, a hallható tartalmat és az értelmezést. A beszédből idézett részleteket, az apró vizuális feliratokat és a kikövetkeztetett kapcsolatokat érdemes összevetni a megadott anyaggal. Beszélt eredménynél őrizze meg a kísérő szöveget, ha elérhető, hogy egy ellenőrző személy áttekinthesse a magyarázatot. A gyakorlati előny több modalitás összekapcsolása egy válaszban, a dokumentált kiadáshoz méretezett tömör kimenettel.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-omni-turbo | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0046 / 1K token Kimenet · Kimeneti tokenek $0.0138 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen-omni-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-omni-turbo', '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-omni-turbo', '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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen-omni-turbo
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Reconcile written scene and speech notes\n\nCompare these text notes from a training clip. [Visible note] The operator places a red tag on the empty bin. [Speech transcript] "Use a yellow tag when cleaning is due." Summarize the discrepancy and draft one clarification question for the trainer. Use only the supplied notes; do not claim to hear audio or view video.A concise discrepancy statement and one question, with visible-note and speech-transcript evidence kept separate.Check that neither color is silently corrected and the response makes no claim of media access.