Qwen-Long adalah lini pemrosesan dokumen Qwen untuk mencari informasi, membandingkan materi, dan menjawab pertanyaan dalam korpus teks yang besar. Ciri khasnya adalah alur unggah berkas dan penggunaan referensi berkas yang didokumentasikan untuk menangani hingga 10 juta token. Tujuannya bukan sekadar menghasilkan balasan percakapan yang lebih panjang, melainkan menjaga agar koleksi dokumen sumber yang besar tetap tersedia saat mengajukan pertanyaan terarah tentang dokumen tersebut.
Cara kerja alur dokumen
Produsen menjelaskan dua tahap. Pertama, unggah berkas yang dipilih dan tunggu hingga pengurai dokumen selesai. Referensi yang dihasilkan mengidentifikasi dokumen yang telah disiapkan. Kedua, ajukan pertanyaan dengan menyertakan referensi materi yang perlu dipertimbangkan. Model menjalankan inferensi atas teks yang terkait dengan dokumen tersebut. Cara ini memisahkan persiapan dokumen dari pertanyaan dan menghindari pengiriman ulang seluruh berkas pada setiap giliran percakapan.
Siapkan satu dokumen ketika tujuannya adalah ringkasan, penjelasan suatu bagian, atau ekstraksi ketentuan tertentu. Sebutkan bagian yang penting dan minta keluaran dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta kondisi pengoperasian yang disebutkan secara eksplisit, lalu minta tabel singkat berisi kondisi, bagian sumber, dan detail yang belum tersedia. Nama-nama kolom tersebut merupakan contoh desain hasil, bukan skema tetap bawaan.
Beberapa dokumen dan pertanyaan lanjutan
Alur yang didokumentasikan menerima beberapa berkas yang telah disiapkan dalam permintaan yang sama. Ini mendukung perbandingan antardokumen: identifikasi fitur dalam setiap spesifikasi, bedakan pernyataan yang sama dari perbedaannya, dan kumpulkan pertanyaan yang belum terjawab. Hingga 100 referensi berkas dapat disertakan dalam satu permintaan. Pilih berkas yang relevan dengan pertanyaan, alih-alih menganggap adanya konteks besar menentukan apa yang harus dibandingkan.
Produsen juga memperagakan penambahan dokumen baru setelah jawaban awal. Pertahankan jawaban sebelumnya dalam percakapan, tambahkan sumber baru, lalu ajukan pertanyaan lanjutan, misalnya tentang perbedaan kedua deskripsi. Dalam aplikasi, bedakan respons sebelumnya dari bukti yang baru diberikan. Hasil yang berguna dapat berupa tabel perbandingan dengan kolom terpisah untuk setiap dokumen dan penjelasan tentang ketidaksesuaian, bukan ringkasan gabungan yang menghilangkan sumber setiap pernyataan.
Masukan teks biasa adalah jalur lain yang didokumentasikan. Materi yang lebih pendek dapat diberikan langsung sebagai teks, bukan melalui referensi berkas yang diunggah. Panduan produsen mewajibkan jalur berbasis referensi ketika konten dokumen yang dimasukkan langsung ke permintaan melebihi 1 juta token karena batas ukuran permintaan. Batas ini terpisah dari konteks dokumen 10 juta token: dukungan untuk korpus besar bukan janji bahwa satu muatan teks mentah yang sama besarnya akan diterima.
Format, konteks, dan keluaran
Layanan dokumen mencantumkan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV, dan JSON, serta BMP, PNG, JPG/JPEG, dan GIF. Berkas gambar yang diunggah dibatasi hingga 20 MB; berkas lain yang didukung dibatasi hingga 150 MB. Ini adalah batas alur persiapan dokumen produsen, bukan pernyataan bahwa model bahasa secara langsung menalar setiap format biner tanpa penguraian.
Spesifikasi yang diterbitkan menetapkan konteks dan masukan maksimum 10.000.000 token, dengan keluaran hingga 32.768 token. Dalam format percakapan berbasis referensi berkas yang didokumentasikan, pertanyaan pengguna memiliki batas terpisah sebesar 9.000 token ketika pesan sistem kedua menyediakan dokumen. Buat pertanyaan yang ringkas dan alokasikan sebagian besar konteks dokumen untuk materi sumber. Masukan berkonteks panjang dan panjang jawaban menyelesaikan kebutuhan yang berbeda: korpus besar tetap dapat memerlukan hasil yang singkat dan tersusun rapat.
FAQ produsen mendokumentasikan keluaran terstruktur berbasis JSON Schema untuk Qwen-Long dan snapshot-nya. Ini berguna bagi tugas ekstraksi berulang yang memerlukan kolom yang sama di seluruh koleksi. Tentukan informasi yang diperlukan, tipe setiap kolom, dan tindakan ketika sumber tidak memuat suatu nilai. Layanan ini juga mendokumentasikan pemrosesan batch asinkron, yang merupakan alur pengiriman alternatif, bukan mode penalaran tambahan.
Perbandingan dokumen yang praktis
Siapkan spesifikasi yang relevan dan identifikasi perannya sebelum bertanya: mana deskripsi yang sudah ada, mana pengganti yang diusulkan, dan persyaratan mana yang wajib dipenuhi. Minta hasil yang memuat kondisi bersama, pernyataan yang bertentangan, informasi yang belum tersedia, dan lokasi sumber. Pertanyaan berikutnya dapat meminta model mengubah hasil tersebut menjadi penjelasan singkat untuk rekan kerja sambil mempertahankan perbedaan aslinya.
Batas persiapan yang penting
Penguraian harus selesai sebelum berkas yang telah disiapkan digunakan; dokumen yang lebih besar dapat memerlukan waktu penguraian lebih lama. Inferensi model yang didokumentasikan menggunakan teks hasil ekstraksi, sehingga kelengkapan dan keterbacaan konten yang telah disiapkan tersebut penting. Nyatakan pilihan berkas, pertanyaan, dan keluaran yang diperlukan secara eksplisit. Kapasitas dokumen Qwen-Long tidak boleh dianggap menggantikan batas edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan langsung, atau jawaban akhir.
", "aboutText": "Qwen-Long adalah lini pemrosesan dokumen Qwen untuk mencari informasi, membandingkan materi, dan menjawab pertanyaan dalam korpus teks yang besar. Ciri khasnya adalah alur unggah berkas dan penggunaan referensi berkas yang didokumentasikan untuk menangani hingga 10 juta token. Tujuannya bukan sekadar menghasilkan balasan percakapan yang lebih panjang, melainkan menjaga agar koleksi dokumen sumber yang besar tetap tersedia saat mengajukan pertanyaan terarah tentang dokumen tersebut.\n\nCara kerja alur dokumen\n\nProdusen menjelaskan dua tahap. Pertama, unggah berkas yang dipilih dan tunggu hingga pengurai dokumen selesai. Referensi yang dihasilkan mengidentifikasi dokumen yang telah disiapkan. Kedua, ajukan pertanyaan dengan menyertakan referensi materi yang perlu dipertimbangkan. Model menjalankan inferensi atas teks yang terkait dengan dokumen tersebut. Cara ini memisahkan persiapan dokumen dari pertanyaan dan menghindari pengiriman ulang seluruh berkas pada setiap giliran percakapan.\n\nSiapkan satu dokumen ketika tujuannya adalah ringkasan, penjelasan suatu bagian, atau ekstraksi ketentuan tertentu. Sebutkan bagian yang penting dan minta keluaran dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta kondisi pengoperasian yang disebutkan secara eksplisit, lalu minta tabel singkat berisi kondisi, bagian sumber, dan detail yang belum tersedia. Nama-nama kolom tersebut merupakan contoh desain hasil, bukan skema tetap bawaan.\n\nBeberapa dokumen dan pertanyaan lanjutan\n\nAlur yang didokumentasikan menerima beberapa berkas yang telah disiapkan dalam permintaan yang sama. Ini mendukung perbandingan antardokumen: identifikasi fitur dalam setiap spesifikasi, bedakan pernyataan yang sama dari perbedaannya, dan kumpulkan pertanyaan yang belum terjawab. Hingga 100 referensi berkas dapat disertakan dalam satu permintaan. Pilih berkas yang relevan dengan pertanyaan, alih-alih menganggap adanya konteks besar menentukan apa yang harus dibandingkan.\n\nProdusen juga memperagakan penambahan dokumen baru setelah jawaban awal. Pertahankan jawaban sebelumnya dalam percakapan, tambahkan sumber baru, lalu ajukan pertanyaan lanjutan, misalnya tentang perbedaan kedua deskripsi. Dalam aplikasi, bedakan respons sebelumnya dari bukti yang baru diberikan. Hasil yang berguna dapat berupa tabel perbandingan dengan kolom terpisah untuk setiap dokumen dan penjelasan tentang ketidaksesuaian, bukan ringkasan gabungan yang menghilangkan sumber setiap pernyataan.\n\nMasukan teks biasa adalah jalur lain yang didokumentasikan. Materi yang lebih pendek dapat diberikan langsung sebagai teks, bukan melalui referensi berkas yang diunggah. Panduan produsen mewajibkan jalur berbasis referensi ketika konten dokumen yang dimasukkan langsung ke permintaan melebihi 1 juta token karena batas ukuran permintaan. Batas ini terpisah dari konteks dokumen 10 juta token: dukungan untuk korpus besar bukan janji bahwa satu muatan teks mentah yang sama besarnya akan diterima.\n\nFormat, konteks, dan keluaran\n\nLayanan dokumen mencantumkan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV, dan JSON, serta BMP, PNG, JPG/JPEG, dan GIF. Berkas gambar yang diunggah dibatasi hingga 20 MB; berkas lain yang didukung dibatasi hingga 150 MB. Ini adalah batas alur persiapan dokumen produsen, bukan pernyataan bahwa model bahasa secara langsung menalar setiap format biner tanpa penguraian.\n\nSpesifikasi yang diterbitkan menetapkan konteks dan masukan maksimum 10.000.000 token, dengan keluaran hingga 32.768 token. Dalam format percakapan berbasis referensi berkas yang didokumentasikan, pertanyaan pengguna memiliki batas terpisah sebesar 9.000 token ketika pesan sistem kedua menyediakan dokumen. Buat pertanyaan yang ringkas dan alokasikan sebagian besar konteks dokumen untuk materi sumber. Masukan berkonteks panjang dan panjang jawaban menyelesaikan kebutuhan yang berbeda: korpus besar tetap dapat memerlukan hasil yang singkat dan tersusun rapat.\n\nFAQ produsen mendokumentasikan keluaran terstruktur berbasis JSON Schema untuk Qwen-Long dan snapshot-nya. Ini berguna bagi tugas ekstraksi berulang yang memerlukan kolom yang sama di seluruh koleksi. Tentukan informasi yang diperlukan, tipe setiap kolom, dan tindakan ketika sumber tidak memuat suatu nilai. Layanan ini juga mendokumentasikan pemrosesan batch asinkron, yang merupakan alur pengiriman alternatif, bukan mode penalaran tambahan.\n\nPerbandingan dokumen yang praktis\n\nSiapkan spesifikasi yang relevan dan identifikasi perannya sebelum bertanya: mana deskripsi yang sudah ada, mana pengganti yang diusulkan, dan persyaratan mana yang wajib dipenuhi. Minta hasil yang memuat kondisi bersama, pernyataan yang bertentangan, informasi yang belum tersedia, dan lokasi sumber. Pertanyaan berikutnya dapat meminta model mengubah hasil tersebut menjadi penjelasan singkat untuk rekan kerja sambil mempertahankan perbedaan aslinya.\n\nBatas persiapan yang penting\n\nPenguraian harus selesai sebelum berkas yang telah disiapkan digunakan; dokumen yang lebih besar dapat memerlukan waktu penguraian lebih lama. Inferensi model yang didokumentasikan menggunakan teks hasil ekstraksi, sehingga kelengkapan dan keterbacaan konten yang telah disiapkan tersebut penting. Nyatakan pilihan berkas, pertanyaan, dan keluaran yang diperlukan secara eksplisit. Kapasitas dokumen Qwen-Long tidak boleh dianggap menggantikan batas edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan langsung, atau jawaban akhir.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 dibuat untuk menjawab pertanyaan tentang koleksi dokumen besar. Produsennya mendokumentasikan alur unggah berkas dan penggunaan referensi berkas dengan konteks dokumen hingga 10 juta token, perbandingan antarberkas, serta jawaban teks terstruktur.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen-Long adalah lini pemrosesan dokumen Qwen untuk mencari informasi, membandingkan materi, dan menjawab pertanyaan dalam korpus teks yang besar. Ciri khasnya adalah alur unggah berkas dan penggunaan referensi berkas yang didokumentasikan untuk menangani hingga 10 juta token. Tujuannya bukan sekadar menghasilkan balasan percakapan yang lebih panjang, melainkan menjaga agar koleksi dokumen sumber yang besar tetap tersedia saat mengajukan pertanyaan terarah tentang dokumen tersebut.
Cara kerja alur dokumen
Produsen menjelaskan dua tahap. Pertama, unggah berkas yang dipilih dan tunggu hingga pengurai dokumen selesai. Referensi yang dihasilkan mengidentifikasi dokumen yang telah disiapkan. Kedua, ajukan pertanyaan dengan menyertakan referensi materi yang perlu dipertimbangkan. Model menjalankan inferensi atas teks yang terkait dengan dokumen tersebut. Cara ini memisahkan persiapan dokumen dari pertanyaan dan menghindari pengiriman ulang seluruh berkas pada setiap giliran percakapan.
Siapkan satu dokumen ketika tujuannya adalah ringkasan, penjelasan suatu bagian, atau ekstraksi ketentuan tertentu. Sebutkan bagian yang penting dan minta keluaran dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta kondisi pengoperasian yang disebutkan secara eksplisit, lalu minta tabel singkat berisi kondisi, bagian sumber, dan detail yang belum tersedia. Nama-nama kolom tersebut merupakan contoh desain hasil, bukan skema tetap bawaan.
Beberapa dokumen dan pertanyaan lanjutan
Alur yang didokumentasikan menerima beberapa berkas yang telah disiapkan dalam permintaan yang sama. Ini mendukung perbandingan antardokumen: identifikasi fitur dalam setiap spesifikasi, bedakan pernyataan yang sama dari perbedaannya, dan kumpulkan pertanyaan yang belum terjawab. Hingga 100 referensi berkas dapat disertakan dalam satu permintaan. Pilih berkas yang relevan dengan pertanyaan, alih-alih menganggap adanya konteks besar menentukan apa yang harus dibandingkan.
Produsen juga memperagakan penambahan dokumen baru setelah jawaban awal. Pertahankan jawaban sebelumnya dalam percakapan, tambahkan sumber baru, lalu ajukan pertanyaan lanjutan, misalnya tentang perbedaan kedua deskripsi. Dalam aplikasi, bedakan respons sebelumnya dari bukti yang baru diberikan. Hasil yang berguna dapat berupa tabel perbandingan dengan kolom terpisah untuk setiap dokumen dan penjelasan tentang ketidaksesuaian, bukan ringkasan gabungan yang menghilangkan sumber setiap pernyataan.
Masukan teks biasa adalah jalur lain yang didokumentasikan. Materi yang lebih pendek dapat diberikan langsung sebagai teks, bukan melalui referensi berkas yang diunggah. Panduan produsen mewajibkan jalur berbasis referensi ketika konten dokumen yang dimasukkan langsung ke permintaan melebihi 1 juta token karena batas ukuran permintaan. Batas ini terpisah dari konteks dokumen 10 juta token: dukungan untuk korpus besar bukan janji bahwa satu muatan teks mentah yang sama besarnya akan diterima.
Format, konteks, dan keluaran
Layanan dokumen mencantumkan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV, dan JSON, serta BMP, PNG, JPG/JPEG, dan GIF. Berkas gambar yang diunggah dibatasi hingga 20 MB; berkas lain yang didukung dibatasi hingga 150 MB. Ini adalah batas alur persiapan dokumen produsen, bukan pernyataan bahwa model bahasa secara langsung menalar setiap format biner tanpa penguraian.
Spesifikasi yang diterbitkan menetapkan konteks dan masukan maksimum 10.000.000 token, dengan keluaran hingga 32.768 token. Dalam format percakapan berbasis referensi berkas yang didokumentasikan, pertanyaan pengguna memiliki batas terpisah sebesar 9.000 token ketika pesan sistem kedua menyediakan dokumen. Buat pertanyaan yang ringkas dan alokasikan sebagian besar konteks dokumen untuk materi sumber. Masukan berkonteks panjang dan panjang jawaban menyelesaikan kebutuhan yang berbeda: korpus besar tetap dapat memerlukan hasil yang singkat dan tersusun rapat.
FAQ produsen mendokumentasikan keluaran terstruktur berbasis JSON Schema untuk Qwen-Long dan snapshot-nya. Ini berguna bagi tugas ekstraksi berulang yang memerlukan kolom yang sama di seluruh koleksi. Tentukan informasi yang diperlukan, tipe setiap kolom, dan tindakan ketika sumber tidak memuat suatu nilai. Layanan ini juga mendokumentasikan pemrosesan batch asinkron, yang merupakan alur pengiriman alternatif, bukan mode penalaran tambahan.
Perbandingan dokumen yang praktis
Siapkan spesifikasi yang relevan dan identifikasi perannya sebelum bertanya: mana deskripsi yang sudah ada, mana pengganti yang diusulkan, dan persyaratan mana yang wajib dipenuhi. Minta hasil yang memuat kondisi bersama, pernyataan yang bertentangan, informasi yang belum tersedia, dan lokasi sumber. Pertanyaan berikutnya dapat meminta model mengubah hasil tersebut menjadi penjelasan singkat untuk rekan kerja sambil mempertahankan perbedaan aslinya.
Batas persiapan yang penting
Penguraian harus selesai sebelum berkas yang telah disiapkan digunakan; dokumen yang lebih besar dapat memerlukan waktu penguraian lebih lama. Inferensi model yang didokumentasikan menggunakan teks hasil ekstraksi, sehingga kelengkapan dan keterbacaan konten yang telah disiapkan tersebut penting. Nyatakan pilihan berkas, pertanyaan, dan keluaran yang diperlukan secara eksplisit. Kapasitas dokumen Qwen-Long tidak boleh dianggap menggantikan batas edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan langsung, atau jawaban akhir.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen-long | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.000144 / 1K token Keluaran · Token keluaran $0.000572 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen-long
Gunakan jalur metode yang ditampilkan di atas.
qwen-longQwen-Long dibuat untuk menjawab pertanyaan tentang koleksi dokumen besar. Produsennya mendokumentasikan alur unggah berkas dan penggunaan referensi berkas dengan konteks dokumen hingga 10 juta token, perbandingan antarberkas, serta jawaban teks terstruktur.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen-Long adalah lini pemrosesan dokumen Qwen untuk mencari informasi, membandingkan materi, dan menjawab pertanyaan dalam korpus teks yang besar. Ciri khasnya adalah alur unggah berkas dan penggunaan referensi berkas yang didokumentasikan untuk menangani hingga 10 juta token. Tujuannya bukan sekadar menghasilkan balasan percakapan yang lebih panjang, melainkan menjaga agar koleksi dokumen sumber yang besar tetap tersedia saat mengajukan pertanyaan terarah tentang dokumen tersebut.
Cara kerja alur dokumen
Produsen menjelaskan dua tahap. Pertama, unggah berkas yang dipilih dan tunggu hingga pengurai dokumen selesai. Referensi yang dihasilkan mengidentifikasi dokumen yang telah disiapkan. Kedua, ajukan pertanyaan dengan menyertakan referensi materi yang perlu dipertimbangkan. Model menjalankan inferensi atas teks yang terkait dengan dokumen tersebut. Cara ini memisahkan persiapan dokumen dari pertanyaan dan menghindari pengiriman ulang seluruh berkas pada setiap giliran percakapan.
Siapkan satu dokumen ketika tujuannya adalah ringkasan, penjelasan suatu bagian, atau ekstraksi ketentuan tertentu. Sebutkan bagian yang penting dan minta keluaran dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta kondisi pengoperasian yang disebutkan secara eksplisit, lalu minta tabel singkat berisi kondisi, bagian sumber, dan detail yang belum tersedia. Nama-nama kolom tersebut merupakan contoh desain hasil, bukan skema tetap bawaan.
Beberapa dokumen dan pertanyaan lanjutan
Alur yang didokumentasikan menerima beberapa berkas yang telah disiapkan dalam permintaan yang sama. Ini mendukung perbandingan antardokumen: identifikasi fitur dalam setiap spesifikasi, bedakan pernyataan yang sama dari perbedaannya, dan kumpulkan pertanyaan yang belum terjawab. Hingga 100 referensi berkas dapat disertakan dalam satu permintaan. Pilih berkas yang relevan dengan pertanyaan, alih-alih menganggap adanya konteks besar menentukan apa yang harus dibandingkan.
Produsen juga memperagakan penambahan dokumen baru setelah jawaban awal. Pertahankan jawaban sebelumnya dalam percakapan, tambahkan sumber baru, lalu ajukan pertanyaan lanjutan, misalnya tentang perbedaan kedua deskripsi. Dalam aplikasi, bedakan respons sebelumnya dari bukti yang baru diberikan. Hasil yang berguna dapat berupa tabel perbandingan dengan kolom terpisah untuk setiap dokumen dan penjelasan tentang ketidaksesuaian, bukan ringkasan gabungan yang menghilangkan sumber setiap pernyataan.
Masukan teks biasa adalah jalur lain yang didokumentasikan. Materi yang lebih pendek dapat diberikan langsung sebagai teks, bukan melalui referensi berkas yang diunggah. Panduan produsen mewajibkan jalur berbasis referensi ketika konten dokumen yang dimasukkan langsung ke permintaan melebihi 1 juta token karena batas ukuran permintaan. Batas ini terpisah dari konteks dokumen 10 juta token: dukungan untuk korpus besar bukan janji bahwa satu muatan teks mentah yang sama besarnya akan diterima.
Format, konteks, dan keluaran
Layanan dokumen mencantumkan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV, dan JSON, serta BMP, PNG, JPG/JPEG, dan GIF. Berkas gambar yang diunggah dibatasi hingga 20 MB; berkas lain yang didukung dibatasi hingga 150 MB. Ini adalah batas alur persiapan dokumen produsen, bukan pernyataan bahwa model bahasa secara langsung menalar setiap format biner tanpa penguraian.
Spesifikasi yang diterbitkan menetapkan konteks dan masukan maksimum 10.000.000 token, dengan keluaran hingga 32.768 token. Dalam format percakapan berbasis referensi berkas yang didokumentasikan, pertanyaan pengguna memiliki batas terpisah sebesar 9.000 token ketika pesan sistem kedua menyediakan dokumen. Buat pertanyaan yang ringkas dan alokasikan sebagian besar konteks dokumen untuk materi sumber. Masukan berkonteks panjang dan panjang jawaban menyelesaikan kebutuhan yang berbeda: korpus besar tetap dapat memerlukan hasil yang singkat dan tersusun rapat.
FAQ produsen mendokumentasikan keluaran terstruktur berbasis JSON Schema untuk Qwen-Long dan snapshot-nya. Ini berguna bagi tugas ekstraksi berulang yang memerlukan kolom yang sama di seluruh koleksi. Tentukan informasi yang diperlukan, tipe setiap kolom, dan tindakan ketika sumber tidak memuat suatu nilai. Layanan ini juga mendokumentasikan pemrosesan batch asinkron, yang merupakan alur pengiriman alternatif, bukan mode penalaran tambahan.
Perbandingan dokumen yang praktis
Siapkan spesifikasi yang relevan dan identifikasi perannya sebelum bertanya: mana deskripsi yang sudah ada, mana pengganti yang diusulkan, dan persyaratan mana yang wajib dipenuhi. Minta hasil yang memuat kondisi bersama, pernyataan yang bertentangan, informasi yang belum tersedia, dan lokasi sumber. Pertanyaan berikutnya dapat meminta model mengubah hasil tersebut menjadi penjelasan singkat untuk rekan kerja sambil mempertahankan perbedaan aslinya.
Batas persiapan yang penting
Penguraian harus selesai sebelum berkas yang telah disiapkan digunakan; dokumen yang lebih besar dapat memerlukan waktu penguraian lebih lama. Inferensi model yang didokumentasikan menggunakan teks hasil ekstraksi, sehingga kelengkapan dan keterbacaan konten yang telah disiapkan tersebut penting. Nyatakan pilihan berkas, pertanyaan, dan keluaran yang diperlukan secara eksplisit. Kapasitas dokumen Qwen-Long tidak boleh dianggap menggantikan batas edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan langsung, atau jawaban akhir.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen-long | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.000144 / 1K token Keluaran · Token keluaran $0.000572 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen-long
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.