Qwen-Long è la linea di Qwen per l’elaborazione documentale, destinata a trovare informazioni, confrontare materiali e rispondere a domande su un ampio corpus testuale. La sua caratteristica distintiva è un flusso documentato di caricamento dei file e uso dei riferimenti che gestisce fino a 10 milioni di token. L’obiettivo non è semplicemente produrre una risposta di chat più lunga: è mantenere disponibile una consistente raccolta di documenti fonte mentre si pongono domande mirate su di essi.
Come funziona il flusso documentale
Il produttore descrive due fasi. Per prima cosa, carica i file selezionati e attendi che il parser documentale abbia terminato. I riferimenti ottenuti identificano i documenti preparati. Poi poni una domanda includendo i riferimenti al materiale da considerare. Il modello esegue l’inferenza sul testo associato a quei documenti. Questo separa la preparazione documentale dalla domanda ed evita di reinviare il file completo a ogni turno della conversazione.
Prepara un singolo documento quando l’obiettivo è un riepilogo, la spiegazione di una sezione o l’estrazione di condizioni specifiche. Indica le sezioni importanti e richiedi un risultato con uno scopo concreto. Ad esempio: fornisci una specifica di prodotto, chiedi le condizioni operative che elenca esplicitamente e richiedi una breve tabella contenente la condizione, la sezione della fonte e gli eventuali dettagli mancanti. Questi nomi dei campi sono un esempio di struttura del risultato, non uno schema fisso incorporato.
Più documenti e domande successive
Il flusso documentato accetta più file preparati nella stessa richiesta. Questo consente confronti tra documenti: identificare una caratteristica in ogni specifica, distinguere le affermazioni comuni dalle differenze e raccogliere le domande irrisolte. Una richiesta può includere fino a 100 riferimenti a file. Seleziona i file pertinenti alla domanda invece di presumere che la presenza di un contesto esteso definisca che cosa confrontare.
Il produttore mostra anche come aggiungere un nuovo documento dopo una prima risposta. Mantieni la risposta precedente nella conversazione, aggiungi la nuova fonte e poni una domanda successiva, ad esempio su come differiscono le due descrizioni. In un’applicazione, distingui la risposta precedente dalle nuove prove fornite. Un risultato utile può essere una tabella comparativa con colonne separate per ogni documento e una spiegazione delle divergenze, anziché un riepilogo unificato che perde la fonte di ogni affermazione.
L’input in testo semplice è un’altra modalità documentata. I materiali più piccoli possono essere forniti direttamente come testo invece che tramite riferimenti a file caricati. La guida del produttore richiede l’uso dei riferimenti quando il contenuto documentale incluso direttamente supera 1 milione di token, a causa dei limiti di dimensione delle richieste. Questa soglia è distinta dal contesto documentale di 10 milioni di token: il supporto di un corpus ampio non promette che venga accettato un unico payload di testo non elaborato altrettanto grande.
Formati, contesto e output
Il servizio documentale elenca TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, insieme a BMP, PNG, JPG/JPEG e GIF. I file immagine caricati sono limitati a 20 MB; gli altri file supportati sono limitati a 150 MB. Sono limiti del flusso di preparazione documentale del produttore, non un’affermazione secondo cui il modello linguistico ragioni direttamente su ogni formato binario senza parsing.
La specifica pubblicata indica un contesto e un input massimo di 10.000.000 token, con fino a 32.768 token di output. Nel formato di conversazione documentato con riferimenti a file, la domanda dell’utente ha un limite separato di 9.000 token quando un secondo messaggio di sistema fornisce i documenti. Mantieni la domanda concisa e riserva la maggior parte del contesto documentale al materiale fonte. Un input a contesto lungo e la lunghezza della risposta risolvono problemi diversi: un corpus ampio può comunque richiedere un risultato breve e rigorosamente strutturato.
Le FAQ del produttore documentano l’output strutturato basato su JSON Schema per Qwen-Long e le sue versioni datate. È utile per attività di estrazione ripetute che richiedono gli stessi campi in tutta una raccolta. Specifica le informazioni richieste, il tipo di ogni campo e cosa fare quando la fonte non contiene un valore. Il servizio documenta anche l’elaborazione asincrona in batch, un flusso di invio alternativo e non un’ulteriore modalità di ragionamento.
Un confronto documentale pratico
Prepara le specifiche pertinenti e identificane i ruoli prima di porre la domanda: quale è la descrizione esistente, quale è la sostituzione proposta e quali requisiti sono obbligatori. Richiedi un risultato con condizioni comuni, affermazioni contrastanti, informazioni mancanti e posizioni nelle fonti. Una domanda successiva può chiedere al modello di trasformare quel risultato in una spiegazione concisa per un collega, conservando le distinzioni originali.
Limiti importanti della preparazione
Il parsing deve essere terminato prima di utilizzare i file preparati; i documenti più grandi possono richiedere più tempo di analisi. L’inferenza documentata del modello usa il testo estratto, quindi la completezza e la leggibilità del contenuto preparato sono importanti. Specifica chiaramente la selezione dei file, la domanda e l’output richiesto. Non usare la capacità documentale di Qwen-Long al posto dei limiti di un’altra edizione Qwen, di una richiesta diretta con testo non elaborato o della risposta finale.
", "aboutText": "Qwen-Long è la linea di Qwen per l’elaborazione documentale, destinata a trovare informazioni, confrontare materiali e rispondere a domande su un ampio corpus testuale. La sua caratteristica distintiva è un flusso documentato di caricamento dei file e uso dei riferimenti che gestisce fino a 10 milioni di token. L’obiettivo non è semplicemente produrre una risposta di chat più lunga: è mantenere disponibile una consistente raccolta di documenti fonte mentre si pongono domande mirate su di essi.\n\nCome funziona il flusso documentale\n\nIl produttore descrive due fasi. Per prima cosa, carica i file selezionati e attendi che il parser documentale abbia terminato. I riferimenti ottenuti identificano i documenti preparati. Poi poni una domanda includendo i riferimenti al materiale da considerare. Il modello esegue l’inferenza sul testo associato a quei documenti. Questo separa la preparazione documentale dalla domanda ed evita di reinviare il file completo a ogni turno della conversazione.\n\nPrepara un singolo documento quando l’obiettivo è un riepilogo, la spiegazione di una sezione o l’estrazione di condizioni specifiche. Indica le sezioni importanti e richiedi un risultato con uno scopo concreto. Ad esempio: fornisci una specifica di prodotto, chiedi le condizioni operative che elenca esplicitamente e richiedi una breve tabella contenente la condizione, la sezione della fonte e gli eventuali dettagli mancanti. Questi nomi dei campi sono un esempio di struttura del risultato, non uno schema fisso incorporato.\n\nPiù documenti e domande successive\n\nIl flusso documentato accetta più file preparati nella stessa richiesta. Questo consente confronti tra documenti: identificare una caratteristica in ogni specifica, distinguere le affermazioni comuni dalle differenze e raccogliere le domande irrisolte. Una richiesta può includere fino a 100 riferimenti a file. Seleziona i file pertinenti alla domanda invece di presumere che la presenza di un contesto esteso definisca che cosa confrontare.\n\nIl produttore mostra anche come aggiungere un nuovo documento dopo una prima risposta. Mantieni la risposta precedente nella conversazione, aggiungi la nuova fonte e poni una domanda successiva, ad esempio su come differiscono le due descrizioni. In un’applicazione, distingui la risposta precedente dalle nuove prove fornite. Un risultato utile può essere una tabella comparativa con colonne separate per ogni documento e una spiegazione delle divergenze, anziché un riepilogo unificato che perde la fonte di ogni affermazione.\n\nL’input in testo semplice è un’altra modalità documentata. I materiali più piccoli possono essere forniti direttamente come testo invece che tramite riferimenti a file caricati. La guida del produttore richiede l’uso dei riferimenti quando il contenuto documentale incluso direttamente supera 1 milione di token, a causa dei limiti di dimensione delle richieste. Questa soglia è distinta dal contesto documentale di 10 milioni di token: il supporto di un corpus ampio non promette che venga accettato un unico payload di testo non elaborato altrettanto grande.\n\nFormati, contesto e output\n\nIl servizio documentale elenca TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, insieme a BMP, PNG, JPG/JPEG e GIF. I file immagine caricati sono limitati a 20 MB; gli altri file supportati sono limitati a 150 MB. Sono limiti del flusso di preparazione documentale del produttore, non un’affermazione secondo cui il modello linguistico ragioni direttamente su ogni formato binario senza parsing.\n\nLa specifica pubblicata indica un contesto e un input massimo di 10.000.000 token, con fino a 32.768 token di output. Nel formato di conversazione documentato con riferimenti a file, la domanda dell’utente ha un limite separato di 9.000 token quando un secondo messaggio di sistema fornisce i documenti. Mantieni la domanda concisa e riserva la maggior parte del contesto documentale al materiale fonte. Un input a contesto lungo e la lunghezza della risposta risolvono problemi diversi: un corpus ampio può comunque richiedere un risultato breve e rigorosamente strutturato.\n\nLe FAQ del produttore documentano l’output strutturato basato su JSON Schema per Qwen-Long e le sue versioni datate. È utile per attività di estrazione ripetute che richiedono gli stessi campi in tutta una raccolta. Specifica le informazioni richieste, il tipo di ogni campo e cosa fare quando la fonte non contiene un valore. Il servizio documenta anche l’elaborazione asincrona in batch, un flusso di invio alternativo e non un’ulteriore modalità di ragionamento.\n\nUn confronto documentale pratico\n\nPrepara le specifiche pertinenti e identificane i ruoli prima di porre la domanda: quale è la descrizione esistente, quale è la sostituzione proposta e quali requisiti sono obbligatori. Richiedi un risultato con condizioni comuni, affermazioni contrastanti, informazioni mancanti e posizioni nelle fonti. Una domanda successiva può chiedere al modello di trasformare quel risultato in una spiegazione concisa per un collega, conservando le distinzioni originali.\n\nLimiti importanti della preparazione\n\nIl parsing deve essere terminato prima di utilizzare i file preparati; i documenti più grandi possono richiedere più tempo di analisi. L’inferenza documentata del modello usa il testo estratto, quindi la completezza e la leggibilità del contenuto preparato sono importanti. Specifica chiaramente la selezione dei file, la domanda e l’output richiesto. Non usare la capacità documentale di Qwen-Long al posto dei limiti di un’altra edizione Qwen, di una richiesta diretta con testo non elaborato o della risposta finale.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è progettato per domande su grandi raccolte di documenti. Il produttore documenta un flusso di caricamento dei file e uso dei riferimenti con un contesto documentale fino a 10 milioni di token, confronti tra file e risposte testuali strutturate.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen-Long è la linea di Qwen per l’elaborazione documentale, destinata a trovare informazioni, confrontare materiali e rispondere a domande su un ampio corpus testuale. La sua caratteristica distintiva è un flusso documentato di caricamento dei file e uso dei riferimenti che gestisce fino a 10 milioni di token. L’obiettivo non è semplicemente produrre una risposta di chat più lunga: è mantenere disponibile una consistente raccolta di documenti fonte mentre si pongono domande mirate su di essi.
Come funziona il flusso documentale
Il produttore descrive due fasi. Per prima cosa, carica i file selezionati e attendi che il parser documentale abbia terminato. I riferimenti ottenuti identificano i documenti preparati. Poi poni una domanda includendo i riferimenti al materiale da considerare. Il modello esegue l’inferenza sul testo associato a quei documenti. Questo separa la preparazione documentale dalla domanda ed evita di reinviare il file completo a ogni turno della conversazione.
Prepara un singolo documento quando l’obiettivo è un riepilogo, la spiegazione di una sezione o l’estrazione di condizioni specifiche. Indica le sezioni importanti e richiedi un risultato con uno scopo concreto. Ad esempio: fornisci una specifica di prodotto, chiedi le condizioni operative che elenca esplicitamente e richiedi una breve tabella contenente la condizione, la sezione della fonte e gli eventuali dettagli mancanti. Questi nomi dei campi sono un esempio di struttura del risultato, non uno schema fisso incorporato.
Più documenti e domande successive
Il flusso documentato accetta più file preparati nella stessa richiesta. Questo consente confronti tra documenti: identificare una caratteristica in ogni specifica, distinguere le affermazioni comuni dalle differenze e raccogliere le domande irrisolte. Una richiesta può includere fino a 100 riferimenti a file. Seleziona i file pertinenti alla domanda invece di presumere che la presenza di un contesto esteso definisca che cosa confrontare.
Il produttore mostra anche come aggiungere un nuovo documento dopo una prima risposta. Mantieni la risposta precedente nella conversazione, aggiungi la nuova fonte e poni una domanda successiva, ad esempio su come differiscono le due descrizioni. In un’applicazione, distingui la risposta precedente dalle nuove prove fornite. Un risultato utile può essere una tabella comparativa con colonne separate per ogni documento e una spiegazione delle divergenze, anziché un riepilogo unificato che perde la fonte di ogni affermazione.
L’input in testo semplice è un’altra modalità documentata. I materiali più piccoli possono essere forniti direttamente come testo invece che tramite riferimenti a file caricati. La guida del produttore richiede l’uso dei riferimenti quando il contenuto documentale incluso direttamente supera 1 milione di token, a causa dei limiti di dimensione delle richieste. Questa soglia è distinta dal contesto documentale di 10 milioni di token: il supporto di un corpus ampio non promette che venga accettato un unico payload di testo non elaborato altrettanto grande.
Formati, contesto e output
Il servizio documentale elenca TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, insieme a BMP, PNG, JPG/JPEG e GIF. I file immagine caricati sono limitati a 20 MB; gli altri file supportati sono limitati a 150 MB. Sono limiti del flusso di preparazione documentale del produttore, non un’affermazione secondo cui il modello linguistico ragioni direttamente su ogni formato binario senza parsing.
La specifica pubblicata indica un contesto e un input massimo di 10.000.000 token, con fino a 32.768 token di output. Nel formato di conversazione documentato con riferimenti a file, la domanda dell’utente ha un limite separato di 9.000 token quando un secondo messaggio di sistema fornisce i documenti. Mantieni la domanda concisa e riserva la maggior parte del contesto documentale al materiale fonte. Un input a contesto lungo e la lunghezza della risposta risolvono problemi diversi: un corpus ampio può comunque richiedere un risultato breve e rigorosamente strutturato.
Le FAQ del produttore documentano l’output strutturato basato su JSON Schema per Qwen-Long e le sue versioni datate. È utile per attività di estrazione ripetute che richiedono gli stessi campi in tutta una raccolta. Specifica le informazioni richieste, il tipo di ogni campo e cosa fare quando la fonte non contiene un valore. Il servizio documenta anche l’elaborazione asincrona in batch, un flusso di invio alternativo e non un’ulteriore modalità di ragionamento.
Un confronto documentale pratico
Prepara le specifiche pertinenti e identificane i ruoli prima di porre la domanda: quale è la descrizione esistente, quale è la sostituzione proposta e quali requisiti sono obbligatori. Richiedi un risultato con condizioni comuni, affermazioni contrastanti, informazioni mancanti e posizioni nelle fonti. Una domanda successiva può chiedere al modello di trasformare quel risultato in una spiegazione concisa per un collega, conservando le distinzioni originali.
Limiti importanti della preparazione
Il parsing deve essere terminato prima di utilizzare i file preparati; i documenti più grandi possono richiedere più tempo di analisi. L’inferenza documentata del modello usa il testo estratto, quindi la completezza e la leggibilità del contenuto preparato sono importanti. Specifica chiaramente la selezione dei file, la domanda e l’output richiesto. Non usare la capacità documentale di Qwen-Long al posto dei limiti di un’altra edizione Qwen, di una richiesta diretta con testo non elaborato o della risposta finale.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen-long | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000144 / 1K token Output · Token in output $0.000572 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen-long
Usa i percorsi dei metodi indicati sopra.
qwen-longQwen-Long è progettato per domande su grandi raccolte di documenti. Il produttore documenta un flusso di caricamento dei file e uso dei riferimenti con un contesto documentale fino a 10 milioni di token, confronti tra file e risposte testuali strutturate.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen-Long è la linea di Qwen per l’elaborazione documentale, destinata a trovare informazioni, confrontare materiali e rispondere a domande su un ampio corpus testuale. La sua caratteristica distintiva è un flusso documentato di caricamento dei file e uso dei riferimenti che gestisce fino a 10 milioni di token. L’obiettivo non è semplicemente produrre una risposta di chat più lunga: è mantenere disponibile una consistente raccolta di documenti fonte mentre si pongono domande mirate su di essi.
Come funziona il flusso documentale
Il produttore descrive due fasi. Per prima cosa, carica i file selezionati e attendi che il parser documentale abbia terminato. I riferimenti ottenuti identificano i documenti preparati. Poi poni una domanda includendo i riferimenti al materiale da considerare. Il modello esegue l’inferenza sul testo associato a quei documenti. Questo separa la preparazione documentale dalla domanda ed evita di reinviare il file completo a ogni turno della conversazione.
Prepara un singolo documento quando l’obiettivo è un riepilogo, la spiegazione di una sezione o l’estrazione di condizioni specifiche. Indica le sezioni importanti e richiedi un risultato con uno scopo concreto. Ad esempio: fornisci una specifica di prodotto, chiedi le condizioni operative che elenca esplicitamente e richiedi una breve tabella contenente la condizione, la sezione della fonte e gli eventuali dettagli mancanti. Questi nomi dei campi sono un esempio di struttura del risultato, non uno schema fisso incorporato.
Più documenti e domande successive
Il flusso documentato accetta più file preparati nella stessa richiesta. Questo consente confronti tra documenti: identificare una caratteristica in ogni specifica, distinguere le affermazioni comuni dalle differenze e raccogliere le domande irrisolte. Una richiesta può includere fino a 100 riferimenti a file. Seleziona i file pertinenti alla domanda invece di presumere che la presenza di un contesto esteso definisca che cosa confrontare.
Il produttore mostra anche come aggiungere un nuovo documento dopo una prima risposta. Mantieni la risposta precedente nella conversazione, aggiungi la nuova fonte e poni una domanda successiva, ad esempio su come differiscono le due descrizioni. In un’applicazione, distingui la risposta precedente dalle nuove prove fornite. Un risultato utile può essere una tabella comparativa con colonne separate per ogni documento e una spiegazione delle divergenze, anziché un riepilogo unificato che perde la fonte di ogni affermazione.
L’input in testo semplice è un’altra modalità documentata. I materiali più piccoli possono essere forniti direttamente come testo invece che tramite riferimenti a file caricati. La guida del produttore richiede l’uso dei riferimenti quando il contenuto documentale incluso direttamente supera 1 milione di token, a causa dei limiti di dimensione delle richieste. Questa soglia è distinta dal contesto documentale di 10 milioni di token: il supporto di un corpus ampio non promette che venga accettato un unico payload di testo non elaborato altrettanto grande.
Formati, contesto e output
Il servizio documentale elenca TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, insieme a BMP, PNG, JPG/JPEG e GIF. I file immagine caricati sono limitati a 20 MB; gli altri file supportati sono limitati a 150 MB. Sono limiti del flusso di preparazione documentale del produttore, non un’affermazione secondo cui il modello linguistico ragioni direttamente su ogni formato binario senza parsing.
La specifica pubblicata indica un contesto e un input massimo di 10.000.000 token, con fino a 32.768 token di output. Nel formato di conversazione documentato con riferimenti a file, la domanda dell’utente ha un limite separato di 9.000 token quando un secondo messaggio di sistema fornisce i documenti. Mantieni la domanda concisa e riserva la maggior parte del contesto documentale al materiale fonte. Un input a contesto lungo e la lunghezza della risposta risolvono problemi diversi: un corpus ampio può comunque richiedere un risultato breve e rigorosamente strutturato.
Le FAQ del produttore documentano l’output strutturato basato su JSON Schema per Qwen-Long e le sue versioni datate. È utile per attività di estrazione ripetute che richiedono gli stessi campi in tutta una raccolta. Specifica le informazioni richieste, il tipo di ogni campo e cosa fare quando la fonte non contiene un valore. Il servizio documenta anche l’elaborazione asincrona in batch, un flusso di invio alternativo e non un’ulteriore modalità di ragionamento.
Un confronto documentale pratico
Prepara le specifiche pertinenti e identificane i ruoli prima di porre la domanda: quale è la descrizione esistente, quale è la sostituzione proposta e quali requisiti sono obbligatori. Richiedi un risultato con condizioni comuni, affermazioni contrastanti, informazioni mancanti e posizioni nelle fonti. Una domanda successiva può chiedere al modello di trasformare quel risultato in una spiegazione concisa per un collega, conservando le distinzioni originali.
Limiti importanti della preparazione
Il parsing deve essere terminato prima di utilizzare i file preparati; i documenti più grandi possono richiedere più tempo di analisi. L’inferenza documentata del modello usa il testo estratto, quindi la completezza e la leggibilità del contenuto preparato sono importanti. Specifica chiaramente la selezione dei file, la domanda e l’output richiesto. Non usare la capacità documentale di Qwen-Long al posto dei limiti di un’altra edizione Qwen, di una richiesta diretta con testo non elaborato o della risposta finale.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen-long | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000144 / 1K token Output · Token in output $0.000572 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen-long
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.