Qwen Turbo 2024-11-01 è lo snapshot fisso Qwen-Turbo di Alibaba appartenente alla generazione Qwen2.5. Riceve istruzioni scritte e contesto testuale e produce una risposta di testo. Tra le attività utili figurano domande sui documenti forniti, sintesi che collegano più fonti, spiegazioni di una base di codice ed estrazione in JSON. Conserva il nome datato del modello insieme al prompt quando confronti i risultati tra edizioni.
La presentazione di Qwen2.5-Turbo da parte di Qwen dimostra la lettura di narrazioni lunghe e di diversi articoli correlati. Il risultato utile dipende dalla domanda: una panoramica può spiegare il rapporto tra i lavori, mentre un confronto mirato può distinguere i loro approcci e gli elementi che li sostengono. Fornisci testo con etichette chiare e chiedi le distinzioni importanti per il lettore. Istruzioni originali potrebbero richiedere la proposta principale di ciascun documento, il passaggio che la sostiene e gli eventuali disaccordi tra i documenti. Chiedi la risposta nella lingua richiesta dal pubblico e mantieni le citazioni collegate alla loro fonte.
Il produttore dimostra anche la lettura di un repository raccolto in un file di testo, spiegandone prima lo scopo e individuando poi le classi e i percorsi dei loro file. Prepara il codice mantenendo intatti i confini dei file, i nomi e le definizioni pertinenti presenti nel contesto. Chiedi una mappa di un componente prima di richiedere una spiegazione più circoscritta dei rapporti tra le sue parti. La spiegazione o l’elenco di posizioni risultante può guidare l’ispezione dei file originali; verifica quelle posizioni rispetto al codice fornito.
Nel flusso di lavoro testuale documentato dal produttore, un messaggio di sistema stabilisce il ruolo e le regole dell’attività, un messaggio dell’utente fornisce la domanda e il materiale, e il modello risponde come assistente. Rendi esplicito l’elaborato desiderato: una sintesi, una tabella di confronto, una spiegazione concisa o campi estratti. Per un’attività su documenti, distingui il testo da leggere dall’istruzione che descrive cosa farne. Includi la terminologia, la lingua di uscita e le eventuali regole per gestire le informazioni che la fonte non fornisce.
Il flusso di lavoro Chat Completions del produttore è senza stato: per proseguire la discussione si usa la cronologia della conversazione fornita con la domanda successiva. Aggiungi i messaggi precedenti dell’utente e dell’assistente quando la richiesta successiva dipende da essi. Un primo turno può definire l’argomentazione di un documento; un secondo può chiedere quale passaggio sostiene una conclusione. Mantieni disponibile il contesto necessario delle fonti, invece di presumere che una risposta precedente dia al modello una memoria permanente. Man mano che la discussione cresce, conserva i turni recenti e i fatti importanti delle fonti, oppure usa una sintesi revisionata del materiale precedente. Rimuovere o comprimere la cronologia può eliminare dettagli necessari per la risposta successiva.
Alibaba include esplicitamente qwen-turbo-2024-11-01 nel supporto a JSON Object. Nel flusso di lavoro del produttore, il formato della risposta viene impostato su json_object e un’istruzione di sistema o dell’utente deve contenere la parola JSON. Specifica i nomi dei campi e come trattare le informazioni mancanti. Per esempio, le istruzioni di estrazione possono richiedere il titolo di un documento, il nome del suo autore e un passaggio a supporto, con una convenzione dichiarata per il caso in cui l’autore non sia indicato.
La modalità JSON Object mira a una sintassi JSON valida; non impone uno schema specifico, nomi dei campi stabili o tipi dei campi. Controlla che l’oggetto restituito contenga i campi e i valori richiesti dall’attività prima di usarlo nei passaggi successivi. Un risultato interrotto prima del completamento può essere anch’esso JSON non valido. Conserva l’oggetto completo e il suo testo di origine per distinguere un problema di formattazione da un’estrazione errata.
La presentazione di Qwen segnala instabilità nelle attività impegnative su sequenze lunghe. Una grande quantità di testo fornito non garantisce che ogni dettaglio venga recuperato o che ogni relazione sia interpretata correttamente. Verifica le affermazioni importanti, i riferimenti e le posizioni nel codice rispetto al materiale originale, soprattutto quando la conclusione collega passaggi distanti. Conserva la fonte, il prompt esatto e la risposta selezionata come materiale di lavoro. La corrispondenza tra versioni di Alibaba distingue questo snapshot da Qwen-Turbo-2025-04-28, quindi un confronto tra edizioni dovrebbe conservare entrambi i nomi dei modelli e la stessa attività.
", "aboutText": "Qwen Turbo 2024-11-01 è lo snapshot fisso Qwen-Turbo di Alibaba appartenente alla generazione Qwen2.5. Riceve istruzioni scritte e contesto testuale e produce una risposta di testo. Tra le attività utili figurano domande sui documenti forniti, sintesi che collegano più fonti, spiegazioni di una base di codice ed estrazione in JSON. Conserva il nome datato del modello insieme al prompt quando confronti i risultati tra edizioni.\n\n### Leggi materiale collegato con una domanda specifica\n\nLa presentazione di Qwen2.5-Turbo da parte di Qwen dimostra la lettura di narrazioni lunghe e di diversi articoli correlati. Il risultato utile dipende dalla domanda: una panoramica può spiegare il rapporto tra i lavori, mentre un confronto mirato può distinguere i loro approcci e gli elementi che li sostengono. Fornisci testo con etichette chiare e chiedi le distinzioni importanti per il lettore. Istruzioni originali potrebbero richiedere la proposta principale di ciascun documento, il passaggio che la sostiene e gli eventuali disaccordi tra i documenti. Chiedi la risposta nella lingua richiesta dal pubblico e mantieni le citazioni collegate alla loro fonte.\n\n### Comprendi un repository attraverso il suo testo\n\nIl produttore dimostra anche la lettura di un repository raccolto in un file di testo, spiegandone prima lo scopo e individuando poi le classi e i percorsi dei loro file. Prepara il codice mantenendo intatti i confini dei file, i nomi e le definizioni pertinenti presenti nel contesto. Chiedi una mappa di un componente prima di richiedere una spiegazione più circoscritta dei rapporti tra le sue parti. La spiegazione o l’elenco di posizioni risultante può guidare l’ispezione dei file originali; verifica quelle posizioni rispetto al codice fornito.\n\n### Fornisci istruzioni e materiale come messaggi\n\nNel flusso di lavoro testuale documentato dal produttore, un messaggio di sistema stabilisce il ruolo e le regole dell’attività, un messaggio dell’utente fornisce la domanda e il materiale, e il modello risponde come assistente. Rendi esplicito l’elaborato desiderato: una sintesi, una tabella di confronto, una spiegazione concisa o campi estratti. Per un’attività su documenti, distingui il testo da leggere dall’istruzione che descrive cosa farne. Includi la terminologia, la lingua di uscita e le eventuali regole per gestire le informazioni che la fonte non fornisce.\n\n### Prosegui una conversazione con la cronologia pertinente\n\nIl flusso di lavoro Chat Completions del produttore è senza stato: per proseguire la discussione si usa la cronologia della conversazione fornita con la domanda successiva. Aggiungi i messaggi precedenti dell’utente e dell’assistente quando la richiesta successiva dipende da essi. Un primo turno può definire l’argomentazione di un documento; un secondo può chiedere quale passaggio sostiene una conclusione. Mantieni disponibile il contesto necessario delle fonti, invece di presumere che una risposta precedente dia al modello una memoria permanente. Man mano che la discussione cresce, conserva i turni recenti e i fatti importanti delle fonti, oppure usa una sintesi revisionata del materiale precedente. Rimuovere o comprimere la cronologia può eliminare dettagli necessari per la risposta successiva.\n\n### Estrai informazioni con la modalità JSON Object\n\nAlibaba include esplicitamente qwen-turbo-2024-11-01 nel supporto a JSON Object. Nel flusso di lavoro del produttore, il formato della risposta viene impostato su json_object e un’istruzione di sistema o dell’utente deve contenere la parola JSON. Specifica i nomi dei campi e come trattare le informazioni mancanti. Per esempio, le istruzioni di estrazione possono richiedere il titolo di un documento, il nome del suo autore e un passaggio a supporto, con una convenzione dichiarata per il caso in cui l’autore non sia indicato.\n\nLa modalità JSON Object mira a una sintassi JSON valida; non impone uno schema specifico, nomi dei campi stabili o tipi dei campi. Controlla che l’oggetto restituito contenga i campi e i valori richiesti dall’attività prima di usarlo nei passaggi successivi. Un risultato interrotto prima del completamento può essere anch’esso JSON non valido. Conserva l’oggetto completo e il suo testo di origine per distinguere un problema di formattazione da un’estrazione errata.\n\n### Verifica la risposta rispetto al materiale originale\n\nLa presentazione di Qwen segnala instabilità nelle attività impegnative su sequenze lunghe. Una grande quantità di testo fornito non garantisce che ogni dettaglio venga recuperato o che ogni relazione sia interpretata correttamente. Verifica le affermazioni importanti, i riferimenti e le posizioni nel codice rispetto al materiale originale, soprattutto quando la conclusione collega passaggi distanti. Conserva la fonte, il prompt esatto e la risposta selezionata come materiale di lavoro. La corrispondenza tra versioni di Alibaba distingue questo snapshot da Qwen-Turbo-2025-04-28, quindi un confronto tra edizioni dovrebbe conservare entrambi i nomi dei modelli e la stessa attività.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 di Alibaba è uno snapshot fisso di modello testuale per rispondere a domande sul materiale fornito, sintetizzare documenti collegati e leggere codice sorgente. Supporta anche la modalità JSON Object del produttore per estrarre informazioni in un risultato analizzabile da un programma.
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 Turbo 2024-11-01 è lo snapshot fisso Qwen-Turbo di Alibaba appartenente alla generazione Qwen2.5. Riceve istruzioni scritte e contesto testuale e produce una risposta di testo. Tra le attività utili figurano domande sui documenti forniti, sintesi che collegano più fonti, spiegazioni di una base di codice ed estrazione in JSON. Conserva il nome datato del modello insieme al prompt quando confronti i risultati tra edizioni.
La presentazione di Qwen2.5-Turbo da parte di Qwen dimostra la lettura di narrazioni lunghe e di diversi articoli correlati. Il risultato utile dipende dalla domanda: una panoramica può spiegare il rapporto tra i lavori, mentre un confronto mirato può distinguere i loro approcci e gli elementi che li sostengono. Fornisci testo con etichette chiare e chiedi le distinzioni importanti per il lettore. Istruzioni originali potrebbero richiedere la proposta principale di ciascun documento, il passaggio che la sostiene e gli eventuali disaccordi tra i documenti. Chiedi la risposta nella lingua richiesta dal pubblico e mantieni le citazioni collegate alla loro fonte.
Il produttore dimostra anche la lettura di un repository raccolto in un file di testo, spiegandone prima lo scopo e individuando poi le classi e i percorsi dei loro file. Prepara il codice mantenendo intatti i confini dei file, i nomi e le definizioni pertinenti presenti nel contesto. Chiedi una mappa di un componente prima di richiedere una spiegazione più circoscritta dei rapporti tra le sue parti. La spiegazione o l’elenco di posizioni risultante può guidare l’ispezione dei file originali; verifica quelle posizioni rispetto al codice fornito.
Nel flusso di lavoro testuale documentato dal produttore, un messaggio di sistema stabilisce il ruolo e le regole dell’attività, un messaggio dell’utente fornisce la domanda e il materiale, e il modello risponde come assistente. Rendi esplicito l’elaborato desiderato: una sintesi, una tabella di confronto, una spiegazione concisa o campi estratti. Per un’attività su documenti, distingui il testo da leggere dall’istruzione che descrive cosa farne. Includi la terminologia, la lingua di uscita e le eventuali regole per gestire le informazioni che la fonte non fornisce.
Il flusso di lavoro Chat Completions del produttore è senza stato: per proseguire la discussione si usa la cronologia della conversazione fornita con la domanda successiva. Aggiungi i messaggi precedenti dell’utente e dell’assistente quando la richiesta successiva dipende da essi. Un primo turno può definire l’argomentazione di un documento; un secondo può chiedere quale passaggio sostiene una conclusione. Mantieni disponibile il contesto necessario delle fonti, invece di presumere che una risposta precedente dia al modello una memoria permanente. Man mano che la discussione cresce, conserva i turni recenti e i fatti importanti delle fonti, oppure usa una sintesi revisionata del materiale precedente. Rimuovere o comprimere la cronologia può eliminare dettagli necessari per la risposta successiva.
Alibaba include esplicitamente qwen-turbo-2024-11-01 nel supporto a JSON Object. Nel flusso di lavoro del produttore, il formato della risposta viene impostato su json_object e un’istruzione di sistema o dell’utente deve contenere la parola JSON. Specifica i nomi dei campi e come trattare le informazioni mancanti. Per esempio, le istruzioni di estrazione possono richiedere il titolo di un documento, il nome del suo autore e un passaggio a supporto, con una convenzione dichiarata per il caso in cui l’autore non sia indicato.
La modalità JSON Object mira a una sintassi JSON valida; non impone uno schema specifico, nomi dei campi stabili o tipi dei campi. Controlla che l’oggetto restituito contenga i campi e i valori richiesti dall’attività prima di usarlo nei passaggi successivi. Un risultato interrotto prima del completamento può essere anch’esso JSON non valido. Conserva l’oggetto completo e il suo testo di origine per distinguere un problema di formattazione da un’estrazione errata.
La presentazione di Qwen segnala instabilità nelle attività impegnative su sequenze lunghe. Una grande quantità di testo fornito non garantisce che ogni dettaglio venga recuperato o che ogni relazione sia interpretata correttamente. Verifica le affermazioni importanti, i riferimenti e le posizioni nel codice rispetto al materiale originale, soprattutto quando la conclusione collega passaggi distanti. Conserva la fonte, il prompt esatto e la risposta selezionata come materiale di lavoro. La corrispondenza tra versioni di Alibaba distingue questo snapshot da Qwen-Turbo-2025-04-28, quindi un confronto tra edizioni dovrebbe conservare entrambi i nomi dei modelli e la stessa attività.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen-turbo-2024-11-01 | 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 $0.0001 / 1K token Output · Token in output $0.00018 / 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-turbo-2024-11-01", "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-turbo-2024-11-01',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-turbo-2024-11-01',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-turbo-2024-11-01
Usa i percorsi dei metodi indicati sopra.
qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 di Alibaba è uno snapshot fisso di modello testuale per rispondere a domande sul materiale fornito, sintetizzare documenti collegati e leggere codice sorgente. Supporta anche la modalità JSON Object del produttore per estrarre informazioni in un risultato analizzabile da un programma.
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 Turbo 2024-11-01 è lo snapshot fisso Qwen-Turbo di Alibaba appartenente alla generazione Qwen2.5. Riceve istruzioni scritte e contesto testuale e produce una risposta di testo. Tra le attività utili figurano domande sui documenti forniti, sintesi che collegano più fonti, spiegazioni di una base di codice ed estrazione in JSON. Conserva il nome datato del modello insieme al prompt quando confronti i risultati tra edizioni.
La presentazione di Qwen2.5-Turbo da parte di Qwen dimostra la lettura di narrazioni lunghe e di diversi articoli correlati. Il risultato utile dipende dalla domanda: una panoramica può spiegare il rapporto tra i lavori, mentre un confronto mirato può distinguere i loro approcci e gli elementi che li sostengono. Fornisci testo con etichette chiare e chiedi le distinzioni importanti per il lettore. Istruzioni originali potrebbero richiedere la proposta principale di ciascun documento, il passaggio che la sostiene e gli eventuali disaccordi tra i documenti. Chiedi la risposta nella lingua richiesta dal pubblico e mantieni le citazioni collegate alla loro fonte.
Il produttore dimostra anche la lettura di un repository raccolto in un file di testo, spiegandone prima lo scopo e individuando poi le classi e i percorsi dei loro file. Prepara il codice mantenendo intatti i confini dei file, i nomi e le definizioni pertinenti presenti nel contesto. Chiedi una mappa di un componente prima di richiedere una spiegazione più circoscritta dei rapporti tra le sue parti. La spiegazione o l’elenco di posizioni risultante può guidare l’ispezione dei file originali; verifica quelle posizioni rispetto al codice fornito.
Nel flusso di lavoro testuale documentato dal produttore, un messaggio di sistema stabilisce il ruolo e le regole dell’attività, un messaggio dell’utente fornisce la domanda e il materiale, e il modello risponde come assistente. Rendi esplicito l’elaborato desiderato: una sintesi, una tabella di confronto, una spiegazione concisa o campi estratti. Per un’attività su documenti, distingui il testo da leggere dall’istruzione che descrive cosa farne. Includi la terminologia, la lingua di uscita e le eventuali regole per gestire le informazioni che la fonte non fornisce.
Il flusso di lavoro Chat Completions del produttore è senza stato: per proseguire la discussione si usa la cronologia della conversazione fornita con la domanda successiva. Aggiungi i messaggi precedenti dell’utente e dell’assistente quando la richiesta successiva dipende da essi. Un primo turno può definire l’argomentazione di un documento; un secondo può chiedere quale passaggio sostiene una conclusione. Mantieni disponibile il contesto necessario delle fonti, invece di presumere che una risposta precedente dia al modello una memoria permanente. Man mano che la discussione cresce, conserva i turni recenti e i fatti importanti delle fonti, oppure usa una sintesi revisionata del materiale precedente. Rimuovere o comprimere la cronologia può eliminare dettagli necessari per la risposta successiva.
Alibaba include esplicitamente qwen-turbo-2024-11-01 nel supporto a JSON Object. Nel flusso di lavoro del produttore, il formato della risposta viene impostato su json_object e un’istruzione di sistema o dell’utente deve contenere la parola JSON. Specifica i nomi dei campi e come trattare le informazioni mancanti. Per esempio, le istruzioni di estrazione possono richiedere il titolo di un documento, il nome del suo autore e un passaggio a supporto, con una convenzione dichiarata per il caso in cui l’autore non sia indicato.
La modalità JSON Object mira a una sintassi JSON valida; non impone uno schema specifico, nomi dei campi stabili o tipi dei campi. Controlla che l’oggetto restituito contenga i campi e i valori richiesti dall’attività prima di usarlo nei passaggi successivi. Un risultato interrotto prima del completamento può essere anch’esso JSON non valido. Conserva l’oggetto completo e il suo testo di origine per distinguere un problema di formattazione da un’estrazione errata.
La presentazione di Qwen segnala instabilità nelle attività impegnative su sequenze lunghe. Una grande quantità di testo fornito non garantisce che ogni dettaglio venga recuperato o che ogni relazione sia interpretata correttamente. Verifica le affermazioni importanti, i riferimenti e le posizioni nel codice rispetto al materiale originale, soprattutto quando la conclusione collega passaggi distanti. Conserva la fonte, il prompt esatto e la risposta selezionata come materiale di lavoro. La corrispondenza tra versioni di Alibaba distingue questo snapshot da Qwen-Turbo-2025-04-28, quindi un confronto tra edizioni dovrebbe conservare entrambi i nomi dei modelli e la stessa attività.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen-turbo-2024-11-01 | 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 $0.0001 / 1K token Output · Token in output $0.00018 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen-turbo-2024-11-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-turbo-2024-11-01', '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-turbo-2024-11-01', '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-turbo-2024-11-01
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.