Qwen3.7-Max 2026-06-08 è lo snapshot denominato di Alibaba dell'8 giugno del modello Max nella famiglia Qwen3.7. La modifica distintiva dell'edizione è la comprensione delle modalità visive aggiunta allo snapshot del 20 maggio, a supporto di interazioni fondate su scene del mondo reale. Accetta testo, immagini e video e genera testo. La finalità della famiglia orientata agli agenti copre programmazione, lavoro d'ufficio e produttività, e attività prolungate che combinano istruzioni e risultati degli strumenti.
L'edizione conta per gli incarichi visivi. Il nome Qwen3.7-Max senza data è documentato come equivalente allo snapshot esclusivamente testuale del 20 maggio, mentre la tabella esatta del modello di giugno comprende input di immagini e video. Per questo modello, uno screenshot può accompagnare un compito di programmazione oppure un video può fornire la scena che un'istruzione scritta chiede all'agente di analizzare. L'output è una spiegazione, codice, un record strutturato o un'istruzione di chiamata a strumenti, anziché immagini, video o parlato generati.
La guida al ragionamento di Alibaba elenca esplicitamente questo snapshot di giugno come ibrido: nel flusso del produttore il ragionamento è abilitato per impostazione predefinita e può essere disabilitato per una risposta diretta. La modalità di ragionamento produce ragionamento prima della risposta e richiede tempo aggiuntivo. La guida separa il contenuto di ragionamento dalla risposta finale e supporta la conservazione tra i turni del ragionamento storico fornito per questo modello esatto. Il ragionamento conservato diventa parte dell'input successivo, quindi un compito continuativo deve prevederne il budget insieme alla conversazione e al materiale di partenza.
Function Calling supporta un compito in cui l'applicazione fornisce una domanda e le definizioni degli strumenti disponibili. Il modello restituisce una funzione selezionata e i suoi argomenti; l'applicazione esegue la funzione, aggiunge il risultato dello strumento alla conversazione e chiede al modello di proseguire. Per un assistente di programmazione, definisci con precisione lo strumento di lettura del repository o di convalida e richiedi la modifica completa insieme al risultato a supporto. Descrivere uno strumento è diverso dall'eseguirlo: l'applicazione circostante fornisce l'accesso ed esegue l'operazione.
Lo snapshot di giugno elenca anche Structured Outputs, Web Search, Prefix Completion e Context Caching. Queste funzionalità supportano record di output definiti, attività assistite dalla ricerca, continuazione da un inizio fornito e riutilizzo di un prefisso comune dell'input nel flusso del produttore. Per un'analisi ricorrente, mantieni all'inizio il documento stabile o le istruzioni del compito e posiziona dopo la domanda variabile. Il riutilizzo della cache dipende dalle condizioni di quel flusso; il fatto che il modello supporti la cache non dimostra una lettura dalla cache per una richiesta specifica. L'inferenza batch e il fine-tuning sono contrassegnati come non supportati per questa edizione.
La tabella esatta di giugno indica una finestra di contesto di 1,000,000 token. L'input massimo è di 991,808 token nel profilo normale e 983,616 token in modalità di ragionamento; l'output massimo è di 131,072 token in entrambi i profili. Sono limiti distinti di contesto, input e output. Materiale di partenza ampio, cronologia della conversazione e contenuti visivi devono comunque rientrare nel limite applicabile dell'input, e il tetto di output non richiede che una risposta occupi tanto spazio.
Per un compito pratico d'interfaccia, fornisci lo screenshot, i frammenti sorgente pertinenti, il comportamento desiderato e un elaborato esplicito. Una richiesta esemplificativa è: «Usa questa schermata e il testo del componente allegato per spiegare perché le etichette del modulo non corrispondono al flusso di lavoro. Proponi una modifica mirata al codice ed elenca gli elementi visibili che l'hanno motivata». Per un compito su documenti o produttività, fornisci le sezioni di partenza, il record finale desiderato e i criteri per decidere che cosa includere. Numera le immagini separate e descrivi come si collegano, così che il risultato testuale possa richiamare le prove.
Per l'analisi video, identifica l'evento o la sequenza necessari, richiedi una descrizione sintetica e conserva i timestamp nell'input preparato quando il risultato deve identificare un momento specifico. Per il flusso dei file di Alibaba, un'immagine via URL può arrivare a 20 MB; un video via URL può arrivare a 2 GB e durare da 2 secondi a 2 ore. Il video Base64 deve essere inferiore a 10 MB dopo la codifica. Mantieni i limiti dei file separati dal budget di token. Se l'audio è essenziale, fornisci una trascrizione testuale; la tabella degli input di questo snapshot non elenca l'audio. In un compito di agente più lungo, specifica l'elaborato finale, gli strumenti consentiti e il risultato che determina il completamento. Questa preparazione orienta il modello verso un elaborato testuale esaminabile, anziché una sequenza senza fine di suggerimenti intermedi.
", "aboutText": "Qwen3.7-Max 2026-06-08 è lo snapshot denominato di Alibaba dell'8 giugno del modello Max nella famiglia Qwen3.7. La modifica distintiva dell'edizione è la comprensione delle modalità visive aggiunta allo snapshot del 20 maggio, a supporto di interazioni fondate su scene del mondo reale. Accetta testo, immagini e video e genera testo. La finalità della famiglia orientata agli agenti copre programmazione, lavoro d'ufficio e produttività, e attività prolungate che combinano istruzioni e risultati degli strumenti.\n\nL'edizione conta per gli incarichi visivi. Il nome Qwen3.7-Max senza data è documentato come equivalente allo snapshot esclusivamente testuale del 20 maggio, mentre la tabella esatta del modello di giugno comprende input di immagini e video. Per questo modello, uno screenshot può accompagnare un compito di programmazione oppure un video può fornire la scena che un'istruzione scritta chiede all'agente di analizzare. L'output è una spiegazione, codice, un record strutturato o un'istruzione di chiamata a strumenti, anziché immagini, video o parlato generati.\n\nLa guida al ragionamento di Alibaba elenca esplicitamente questo snapshot di giugno come ibrido: nel flusso del produttore il ragionamento è abilitato per impostazione predefinita e può essere disabilitato per una risposta diretta. La modalità di ragionamento produce ragionamento prima della risposta e richiede tempo aggiuntivo. La guida separa il contenuto di ragionamento dalla risposta finale e supporta la conservazione tra i turni del ragionamento storico fornito per questo modello esatto. Il ragionamento conservato diventa parte dell'input successivo, quindi un compito continuativo deve prevederne il budget insieme alla conversazione e al materiale di partenza.\n\nFunction Calling supporta un compito in cui l'applicazione fornisce una domanda e le definizioni degli strumenti disponibili. Il modello restituisce una funzione selezionata e i suoi argomenti; l'applicazione esegue la funzione, aggiunge il risultato dello strumento alla conversazione e chiede al modello di proseguire. Per un assistente di programmazione, definisci con precisione lo strumento di lettura del repository o di convalida e richiedi la modifica completa insieme al risultato a supporto. Descrivere uno strumento è diverso dall'eseguirlo: l'applicazione circostante fornisce l'accesso ed esegue l'operazione.\n\nLo snapshot di giugno elenca anche Structured Outputs, Web Search, Prefix Completion e Context Caching. Queste funzionalità supportano record di output definiti, attività assistite dalla ricerca, continuazione da un inizio fornito e riutilizzo di un prefisso comune dell'input nel flusso del produttore. Per un'analisi ricorrente, mantieni all'inizio il documento stabile o le istruzioni del compito e posiziona dopo la domanda variabile. Il riutilizzo della cache dipende dalle condizioni di quel flusso; il fatto che il modello supporti la cache non dimostra una lettura dalla cache per una richiesta specifica. L'inferenza batch e il fine-tuning sono contrassegnati come non supportati per questa edizione.\n\nLa tabella esatta di giugno indica una finestra di contesto di 1,000,000 token. L'input massimo è di 991,808 token nel profilo normale e 983,616 token in modalità di ragionamento; l'output massimo è di 131,072 token in entrambi i profili. Sono limiti distinti di contesto, input e output. Materiale di partenza ampio, cronologia della conversazione e contenuti visivi devono comunque rientrare nel limite applicabile dell'input, e il tetto di output non richiede che una risposta occupi tanto spazio.\n\nPer un compito pratico d'interfaccia, fornisci lo screenshot, i frammenti sorgente pertinenti, il comportamento desiderato e un elaborato esplicito. Una richiesta esemplificativa è: «Usa questa schermata e il testo del componente allegato per spiegare perché le etichette del modulo non corrispondono al flusso di lavoro. Proponi una modifica mirata al codice ed elenca gli elementi visibili che l'hanno motivata». Per un compito su documenti o produttività, fornisci le sezioni di partenza, il record finale desiderato e i criteri per decidere che cosa includere. Numera le immagini separate e descrivi come si collegano, così che il risultato testuale possa richiamare le prove.\n\nPer l'analisi video, identifica l'evento o la sequenza necessari, richiedi una descrizione sintetica e conserva i timestamp nell'input preparato quando il risultato deve identificare un momento specifico. Per il flusso dei file di Alibaba, un'immagine via URL può arrivare a 20 MB; un video via URL può arrivare a 2 GB e durare da 2 secondi a 2 ore. Il video Base64 deve essere inferiore a 10 MB dopo la codifica. Mantieni i limiti dei file separati dal budget di token. Se l'audio è essenziale, fornisci una trascrizione testuale; la tabella degli input di questo snapshot non elenca l'audio. In un compito di agente più lungo, specifica l'elaborato finale, gli strumenti consentiti e il risultato che determina il completamento. Questa preparazione orienta il modello verso un elaborato testuale esaminabile, anziché una sequenza senza fine di suggerimenti intermedi.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 combina la comprensione di testo, immagini e video con un flusso testuale orientato agli agenti. Questo snapshot denominato aggiunge la visione all'edizione di maggio, supporta ragionamento ibrido e strumenti e ha un contesto di un milione di token.
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.
Qwen3.7-Max 2026-06-08 è lo snapshot denominato di Alibaba dell'8 giugno del modello Max nella famiglia Qwen3.7. La modifica distintiva dell'edizione è la comprensione delle modalità visive aggiunta allo snapshot del 20 maggio, a supporto di interazioni fondate su scene del mondo reale. Accetta testo, immagini e video e genera testo. La finalità della famiglia orientata agli agenti copre programmazione, lavoro d'ufficio e produttività, e attività prolungate che combinano istruzioni e risultati degli strumenti.
L'edizione conta per gli incarichi visivi. Il nome Qwen3.7-Max senza data è documentato come equivalente allo snapshot esclusivamente testuale del 20 maggio, mentre la tabella esatta del modello di giugno comprende input di immagini e video. Per questo modello, uno screenshot può accompagnare un compito di programmazione oppure un video può fornire la scena che un'istruzione scritta chiede all'agente di analizzare. L'output è una spiegazione, codice, un record strutturato o un'istruzione di chiamata a strumenti, anziché immagini, video o parlato generati.
La guida al ragionamento di Alibaba elenca esplicitamente questo snapshot di giugno come ibrido: nel flusso del produttore il ragionamento è abilitato per impostazione predefinita e può essere disabilitato per una risposta diretta. La modalità di ragionamento produce ragionamento prima della risposta e richiede tempo aggiuntivo. La guida separa il contenuto di ragionamento dalla risposta finale e supporta la conservazione tra i turni del ragionamento storico fornito per questo modello esatto. Il ragionamento conservato diventa parte dell'input successivo, quindi un compito continuativo deve prevederne il budget insieme alla conversazione e al materiale di partenza.
Function Calling supporta un compito in cui l'applicazione fornisce una domanda e le definizioni degli strumenti disponibili. Il modello restituisce una funzione selezionata e i suoi argomenti; l'applicazione esegue la funzione, aggiunge il risultato dello strumento alla conversazione e chiede al modello di proseguire. Per un assistente di programmazione, definisci con precisione lo strumento di lettura del repository o di convalida e richiedi la modifica completa insieme al risultato a supporto. Descrivere uno strumento è diverso dall'eseguirlo: l'applicazione circostante fornisce l'accesso ed esegue l'operazione.
Lo snapshot di giugno elenca anche Structured Outputs, Web Search, Prefix Completion e Context Caching. Queste funzionalità supportano record di output definiti, attività assistite dalla ricerca, continuazione da un inizio fornito e riutilizzo di un prefisso comune dell'input nel flusso del produttore. Per un'analisi ricorrente, mantieni all'inizio il documento stabile o le istruzioni del compito e posiziona dopo la domanda variabile. Il riutilizzo della cache dipende dalle condizioni di quel flusso; il fatto che il modello supporti la cache non dimostra una lettura dalla cache per una richiesta specifica. L'inferenza batch e il fine-tuning sono contrassegnati come non supportati per questa edizione.
La tabella esatta di giugno indica una finestra di contesto di 1,000,000 token. L'input massimo è di 991,808 token nel profilo normale e 983,616 token in modalità di ragionamento; l'output massimo è di 131,072 token in entrambi i profili. Sono limiti distinti di contesto, input e output. Materiale di partenza ampio, cronologia della conversazione e contenuti visivi devono comunque rientrare nel limite applicabile dell'input, e il tetto di output non richiede che una risposta occupi tanto spazio.
Per un compito pratico d'interfaccia, fornisci lo screenshot, i frammenti sorgente pertinenti, il comportamento desiderato e un elaborato esplicito. Una richiesta esemplificativa è: «Usa questa schermata e il testo del componente allegato per spiegare perché le etichette del modulo non corrispondono al flusso di lavoro. Proponi una modifica mirata al codice ed elenca gli elementi visibili che l'hanno motivata». Per un compito su documenti o produttività, fornisci le sezioni di partenza, il record finale desiderato e i criteri per decidere che cosa includere. Numera le immagini separate e descrivi come si collegano, così che il risultato testuale possa richiamare le prove.
Per l'analisi video, identifica l'evento o la sequenza necessari, richiedi una descrizione sintetica e conserva i timestamp nell'input preparato quando il risultato deve identificare un momento specifico. Per il flusso dei file di Alibaba, un'immagine via URL può arrivare a 20 MB; un video via URL può arrivare a 2 GB e durare da 2 secondi a 2 ore. Il video Base64 deve essere inferiore a 10 MB dopo la codifica. Mantieni i limiti dei file separati dal budget di token. Se l'audio è essenziale, fornisci una trascrizione testuale; la tabella degli input di questo snapshot non elenca l'audio. In un compito di agente più lungo, specifica l'elaborato finale, gli strumenti consentiti e il risultato che determina il completamento. Questa preparazione orienta il modello verso un elaborato testuale esaminabile, anziché una sequenza senza fine di suggerimenti intermedi.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K token Output · Token in output $0.0106 / 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": "qwen3.7-max-2026-06-08", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen3.7-max-2026-06-08
Usa i percorsi dei metodi indicati sopra.
qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 combina la comprensione di testo, immagini e video con un flusso testuale orientato agli agenti. Questo snapshot denominato aggiunge la visione all'edizione di maggio, supporta ragionamento ibrido e strumenti e ha un contesto di un milione di token.
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.
Qwen3.7-Max 2026-06-08 è lo snapshot denominato di Alibaba dell'8 giugno del modello Max nella famiglia Qwen3.7. La modifica distintiva dell'edizione è la comprensione delle modalità visive aggiunta allo snapshot del 20 maggio, a supporto di interazioni fondate su scene del mondo reale. Accetta testo, immagini e video e genera testo. La finalità della famiglia orientata agli agenti copre programmazione, lavoro d'ufficio e produttività, e attività prolungate che combinano istruzioni e risultati degli strumenti.
L'edizione conta per gli incarichi visivi. Il nome Qwen3.7-Max senza data è documentato come equivalente allo snapshot esclusivamente testuale del 20 maggio, mentre la tabella esatta del modello di giugno comprende input di immagini e video. Per questo modello, uno screenshot può accompagnare un compito di programmazione oppure un video può fornire la scena che un'istruzione scritta chiede all'agente di analizzare. L'output è una spiegazione, codice, un record strutturato o un'istruzione di chiamata a strumenti, anziché immagini, video o parlato generati.
La guida al ragionamento di Alibaba elenca esplicitamente questo snapshot di giugno come ibrido: nel flusso del produttore il ragionamento è abilitato per impostazione predefinita e può essere disabilitato per una risposta diretta. La modalità di ragionamento produce ragionamento prima della risposta e richiede tempo aggiuntivo. La guida separa il contenuto di ragionamento dalla risposta finale e supporta la conservazione tra i turni del ragionamento storico fornito per questo modello esatto. Il ragionamento conservato diventa parte dell'input successivo, quindi un compito continuativo deve prevederne il budget insieme alla conversazione e al materiale di partenza.
Function Calling supporta un compito in cui l'applicazione fornisce una domanda e le definizioni degli strumenti disponibili. Il modello restituisce una funzione selezionata e i suoi argomenti; l'applicazione esegue la funzione, aggiunge il risultato dello strumento alla conversazione e chiede al modello di proseguire. Per un assistente di programmazione, definisci con precisione lo strumento di lettura del repository o di convalida e richiedi la modifica completa insieme al risultato a supporto. Descrivere uno strumento è diverso dall'eseguirlo: l'applicazione circostante fornisce l'accesso ed esegue l'operazione.
Lo snapshot di giugno elenca anche Structured Outputs, Web Search, Prefix Completion e Context Caching. Queste funzionalità supportano record di output definiti, attività assistite dalla ricerca, continuazione da un inizio fornito e riutilizzo di un prefisso comune dell'input nel flusso del produttore. Per un'analisi ricorrente, mantieni all'inizio il documento stabile o le istruzioni del compito e posiziona dopo la domanda variabile. Il riutilizzo della cache dipende dalle condizioni di quel flusso; il fatto che il modello supporti la cache non dimostra una lettura dalla cache per una richiesta specifica. L'inferenza batch e il fine-tuning sono contrassegnati come non supportati per questa edizione.
La tabella esatta di giugno indica una finestra di contesto di 1,000,000 token. L'input massimo è di 991,808 token nel profilo normale e 983,616 token in modalità di ragionamento; l'output massimo è di 131,072 token in entrambi i profili. Sono limiti distinti di contesto, input e output. Materiale di partenza ampio, cronologia della conversazione e contenuti visivi devono comunque rientrare nel limite applicabile dell'input, e il tetto di output non richiede che una risposta occupi tanto spazio.
Per un compito pratico d'interfaccia, fornisci lo screenshot, i frammenti sorgente pertinenti, il comportamento desiderato e un elaborato esplicito. Una richiesta esemplificativa è: «Usa questa schermata e il testo del componente allegato per spiegare perché le etichette del modulo non corrispondono al flusso di lavoro. Proponi una modifica mirata al codice ed elenca gli elementi visibili che l'hanno motivata». Per un compito su documenti o produttività, fornisci le sezioni di partenza, il record finale desiderato e i criteri per decidere che cosa includere. Numera le immagini separate e descrivi come si collegano, così che il risultato testuale possa richiamare le prove.
Per l'analisi video, identifica l'evento o la sequenza necessari, richiedi una descrizione sintetica e conserva i timestamp nell'input preparato quando il risultato deve identificare un momento specifico. Per il flusso dei file di Alibaba, un'immagine via URL può arrivare a 20 MB; un video via URL può arrivare a 2 GB e durare da 2 secondi a 2 ore. Il video Base64 deve essere inferiore a 10 MB dopo la codifica. Mantieni i limiti dei file separati dal budget di token. Se l'audio è essenziale, fornisci una trascrizione testuale; la tabella degli input di questo snapshot non elenca l'audio. In un compito di agente più lungo, specifica l'elaborato finale, gli strumenti consentiti e il risultato che determina il completamento. Questa preparazione orienta il modello verso un elaborato testuale esaminabile, anziché una sequenza senza fine di suggerimenti intermedi.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K token Output · Token in output $0.0106 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen3.7-max-2026-06-08",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen3.7-max-2026-06-08
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.