Qwen-Long (2025-01-25) ialah profil bertarikh Qwen-Long untuk pemprosesan konteks yang amat panjang. Pengeluar menerangkan perbualan dalam bahasa Cina, Inggeris dan bahasa lain, dengan perkhidmatan dokumen yang menghuraikan fail sumber untuk menjawab soalan dan menjalankan perbincangan. Hasilnya ialah jawapan teks berdasarkan bahan yang diberikan.
Tetapkan sasaran yang nyata bagi tugasan: bandingkan klausa, cari syarat yang dinyatakan atau terangkan hubungan antara dua bahagian dokumen. Kekalkan nama dokumen, tajuk dan label halaman supaya jawapan boleh merujuk semula kepada sumber yang betul. Jika beberapa fail menerangkan perkara yang sama, nyatakan keutamaannya dan minta percanggahan dikenal pasti, bukannya diselesaikan tanpa penjelasan.
Arahan semakan boleh meminta pernyataan yang berkaitan daripada setiap dokumen, penerangan tentang perbezaan dan persoalan yang masih belum terjawab. Tugasan pengekstrakan boleh menetapkan medan yang perlu dikembalikan dan cara mengendalikan nilai yang tiada. Keperluan output ini menjadikan koleksi sumber yang panjang berguna untuk keputusan tertentu.
Pengeluar menyenaraikan fail teks termasuk TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown dan CSV. Perkhidmatan dokumen bersepadunya turut menghuraikan fail imej seperti BMP, PNG, JPG/JPEG dan GIF, serta PDF yang diimbas. Penghuraian fail menyediakan bahan untuk perbualan; ini ialah langkah perkhidmatan yang berasingan daripada penghasilan jawapan teks. Kekalkan fail sumber yang boleh dibaca dan semak notasi atau jadual yang diekstrak apabila butiran tersebut menentukan kesimpulan.
Laluan perkhidmatan dokumen yang didokumenkan mengendalikan sehingga 10 juta token. Permintaan HTTP menyokong sehingga 1 juta token, dan pengeluar mengesyorkan penghantaran fail untuk kandungan yang lebih panjang. Profil perkhidmatan terhos yang disimpan bagi pengecam bertarikh yang tepat ini turut menyenaraikan konteks 1 juta token. Oleh itu, angka perkhidmatan dokumen yang lebih besar tidak menetapkan kapasiti permintaan teks secara langsung melalui antara muka lain.
Pilih laluan yang disediakan oleh integrasi dan simpan pengecam dokumen yang digunakan untuk tugasan tersebut. Sumber yang lebih panjang berguna apabila hubungan yang berkaitan di dalamnya perlu dipertimbangkan bersama; petikan yang terarah memadai apabila soalan hanya melibatkan satu bahagian. Nyatakan panjang jawapan yang dikehendaki supaya hasilnya berupa penerangan, perbandingan atau hasil pengekstrakan yang sesuai dengan tugasan.
Minta model membezakan pernyataan yang jelas daripada inferens dan mengenal pasti soalan yang tidak dapat diputuskan oleh dokumen yang diberikan. Semak nama, angka dan syarat penting dengan merujuk kepada sumber asal. Soalan susulan boleh meneliti satu klausa atau mengubah bentuk output sambil mengekalkan label dokumen dan kriteria keputusan yang sama.
", "aboutText": "Qwen-Long (2025-01-25) ialah profil bertarikh Qwen-Long untuk pemprosesan konteks yang amat panjang. Pengeluar menerangkan perbualan dalam bahasa Cina, Inggeris dan bahasa lain, dengan perkhidmatan dokumen yang menghuraikan fail sumber untuk menjawab soalan dan menjalankan perbincangan. Hasilnya ialah jawapan teks berdasarkan bahan yang diberikan.\n\n### Ajukan soalan merentas dokumen\n\nTetapkan sasaran yang nyata bagi tugasan: bandingkan klausa, cari syarat yang dinyatakan atau terangkan hubungan antara dua bahagian dokumen. Kekalkan nama dokumen, tajuk dan label halaman supaya jawapan boleh merujuk semula kepada sumber yang betul. Jika beberapa fail menerangkan perkara yang sama, nyatakan keutamaannya dan minta percanggahan dikenal pasti, bukannya diselesaikan tanpa penjelasan.\n\nArahan semakan boleh meminta pernyataan yang berkaitan daripada setiap dokumen, penerangan tentang perbezaan dan persoalan yang masih belum terjawab. Tugasan pengekstrakan boleh menetapkan medan yang perlu dikembalikan dan cara mengendalikan nilai yang tiada. Keperluan output ini menjadikan koleksi sumber yang panjang berguna untuk keputusan tertentu.\n\n### Gunakan jenis fail yang didokumenkan\n\nPengeluar menyenaraikan fail teks termasuk TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown dan CSV. Perkhidmatan dokumen bersepadunya turut menghuraikan fail imej seperti BMP, PNG, JPG/JPEG dan GIF, serta PDF yang diimbas. Penghuraian fail menyediakan bahan untuk perbualan; ini ialah langkah perkhidmatan yang berasingan daripada penghasilan jawapan teks. Kekalkan fail sumber yang boleh dibaca dan semak notasi atau jadual yang diekstrak apabila butiran tersebut menentukan kesimpulan.\n\n### Bezakan dua laluan konteks\n\nLaluan perkhidmatan dokumen yang didokumenkan mengendalikan sehingga 10 juta token. Permintaan HTTP menyokong sehingga 1 juta token, dan pengeluar mengesyorkan penghantaran fail untuk kandungan yang lebih panjang. Profil perkhidmatan terhos yang disimpan bagi pengecam bertarikh yang tepat ini turut menyenaraikan konteks 1 juta token. Oleh itu, angka perkhidmatan dokumen yang lebih besar tidak menetapkan kapasiti permintaan teks secara langsung melalui antara muka lain.\n\nPilih laluan yang disediakan oleh integrasi dan simpan pengecam dokumen yang digunakan untuk tugasan tersebut. Sumber yang lebih panjang berguna apabila hubungan yang berkaitan di dalamnya perlu dipertimbangkan bersama; petikan yang terarah memadai apabila soalan hanya melibatkan satu bahagian. Nyatakan panjang jawapan yang dikehendaki supaya hasilnya berupa penerangan, perbandingan atau hasil pengekstrakan yang sesuai dengan tugasan.\n\n### Kekalkan hubungan jawapan dengan buktinya\n\nMinta model membezakan pernyataan yang jelas daripada inferens dan mengenal pasti soalan yang tidak dapat diputuskan oleh dokumen yang diberikan. Semak nama, angka dan syarat penting dengan merujuk kepada sumber asal. Soalan susulan boleh meneliti satu klausa atau mengubah bentuk output sambil mengekalkan label dokumen dan kriteria keputusan yang sama.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Locate conflicting document conditions\n\nCompare these labelled document excerpts. [Guide, section 2] Return cartons in lots of 10. [Warehouse note, section 4] Accept mixed lots of 5 when pre-approved. [Email E-3] Customer wants to send 15 cartons without approval. State the general rule, the exception and the unresolved condition for this request. Do not silently give either document priority.A source-linked rule and exception summary with the approval question made explicit.Verify the exception retains its pre-approval condition and 15 cartons is not automatically accepted.qwen-long-2025-01-25Qwen-Long (2025-01-25) ialah model Qwen untuk perbualan tentang dokumen yang amat panjang dalam bahasa Cina, Inggeris dan bahasa lain. Pengeluarnya menerangkan kapasiti sehingga 10 juta token melalui perkhidmatan dokumen, manakala permintaan HTTP dihadkan kepada 1 juta token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen-Long (2025-01-25) ialah profil bertarikh Qwen-Long untuk pemprosesan konteks yang amat panjang. Pengeluar menerangkan perbualan dalam bahasa Cina, Inggeris dan bahasa lain, dengan perkhidmatan dokumen yang menghuraikan fail sumber untuk menjawab soalan dan menjalankan perbincangan. Hasilnya ialah jawapan teks berdasarkan bahan yang diberikan.
Tetapkan sasaran yang nyata bagi tugasan: bandingkan klausa, cari syarat yang dinyatakan atau terangkan hubungan antara dua bahagian dokumen. Kekalkan nama dokumen, tajuk dan label halaman supaya jawapan boleh merujuk semula kepada sumber yang betul. Jika beberapa fail menerangkan perkara yang sama, nyatakan keutamaannya dan minta percanggahan dikenal pasti, bukannya diselesaikan tanpa penjelasan.
Arahan semakan boleh meminta pernyataan yang berkaitan daripada setiap dokumen, penerangan tentang perbezaan dan persoalan yang masih belum terjawab. Tugasan pengekstrakan boleh menetapkan medan yang perlu dikembalikan dan cara mengendalikan nilai yang tiada. Keperluan output ini menjadikan koleksi sumber yang panjang berguna untuk keputusan tertentu.
Pengeluar menyenaraikan fail teks termasuk TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown dan CSV. Perkhidmatan dokumen bersepadunya turut menghuraikan fail imej seperti BMP, PNG, JPG/JPEG dan GIF, serta PDF yang diimbas. Penghuraian fail menyediakan bahan untuk perbualan; ini ialah langkah perkhidmatan yang berasingan daripada penghasilan jawapan teks. Kekalkan fail sumber yang boleh dibaca dan semak notasi atau jadual yang diekstrak apabila butiran tersebut menentukan kesimpulan.
Laluan perkhidmatan dokumen yang didokumenkan mengendalikan sehingga 10 juta token. Permintaan HTTP menyokong sehingga 1 juta token, dan pengeluar mengesyorkan penghantaran fail untuk kandungan yang lebih panjang. Profil perkhidmatan terhos yang disimpan bagi pengecam bertarikh yang tepat ini turut menyenaraikan konteks 1 juta token. Oleh itu, angka perkhidmatan dokumen yang lebih besar tidak menetapkan kapasiti permintaan teks secara langsung melalui antara muka lain.
Pilih laluan yang disediakan oleh integrasi dan simpan pengecam dokumen yang digunakan untuk tugasan tersebut. Sumber yang lebih panjang berguna apabila hubungan yang berkaitan di dalamnya perlu dipertimbangkan bersama; petikan yang terarah memadai apabila soalan hanya melibatkan satu bahagian. Nyatakan panjang jawapan yang dikehendaki supaya hasilnya berupa penerangan, perbandingan atau hasil pengekstrakan yang sesuai dengan tugasan.
Minta model membezakan pernyataan yang jelas daripada inferens dan mengenal pasti soalan yang tidak dapat diputuskan oleh dokumen yang diberikan. Semak nama, angka dan syarat penting dengan merujuk kepada sumber asal. Soalan susulan boleh meneliti satu klausa atau mengubah bentuk output sambil mengekalkan label dokumen dan kriteria keputusan yang sama.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen-long-2025-01-25 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.000572 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-long-2025-01-25", "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-2025-01-25',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-2025-01-25',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen-long-2025-01-25
Gunakan laluan kaedah yang dipaparkan di atas.
qwen-long-2025-01-25Qwen-Long (2025-01-25) ialah model Qwen untuk perbualan tentang dokumen yang amat panjang dalam bahasa Cina, Inggeris dan bahasa lain. Pengeluarnya menerangkan kapasiti sehingga 10 juta token melalui perkhidmatan dokumen, manakala permintaan HTTP dihadkan kepada 1 juta token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen-Long (2025-01-25) ialah profil bertarikh Qwen-Long untuk pemprosesan konteks yang amat panjang. Pengeluar menerangkan perbualan dalam bahasa Cina, Inggeris dan bahasa lain, dengan perkhidmatan dokumen yang menghuraikan fail sumber untuk menjawab soalan dan menjalankan perbincangan. Hasilnya ialah jawapan teks berdasarkan bahan yang diberikan.
Tetapkan sasaran yang nyata bagi tugasan: bandingkan klausa, cari syarat yang dinyatakan atau terangkan hubungan antara dua bahagian dokumen. Kekalkan nama dokumen, tajuk dan label halaman supaya jawapan boleh merujuk semula kepada sumber yang betul. Jika beberapa fail menerangkan perkara yang sama, nyatakan keutamaannya dan minta percanggahan dikenal pasti, bukannya diselesaikan tanpa penjelasan.
Arahan semakan boleh meminta pernyataan yang berkaitan daripada setiap dokumen, penerangan tentang perbezaan dan persoalan yang masih belum terjawab. Tugasan pengekstrakan boleh menetapkan medan yang perlu dikembalikan dan cara mengendalikan nilai yang tiada. Keperluan output ini menjadikan koleksi sumber yang panjang berguna untuk keputusan tertentu.
Pengeluar menyenaraikan fail teks termasuk TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown dan CSV. Perkhidmatan dokumen bersepadunya turut menghuraikan fail imej seperti BMP, PNG, JPG/JPEG dan GIF, serta PDF yang diimbas. Penghuraian fail menyediakan bahan untuk perbualan; ini ialah langkah perkhidmatan yang berasingan daripada penghasilan jawapan teks. Kekalkan fail sumber yang boleh dibaca dan semak notasi atau jadual yang diekstrak apabila butiran tersebut menentukan kesimpulan.
Laluan perkhidmatan dokumen yang didokumenkan mengendalikan sehingga 10 juta token. Permintaan HTTP menyokong sehingga 1 juta token, dan pengeluar mengesyorkan penghantaran fail untuk kandungan yang lebih panjang. Profil perkhidmatan terhos yang disimpan bagi pengecam bertarikh yang tepat ini turut menyenaraikan konteks 1 juta token. Oleh itu, angka perkhidmatan dokumen yang lebih besar tidak menetapkan kapasiti permintaan teks secara langsung melalui antara muka lain.
Pilih laluan yang disediakan oleh integrasi dan simpan pengecam dokumen yang digunakan untuk tugasan tersebut. Sumber yang lebih panjang berguna apabila hubungan yang berkaitan di dalamnya perlu dipertimbangkan bersama; petikan yang terarah memadai apabila soalan hanya melibatkan satu bahagian. Nyatakan panjang jawapan yang dikehendaki supaya hasilnya berupa penerangan, perbandingan atau hasil pengekstrakan yang sesuai dengan tugasan.
Minta model membezakan pernyataan yang jelas daripada inferens dan mengenal pasti soalan yang tidak dapat diputuskan oleh dokumen yang diberikan. Semak nama, angka dan syarat penting dengan merujuk kepada sumber asal. Soalan susulan boleh meneliti satu klausa atau mengubah bentuk output sambil mengekalkan label dokumen dan kriteria keputusan yang sama.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen-long-2025-01-25 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.000572 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen-long-2025-01-25",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2025-01-25', '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-2025-01-25', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen-long-2025-01-25
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Locate conflicting document conditions\n\nCompare these labelled document excerpts. [Guide, section 2] Return cartons in lots of 10. [Warehouse note, section 4] Accept mixed lots of 5 when pre-approved. [Email E-3] Customer wants to send 15 cartons without approval. State the general rule, the exception and the unresolved condition for this request. Do not silently give either document priority.A source-linked rule and exception summary with the approval question made explicit.Verify the exception retains its pre-approval condition and 15 cartons is not automatically accepted.