Qwen-Long ialah siri pemprosesan dokumen Qwen untuk mencari maklumat, membandingkan bahan dan menjawab soalan merentas korpus teks yang besar. Ciri tersendirinya ialah aliran kerja muat naik fail dan penggunaan rujukan fail yang didokumenkan, yang mengendalikan sehingga 10 juta token. Tugasnya bukan sekadar menghasilkan jawapan sembang yang lebih panjang: tujuannya ialah mengekalkan koleksi dokumen sumber yang besar supaya soalan terarah tentang dokumen tersebut dapat diajukan.
Cara aliran kerja dokumen berfungsi
Pengeluar menerangkan dua peringkat. Pertama, muat naik fail yang dipilih dan tunggu sehingga penghurai dokumen selesai. Rujukan yang terhasil mengenal pasti dokumen yang telah disediakan. Kedua, ajukan soalan dengan menyertakan rujukan bagi bahan yang perlu dipertimbangkan. Model menjalankan inferens terhadap teks yang dikaitkan dengan dokumen tersebut. Ini memisahkan penyediaan dokumen daripada soalan dan mengelakkan penghantaran semula keseluruhan fail pada setiap giliran perbualan.
Sediakan satu dokumen apabila tujuannya ialah ringkasan, penerangan tentang sesuatu bahagian atau pengekstrakan syarat tertentu. Nyatakan bahagian yang penting dan minta output dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta syarat operasi yang dinyatakan secara jelas di dalamnya dan minta jadual ringkas yang mengandungi syarat, bahagian sumber serta butiran yang tiada. Nama medan tersebut ialah contoh reka bentuk hasil, bukan skema tetap yang terbina dalam model.
Berbilang dokumen dan soalan susulan
Aliran kerja yang didokumenkan menerima beberapa fail yang telah disediakan dalam permintaan yang sama. Ini menyokong perbandingan antara dokumen: kenal pasti ciri dalam setiap spesifikasi, bezakan pernyataan yang sama daripada perbezaan dan kumpulkan persoalan yang belum terjawab. Sehingga 100 rujukan fail boleh disertakan dalam satu permintaan. Pilih fail yang berkaitan dengan soalan, bukannya menganggap kewujudan konteks yang besar menentukan perkara yang patut dibandingkan.
Pengeluar juga menunjukkan cara menambah dokumen baharu selepas jawapan awal. Kekalkan jawapan terdahulu dalam perbualan, tambahkan sumber baharu dan ajukan soalan susulan, misalnya tentang perbezaan antara kedua-dua penerangan. Dalam aplikasi, bezakan respons terdahulu daripada bukti yang baru diberikan. Hasil yang berguna boleh berupa jadual perbandingan dengan lajur berasingan bagi setiap dokumen serta penerangan tentang percanggahan, bukannya ringkasan gabungan yang menghilangkan sumber setiap pernyataan.
Input teks biasa ialah satu lagi laluan yang didokumenkan. Bahan yang lebih kecil boleh diberikan secara langsung sebagai teks, bukannya melalui rujukan fail yang dimuat naik. Panduan pengeluar mewajibkan laluan berasaskan rujukan apabila kandungan dokumen yang dimasukkan terus dalam permintaan melebihi 1 juta token, disebabkan had saiz permintaan. Batasan ini berasingan daripada konteks dokumen 10 juta token: korpus besar yang disokong bukanlah janji bahawa satu muatan teks mentah yang sama besar akan diterima.
Format, konteks dan output
Perkhidmatan dokumen menyenaraikan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV dan JSON, bersama-sama BMP, PNG, JPG/JPEG dan GIF. Fail imej yang dimuat naik dihadkan kepada 20 MB; fail lain yang disokong dihadkan kepada 150 MB. Ini ialah had aliran kerja penyediaan dokumen pengeluar, bukan dakwaan bahawa model bahasa menaakul secara langsung terhadap setiap format binari tanpa penghuraian.
Spesifikasi yang diterbitkan menetapkan konteks dan input maksimum sebanyak 10 000 000 token, dengan output sehingga 32 768 token. Dalam format perbualan berasaskan rujukan fail yang didokumenkan, soalan pengguna mempunyai had berasingan sebanyak 9 000 token apabila mesej sistem kedua membekalkan dokumen. Pastikan soalan ringkas dan peruntukkan sebahagian besar konteks dokumen kepada bahan sumber. Input berkonteks panjang dan panjang jawapan menangani keperluan yang berbeza: korpus besar masih boleh memerlukan hasil yang ringkas dan tersusun rapi.
Soalan lazim pengeluar mendokumenkan output berstruktur berasaskan JSON Schema untuk Qwen-Long dan versi bertarikhnya. Ini berguna untuk tugasan pengekstrakan berulang yang memerlukan medan yang sama merentas sesuatu koleksi. Nyatakan maklumat yang diperlukan, jenis setiap medan dan tindakan apabila sesuatu nilai tiada dalam sumber. Perkhidmatan ini juga mendokumenkan pemprosesan kelompok tak segerak, iaitu aliran kerja penghantaran alternatif dan bukannya mod penaakulan tambahan.
Perbandingan dokumen secara praktikal
Sediakan spesifikasi yang berkaitan dan kenal pasti peranannya sebelum bertanya: yang mana penerangan sedia ada, yang mana pengganti yang dicadangkan dan keperluan yang mana wajib dipenuhi. Minta hasil yang mengandungi syarat bersama, pernyataan bercanggah, maklumat yang tiada dan lokasi sumber. Soalan seterusnya boleh meminta model menukarkan hasil tersebut kepada penerangan ringkas untuk rakan sekerja sambil mengekalkan perbezaan asal.
Had penyediaan yang penting
Penghuraian mesti selesai sebelum fail yang telah disediakan digunakan; dokumen lebih besar mungkin memerlukan masa penghuraian yang lebih lama. Inferens model yang didokumenkan menggunakan teks yang diekstrak, maka kelengkapan dan kebolehbacaan kandungan yang telah disediakan itu penting. Nyatakan pilihan fail, soalan dan output yang diperlukan dengan jelas. Kapasiti dokumen Qwen-Long tidak boleh dianggap menggantikan had edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan terus atau jawapan akhir.
", "aboutText": "Qwen-Long ialah siri pemprosesan dokumen Qwen untuk mencari maklumat, membandingkan bahan dan menjawab soalan merentas korpus teks yang besar. Ciri tersendirinya ialah aliran kerja muat naik fail dan penggunaan rujukan fail yang didokumenkan, yang mengendalikan sehingga 10 juta token. Tugasnya bukan sekadar menghasilkan jawapan sembang yang lebih panjang: tujuannya ialah mengekalkan koleksi dokumen sumber yang besar supaya soalan terarah tentang dokumen tersebut dapat diajukan.\n\nCara aliran kerja dokumen berfungsi\n\nPengeluar menerangkan dua peringkat. Pertama, muat naik fail yang dipilih dan tunggu sehingga penghurai dokumen selesai. Rujukan yang terhasil mengenal pasti dokumen yang telah disediakan. Kedua, ajukan soalan dengan menyertakan rujukan bagi bahan yang perlu dipertimbangkan. Model menjalankan inferens terhadap teks yang dikaitkan dengan dokumen tersebut. Ini memisahkan penyediaan dokumen daripada soalan dan mengelakkan penghantaran semula keseluruhan fail pada setiap giliran perbualan.\n\nSediakan satu dokumen apabila tujuannya ialah ringkasan, penerangan tentang sesuatu bahagian atau pengekstrakan syarat tertentu. Nyatakan bahagian yang penting dan minta output dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta syarat operasi yang dinyatakan secara jelas di dalamnya dan minta jadual ringkas yang mengandungi syarat, bahagian sumber serta butiran yang tiada. Nama medan tersebut ialah contoh reka bentuk hasil, bukan skema tetap yang terbina dalam model.\n\nBerbilang dokumen dan soalan susulan\n\nAliran kerja yang didokumenkan menerima beberapa fail yang telah disediakan dalam permintaan yang sama. Ini menyokong perbandingan antara dokumen: kenal pasti ciri dalam setiap spesifikasi, bezakan pernyataan yang sama daripada perbezaan dan kumpulkan persoalan yang belum terjawab. Sehingga 100 rujukan fail boleh disertakan dalam satu permintaan. Pilih fail yang berkaitan dengan soalan, bukannya menganggap kewujudan konteks yang besar menentukan perkara yang patut dibandingkan.\n\nPengeluar juga menunjukkan cara menambah dokumen baharu selepas jawapan awal. Kekalkan jawapan terdahulu dalam perbualan, tambahkan sumber baharu dan ajukan soalan susulan, misalnya tentang perbezaan antara kedua-dua penerangan. Dalam aplikasi, bezakan respons terdahulu daripada bukti yang baru diberikan. Hasil yang berguna boleh berupa jadual perbandingan dengan lajur berasingan bagi setiap dokumen serta penerangan tentang percanggahan, bukannya ringkasan gabungan yang menghilangkan sumber setiap pernyataan.\n\nInput teks biasa ialah satu lagi laluan yang didokumenkan. Bahan yang lebih kecil boleh diberikan secara langsung sebagai teks, bukannya melalui rujukan fail yang dimuat naik. Panduan pengeluar mewajibkan laluan berasaskan rujukan apabila kandungan dokumen yang dimasukkan terus dalam permintaan melebihi 1 juta token, disebabkan had saiz permintaan. Batasan ini berasingan daripada konteks dokumen 10 juta token: korpus besar yang disokong bukanlah janji bahawa satu muatan teks mentah yang sama besar akan diterima.\n\nFormat, konteks dan output\n\nPerkhidmatan dokumen menyenaraikan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV dan JSON, bersama-sama BMP, PNG, JPG/JPEG dan GIF. Fail imej yang dimuat naik dihadkan kepada 20 MB; fail lain yang disokong dihadkan kepada 150 MB. Ini ialah had aliran kerja penyediaan dokumen pengeluar, bukan dakwaan bahawa model bahasa menaakul secara langsung terhadap setiap format binari tanpa penghuraian.\n\nSpesifikasi yang diterbitkan menetapkan konteks dan input maksimum sebanyak 10 000 000 token, dengan output sehingga 32 768 token. Dalam format perbualan berasaskan rujukan fail yang didokumenkan, soalan pengguna mempunyai had berasingan sebanyak 9 000 token apabila mesej sistem kedua membekalkan dokumen. Pastikan soalan ringkas dan peruntukkan sebahagian besar konteks dokumen kepada bahan sumber. Input berkonteks panjang dan panjang jawapan menangani keperluan yang berbeza: korpus besar masih boleh memerlukan hasil yang ringkas dan tersusun rapi.\n\nSoalan lazim pengeluar mendokumenkan output berstruktur berasaskan JSON Schema untuk Qwen-Long dan versi bertarikhnya. Ini berguna untuk tugasan pengekstrakan berulang yang memerlukan medan yang sama merentas sesuatu koleksi. Nyatakan maklumat yang diperlukan, jenis setiap medan dan tindakan apabila sesuatu nilai tiada dalam sumber. Perkhidmatan ini juga mendokumenkan pemprosesan kelompok tak segerak, iaitu aliran kerja penghantaran alternatif dan bukannya mod penaakulan tambahan.\n\nPerbandingan dokumen secara praktikal\n\nSediakan spesifikasi yang berkaitan dan kenal pasti peranannya sebelum bertanya: yang mana penerangan sedia ada, yang mana pengganti yang dicadangkan dan keperluan yang mana wajib dipenuhi. Minta hasil yang mengandungi syarat bersama, pernyataan bercanggah, maklumat yang tiada dan lokasi sumber. Soalan seterusnya boleh meminta model menukarkan hasil tersebut kepada penerangan ringkas untuk rakan sekerja sambil mengekalkan perbezaan asal.\n\nHad penyediaan yang penting\n\nPenghuraian mesti selesai sebelum fail yang telah disediakan digunakan; dokumen lebih besar mungkin memerlukan masa penghuraian yang lebih lama. Inferens model yang didokumenkan menggunakan teks yang diekstrak, maka kelengkapan dan kebolehbacaan kandungan yang telah disediakan itu penting. Nyatakan pilihan fail, soalan dan output yang diperlukan dengan jelas. Kapasiti dokumen Qwen-Long tidak boleh dianggap menggantikan had edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan terus atau jawapan akhir.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.qwen-longQwen-Long dibina untuk menjawab soalan merentas koleksi dokumen yang besar. Pengeluarnya mendokumenkan aliran kerja muat naik fail dan penggunaan rujukan fail dengan konteks dokumen sehingga 10 juta token, perbandingan antara fail serta jawapan teks berstruktur.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen-Long ialah siri pemprosesan dokumen Qwen untuk mencari maklumat, membandingkan bahan dan menjawab soalan merentas korpus teks yang besar. Ciri tersendirinya ialah aliran kerja muat naik fail dan penggunaan rujukan fail yang didokumenkan, yang mengendalikan sehingga 10 juta token. Tugasnya bukan sekadar menghasilkan jawapan sembang yang lebih panjang: tujuannya ialah mengekalkan koleksi dokumen sumber yang besar supaya soalan terarah tentang dokumen tersebut dapat diajukan.
Cara aliran kerja dokumen berfungsi
Pengeluar menerangkan dua peringkat. Pertama, muat naik fail yang dipilih dan tunggu sehingga penghurai dokumen selesai. Rujukan yang terhasil mengenal pasti dokumen yang telah disediakan. Kedua, ajukan soalan dengan menyertakan rujukan bagi bahan yang perlu dipertimbangkan. Model menjalankan inferens terhadap teks yang dikaitkan dengan dokumen tersebut. Ini memisahkan penyediaan dokumen daripada soalan dan mengelakkan penghantaran semula keseluruhan fail pada setiap giliran perbualan.
Sediakan satu dokumen apabila tujuannya ialah ringkasan, penerangan tentang sesuatu bahagian atau pengekstrakan syarat tertentu. Nyatakan bahagian yang penting dan minta output dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta syarat operasi yang dinyatakan secara jelas di dalamnya dan minta jadual ringkas yang mengandungi syarat, bahagian sumber serta butiran yang tiada. Nama medan tersebut ialah contoh reka bentuk hasil, bukan skema tetap yang terbina dalam model.
Berbilang dokumen dan soalan susulan
Aliran kerja yang didokumenkan menerima beberapa fail yang telah disediakan dalam permintaan yang sama. Ini menyokong perbandingan antara dokumen: kenal pasti ciri dalam setiap spesifikasi, bezakan pernyataan yang sama daripada perbezaan dan kumpulkan persoalan yang belum terjawab. Sehingga 100 rujukan fail boleh disertakan dalam satu permintaan. Pilih fail yang berkaitan dengan soalan, bukannya menganggap kewujudan konteks yang besar menentukan perkara yang patut dibandingkan.
Pengeluar juga menunjukkan cara menambah dokumen baharu selepas jawapan awal. Kekalkan jawapan terdahulu dalam perbualan, tambahkan sumber baharu dan ajukan soalan susulan, misalnya tentang perbezaan antara kedua-dua penerangan. Dalam aplikasi, bezakan respons terdahulu daripada bukti yang baru diberikan. Hasil yang berguna boleh berupa jadual perbandingan dengan lajur berasingan bagi setiap dokumen serta penerangan tentang percanggahan, bukannya ringkasan gabungan yang menghilangkan sumber setiap pernyataan.
Input teks biasa ialah satu lagi laluan yang didokumenkan. Bahan yang lebih kecil boleh diberikan secara langsung sebagai teks, bukannya melalui rujukan fail yang dimuat naik. Panduan pengeluar mewajibkan laluan berasaskan rujukan apabila kandungan dokumen yang dimasukkan terus dalam permintaan melebihi 1 juta token, disebabkan had saiz permintaan. Batasan ini berasingan daripada konteks dokumen 10 juta token: korpus besar yang disokong bukanlah janji bahawa satu muatan teks mentah yang sama besar akan diterima.
Format, konteks dan output
Perkhidmatan dokumen menyenaraikan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV dan JSON, bersama-sama BMP, PNG, JPG/JPEG dan GIF. Fail imej yang dimuat naik dihadkan kepada 20 MB; fail lain yang disokong dihadkan kepada 150 MB. Ini ialah had aliran kerja penyediaan dokumen pengeluar, bukan dakwaan bahawa model bahasa menaakul secara langsung terhadap setiap format binari tanpa penghuraian.
Spesifikasi yang diterbitkan menetapkan konteks dan input maksimum sebanyak 10 000 000 token, dengan output sehingga 32 768 token. Dalam format perbualan berasaskan rujukan fail yang didokumenkan, soalan pengguna mempunyai had berasingan sebanyak 9 000 token apabila mesej sistem kedua membekalkan dokumen. Pastikan soalan ringkas dan peruntukkan sebahagian besar konteks dokumen kepada bahan sumber. Input berkonteks panjang dan panjang jawapan menangani keperluan yang berbeza: korpus besar masih boleh memerlukan hasil yang ringkas dan tersusun rapi.
Soalan lazim pengeluar mendokumenkan output berstruktur berasaskan JSON Schema untuk Qwen-Long dan versi bertarikhnya. Ini berguna untuk tugasan pengekstrakan berulang yang memerlukan medan yang sama merentas sesuatu koleksi. Nyatakan maklumat yang diperlukan, jenis setiap medan dan tindakan apabila sesuatu nilai tiada dalam sumber. Perkhidmatan ini juga mendokumenkan pemprosesan kelompok tak segerak, iaitu aliran kerja penghantaran alternatif dan bukannya mod penaakulan tambahan.
Perbandingan dokumen secara praktikal
Sediakan spesifikasi yang berkaitan dan kenal pasti peranannya sebelum bertanya: yang mana penerangan sedia ada, yang mana pengganti yang dicadangkan dan keperluan yang mana wajib dipenuhi. Minta hasil yang mengandungi syarat bersama, pernyataan bercanggah, maklumat yang tiada dan lokasi sumber. Soalan seterusnya boleh meminta model menukarkan hasil tersebut kepada penerangan ringkas untuk rakan sekerja sambil mengekalkan perbezaan asal.
Had penyediaan yang penting
Penghuraian mesti selesai sebelum fail yang telah disediakan digunakan; dokumen lebih besar mungkin memerlukan masa penghuraian yang lebih lama. Inferens model yang didokumenkan menggunakan teks yang diekstrak, maka kelengkapan dan kebolehbacaan kandungan yang telah disediakan itu penting. Nyatakan pilihan fail, soalan dan output yang diperlukan dengan jelas. Kapasiti dokumen Qwen-Long tidak boleh dianggap menggantikan had edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan terus atau jawapan akhir.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen-long | 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, 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
Gunakan laluan kaedah yang dipaparkan di atas.
qwen-longQwen-Long dibina untuk menjawab soalan merentas koleksi dokumen yang besar. Pengeluarnya mendokumenkan aliran kerja muat naik fail dan penggunaan rujukan fail dengan konteks dokumen sehingga 10 juta token, perbandingan antara fail serta jawapan teks berstruktur.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen-Long ialah siri pemprosesan dokumen Qwen untuk mencari maklumat, membandingkan bahan dan menjawab soalan merentas korpus teks yang besar. Ciri tersendirinya ialah aliran kerja muat naik fail dan penggunaan rujukan fail yang didokumenkan, yang mengendalikan sehingga 10 juta token. Tugasnya bukan sekadar menghasilkan jawapan sembang yang lebih panjang: tujuannya ialah mengekalkan koleksi dokumen sumber yang besar supaya soalan terarah tentang dokumen tersebut dapat diajukan.
Cara aliran kerja dokumen berfungsi
Pengeluar menerangkan dua peringkat. Pertama, muat naik fail yang dipilih dan tunggu sehingga penghurai dokumen selesai. Rujukan yang terhasil mengenal pasti dokumen yang telah disediakan. Kedua, ajukan soalan dengan menyertakan rujukan bagi bahan yang perlu dipertimbangkan. Model menjalankan inferens terhadap teks yang dikaitkan dengan dokumen tersebut. Ini memisahkan penyediaan dokumen daripada soalan dan mengelakkan penghantaran semula keseluruhan fail pada setiap giliran perbualan.
Sediakan satu dokumen apabila tujuannya ialah ringkasan, penerangan tentang sesuatu bahagian atau pengekstrakan syarat tertentu. Nyatakan bahagian yang penting dan minta output dengan tujuan yang dapat dinilai secara nyata. Contohnya: berikan spesifikasi produk, minta syarat operasi yang dinyatakan secara jelas di dalamnya dan minta jadual ringkas yang mengandungi syarat, bahagian sumber serta butiran yang tiada. Nama medan tersebut ialah contoh reka bentuk hasil, bukan skema tetap yang terbina dalam model.
Berbilang dokumen dan soalan susulan
Aliran kerja yang didokumenkan menerima beberapa fail yang telah disediakan dalam permintaan yang sama. Ini menyokong perbandingan antara dokumen: kenal pasti ciri dalam setiap spesifikasi, bezakan pernyataan yang sama daripada perbezaan dan kumpulkan persoalan yang belum terjawab. Sehingga 100 rujukan fail boleh disertakan dalam satu permintaan. Pilih fail yang berkaitan dengan soalan, bukannya menganggap kewujudan konteks yang besar menentukan perkara yang patut dibandingkan.
Pengeluar juga menunjukkan cara menambah dokumen baharu selepas jawapan awal. Kekalkan jawapan terdahulu dalam perbualan, tambahkan sumber baharu dan ajukan soalan susulan, misalnya tentang perbezaan antara kedua-dua penerangan. Dalam aplikasi, bezakan respons terdahulu daripada bukti yang baru diberikan. Hasil yang berguna boleh berupa jadual perbandingan dengan lajur berasingan bagi setiap dokumen serta penerangan tentang percanggahan, bukannya ringkasan gabungan yang menghilangkan sumber setiap pernyataan.
Input teks biasa ialah satu lagi laluan yang didokumenkan. Bahan yang lebih kecil boleh diberikan secara langsung sebagai teks, bukannya melalui rujukan fail yang dimuat naik. Panduan pengeluar mewajibkan laluan berasaskan rujukan apabila kandungan dokumen yang dimasukkan terus dalam permintaan melebihi 1 juta token, disebabkan had saiz permintaan. Batasan ini berasingan daripada konteks dokumen 10 juta token: korpus besar yang disokong bukanlah janji bahawa satu muatan teks mentah yang sama besar akan diterima.
Format, konteks dan output
Perkhidmatan dokumen menyenaraikan TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV dan JSON, bersama-sama BMP, PNG, JPG/JPEG dan GIF. Fail imej yang dimuat naik dihadkan kepada 20 MB; fail lain yang disokong dihadkan kepada 150 MB. Ini ialah had aliran kerja penyediaan dokumen pengeluar, bukan dakwaan bahawa model bahasa menaakul secara langsung terhadap setiap format binari tanpa penghuraian.
Spesifikasi yang diterbitkan menetapkan konteks dan input maksimum sebanyak 10 000 000 token, dengan output sehingga 32 768 token. Dalam format perbualan berasaskan rujukan fail yang didokumenkan, soalan pengguna mempunyai had berasingan sebanyak 9 000 token apabila mesej sistem kedua membekalkan dokumen. Pastikan soalan ringkas dan peruntukkan sebahagian besar konteks dokumen kepada bahan sumber. Input berkonteks panjang dan panjang jawapan menangani keperluan yang berbeza: korpus besar masih boleh memerlukan hasil yang ringkas dan tersusun rapi.
Soalan lazim pengeluar mendokumenkan output berstruktur berasaskan JSON Schema untuk Qwen-Long dan versi bertarikhnya. Ini berguna untuk tugasan pengekstrakan berulang yang memerlukan medan yang sama merentas sesuatu koleksi. Nyatakan maklumat yang diperlukan, jenis setiap medan dan tindakan apabila sesuatu nilai tiada dalam sumber. Perkhidmatan ini juga mendokumenkan pemprosesan kelompok tak segerak, iaitu aliran kerja penghantaran alternatif dan bukannya mod penaakulan tambahan.
Perbandingan dokumen secara praktikal
Sediakan spesifikasi yang berkaitan dan kenal pasti peranannya sebelum bertanya: yang mana penerangan sedia ada, yang mana pengganti yang dicadangkan dan keperluan yang mana wajib dipenuhi. Minta hasil yang mengandungi syarat bersama, pernyataan bercanggah, maklumat yang tiada dan lokasi sumber. Soalan seterusnya boleh meminta model menukarkan hasil tersebut kepada penerangan ringkas untuk rakan sekerja sambil mengekalkan perbezaan asal.
Had penyediaan yang penting
Penghuraian mesti selesai sebelum fail yang telah disediakan digunakan; dokumen lebih besar mungkin memerlukan masa penghuraian yang lebih lama. Inferens model yang didokumenkan menggunakan teks yang diekstrak, maka kelengkapan dan kebolehbacaan kandungan yang telah disediakan itu penting. Nyatakan pilihan fail, soalan dan output yang diperlukan dengan jelas. Kapasiti dokumen Qwen-Long tidak boleh dianggap menggantikan had edisi Qwen lain, permintaan dengan teks mentah yang dimasukkan terus atau jawapan akhir.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen-long | 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 $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, 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
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.