Keluaran Qwen3.7 Flash
Qwen3.7 Flash ialah keluarga model penglihatan-bahasa natif untuk pemahaman teks, imej dan video dengan respons teks. Keluaran pembuat menerangkan persepsi multimodal dan pelaksanaan ejen yang lebih kukuh berbanding Qwen3.6 Flash. Skop tugas praktikalnya merangkumi pengecaman objek, pemahaman adegan visual, penaakulan hubungan ruang dan penyediaan kod atau penjelasan daripada bahan visual.
Keluaran rasmi menamakan kedua-dua qwen3.7-flash dan qwen3.7-flash-2026-07-15 yang bertarikh. Kekalkan nama model tepat apabila merekodkan hasil: nama Flash tanpa tarikh tidak mengenal pasti snapshot pengeluar tetap. Tiada bilangan parameter checkpoint terbuka atau perwakilan berangka ditetapkan oleh huraian keluaran yang digunakan di sini.
Pengecaman objek, persepsi dunia sebenar dan ruang
Berikan imej adegan dengan soalan konkrit: objek yang penting, hubungan yang perlu diperiksa dan butiran yang kelihatan yang patut menyokong jawapan. Untuk rajah, kekalkan label dan bekalkan definisi yang diperlukan untuk mentafsirkannya. Output yang berguna mengasingkan pemerhatian daripada hubungan yang disimpulkan, memudahkan perbandingan penjelasan dengan sumber.
Untuk beberapa imej, labelkan setiap input dan minta perbandingan yang disusun mengikut label itu. Untuk video, kenal pasti peristiwa berkaitan dan kekalkan urutan atau maklumat masa. Semak bilangan tepat, ukuran ruang dan pemerhatian peringkat bingkai berdasarkan bahan yang dibekalkan.
Ejen multimodal
Keluaran menonjolkan senario Search Agent dan ejen pentafsir kod, dengan pelaksanaan berbilang langkah yang lebih stabil. Dalam aliran kerja sedemikian, aplikasi menyediakan alat yang dibenarkan, melaksanakan tindakannya dan mengembalikan pemerhatiannya. Model boleh menggunakan hasil itu untuk mengemas kini rancangan. Terangkan matlamat dan syarat penyiapan, serta minta artifak akhir bersama sebarang bukti yang masih belum jelas. Pengeluar menyenaraikan panggilan fungsi, output berstruktur, pelengkapan awalan dan cache konteks. Carian web disokong di Beijing dan Singapura serta tidak disokong dalam skop rantau lain yang disenaraikan. Inferens kelompok disokong untuk alias Beijing dan tidak disokong di tempat lain; penalaan halus tidak disokong.
Pengkhususan ejen model tidak patut dikelirukan dengan akses terbina dalam kepada sumber semasa atau persekitaran pelaksanaan dalam setiap antara muka. Apabila tugas memerlukan pengambilan maklumat atau menjalankan kod, bezakan hasil yang dikembalikan alat sebenar daripada tindakan yang dicadangkan dalam teks model. Huraian ini tidak menetapkan alat yang disediakan aplikasi lain.
Pengekodan visual
Qwen menerangkan pengekodan yang dipertingkat dan dipandu oleh bahan visual. Permintaan berguna boleh menggabungkan tangkap layar atau susun atur dengan keperluan fungsi dan meminta kod yang boleh disunting. Nyatakan rangka kerja atau bentuk output, keadaan interaksi dan kekangan dalam tugas yang dibekalkan. Minta artifak yang dijana secara berasingan daripada penjelasan supaya boleh disemak atau dirender oleh aliran kerja pembangunan.
Untuk antara muka sedia ada, kenal pasti perubahan yang dimaksudkan dan konteks sumber berkaitan, bukannya meminta reka bentuk semula yang tidak berkaitan. Model boleh menghubungkan keperluan visual dengan cadangan pengekodan; cadangan itu bukan bukti bahawa antara muka telah dirender atau berfungsi dengan betul. Contoh tugas ini menggunakan skop pengekodan visual pembuat tanpa menambah jaminan pelaksanaan.
Pemikiran dan respons terus
Panduan pembuat bagi model yang disokong menyenaraikan Qwen3.7 Flash sebagai keluarga pemikiran hibrid dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan output penaakulan daripada jawapan akhir apabila antara muka menyediakan kedua-duanya. Kawalan model Qwen-Omni bernama berasingan atau model padat terbuka tidak patut diimport semata-mata kerana berkongsi nama Qwen.
Gunakan analisis lebih mendalam untuk soalan visual yang menghubungkan beberapa pemerhatian; minta hasil terus untuk penerangan mudah. Nyatakan struktur akhir yang boleh diperiksa, seperti jadual pemerhatian, kesimpulan ringkas atau fail kod, bukannya bergantung pada panjang jawapan sebagai petunjuk kualiti.
Had dan penyediaan input
Halaman khusus Qwen3.7-Flash Alibaba memberikan konteks 1,000,000 token, input maksimum 991,808 token untuk respons terus atau 983,616 untuk mod berfikir, dan output maksimum 131,072 dalam kedua-dua mod. Ia menyenaraikan panjang rantaian pemikiran maksimum 262,144 token secara berasingan. Pastikan butiran visual berkaitan boleh dibaca, potong bahan tidak berkaitan dan sediakan ruang hasil yang diperlukan. Periksa label objek, inferens ruang, teks yang diekstrak dan cadangan kod berdasarkan bukti yang dibekalkan. Huraian yang berguna ialah skop persepsi, ejen dan pengekodan visual khusus pembuat, dengan mod respons hibridnya dikekalkan.
", "aboutText": "Keluaran Qwen3.7 Flash\n\nQwen3.7 Flash ialah keluarga model penglihatan-bahasa natif untuk pemahaman teks, imej dan video dengan respons teks. Keluaran pembuat menerangkan persepsi multimodal dan pelaksanaan ejen yang lebih kukuh berbanding Qwen3.6 Flash. Skop tugas praktikalnya merangkumi pengecaman objek, pemahaman adegan visual, penaakulan hubungan ruang dan penyediaan kod atau penjelasan daripada bahan visual.\n\nKeluaran rasmi menamakan kedua-dua qwen3.7-flash dan qwen3.7-flash-2026-07-15 yang bertarikh. Kekalkan nama model tepat apabila merekodkan hasil: nama Flash tanpa tarikh tidak mengenal pasti snapshot pengeluar tetap. Tiada bilangan parameter checkpoint terbuka atau perwakilan berangka ditetapkan oleh huraian keluaran yang digunakan di sini.\n\nPengecaman objek, persepsi dunia sebenar dan ruang\n\nBerikan imej adegan dengan soalan konkrit: objek yang penting, hubungan yang perlu diperiksa dan butiran yang kelihatan yang patut menyokong jawapan. Untuk rajah, kekalkan label dan bekalkan definisi yang diperlukan untuk mentafsirkannya. Output yang berguna mengasingkan pemerhatian daripada hubungan yang disimpulkan, memudahkan perbandingan penjelasan dengan sumber.\n\nUntuk beberapa imej, labelkan setiap input dan minta perbandingan yang disusun mengikut label itu. Untuk video, kenal pasti peristiwa berkaitan dan kekalkan urutan atau maklumat masa. Semak bilangan tepat, ukuran ruang dan pemerhatian peringkat bingkai berdasarkan bahan yang dibekalkan.\n\nEjen multimodal\n\nKeluaran menonjolkan senario Search Agent dan ejen pentafsir kod, dengan pelaksanaan berbilang langkah yang lebih stabil. Dalam aliran kerja sedemikian, aplikasi menyediakan alat yang dibenarkan, melaksanakan tindakannya dan mengembalikan pemerhatiannya. Model boleh menggunakan hasil itu untuk mengemas kini rancangan. Terangkan matlamat dan syarat penyiapan, serta minta artifak akhir bersama sebarang bukti yang masih belum jelas. Pengeluar menyenaraikan panggilan fungsi, output berstruktur, pelengkapan awalan dan cache konteks. Carian web disokong di Beijing dan Singapura serta tidak disokong dalam skop rantau lain yang disenaraikan. Inferens kelompok disokong untuk alias Beijing dan tidak disokong di tempat lain; penalaan halus tidak disokong.\n\nPengkhususan ejen model tidak patut dikelirukan dengan akses terbina dalam kepada sumber semasa atau persekitaran pelaksanaan dalam setiap antara muka. Apabila tugas memerlukan pengambilan maklumat atau menjalankan kod, bezakan hasil yang dikembalikan alat sebenar daripada tindakan yang dicadangkan dalam teks model. Huraian ini tidak menetapkan alat yang disediakan aplikasi lain.\n\nPengekodan visual\n\nQwen menerangkan pengekodan yang dipertingkat dan dipandu oleh bahan visual. Permintaan berguna boleh menggabungkan tangkap layar atau susun atur dengan keperluan fungsi dan meminta kod yang boleh disunting. Nyatakan rangka kerja atau bentuk output, keadaan interaksi dan kekangan dalam tugas yang dibekalkan. Minta artifak yang dijana secara berasingan daripada penjelasan supaya boleh disemak atau dirender oleh aliran kerja pembangunan.\n\nUntuk antara muka sedia ada, kenal pasti perubahan yang dimaksudkan dan konteks sumber berkaitan, bukannya meminta reka bentuk semula yang tidak berkaitan. Model boleh menghubungkan keperluan visual dengan cadangan pengekodan; cadangan itu bukan bukti bahawa antara muka telah dirender atau berfungsi dengan betul. Contoh tugas ini menggunakan skop pengekodan visual pembuat tanpa menambah jaminan pelaksanaan.\n\nPemikiran dan respons terus\n\nPanduan pembuat bagi model yang disokong menyenaraikan Qwen3.7 Flash sebagai keluarga pemikiran hibrid dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan output penaakulan daripada jawapan akhir apabila antara muka menyediakan kedua-duanya. Kawalan model Qwen-Omni bernama berasingan atau model padat terbuka tidak patut diimport semata-mata kerana berkongsi nama Qwen.\n\nGunakan analisis lebih mendalam untuk soalan visual yang menghubungkan beberapa pemerhatian; minta hasil terus untuk penerangan mudah. Nyatakan struktur akhir yang boleh diperiksa, seperti jadual pemerhatian, kesimpulan ringkas atau fail kod, bukannya bergantung pada panjang jawapan sebagai petunjuk kualiti.\n\nHad dan penyediaan input\n\nHalaman khusus Qwen3.7-Flash Alibaba memberikan konteks 1,000,000 token, input maksimum 991,808 token untuk respons terus atau 983,616 untuk mod berfikir, dan output maksimum 131,072 dalam kedua-dua mod. Ia menyenaraikan panjang rantaian pemikiran maksimum 262,144 token secara berasingan. Pastikan butiran visual berkaitan boleh dibaca, potong bahan tidak berkaitan dan sediakan ruang hasil yang diperlukan. Periksa label objek, inferens ruang, teks yang diekstrak dan cadangan kod berdasarkan bukti yang dibekalkan. Huraian yang berguna ialah skop persepsi, ejen dan pengekodan visual khusus pembuat, dengan mod respons hibridnya dikekalkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.qwen/qwen3.7-flashQwen3.7 Flash ialah keluarga model penglihatan-bahasa Qwen untuk teks, imej dan video yang mengembalikan teks. Pembuat menonjolkan pengecaman objek, pemahaman ruang, kerja ejen multimodal dan pengekodan visual yang lebih kukuh, dengan mod berfikir didayakan secara lalai serta mod jawapan terus pilihan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Keluaran Qwen3.7 Flash
Qwen3.7 Flash ialah keluarga model penglihatan-bahasa natif untuk pemahaman teks, imej dan video dengan respons teks. Keluaran pembuat menerangkan persepsi multimodal dan pelaksanaan ejen yang lebih kukuh berbanding Qwen3.6 Flash. Skop tugas praktikalnya merangkumi pengecaman objek, pemahaman adegan visual, penaakulan hubungan ruang dan penyediaan kod atau penjelasan daripada bahan visual.
Keluaran rasmi menamakan kedua-dua qwen3.7-flash dan qwen3.7-flash-2026-07-15 yang bertarikh. Kekalkan nama model tepat apabila merekodkan hasil: nama Flash tanpa tarikh tidak mengenal pasti snapshot pengeluar tetap. Tiada bilangan parameter checkpoint terbuka atau perwakilan berangka ditetapkan oleh huraian keluaran yang digunakan di sini.
Pengecaman objek, persepsi dunia sebenar dan ruang
Berikan imej adegan dengan soalan konkrit: objek yang penting, hubungan yang perlu diperiksa dan butiran yang kelihatan yang patut menyokong jawapan. Untuk rajah, kekalkan label dan bekalkan definisi yang diperlukan untuk mentafsirkannya. Output yang berguna mengasingkan pemerhatian daripada hubungan yang disimpulkan, memudahkan perbandingan penjelasan dengan sumber.
Untuk beberapa imej, labelkan setiap input dan minta perbandingan yang disusun mengikut label itu. Untuk video, kenal pasti peristiwa berkaitan dan kekalkan urutan atau maklumat masa. Semak bilangan tepat, ukuran ruang dan pemerhatian peringkat bingkai berdasarkan bahan yang dibekalkan.
Ejen multimodal
Keluaran menonjolkan senario Search Agent dan ejen pentafsir kod, dengan pelaksanaan berbilang langkah yang lebih stabil. Dalam aliran kerja sedemikian, aplikasi menyediakan alat yang dibenarkan, melaksanakan tindakannya dan mengembalikan pemerhatiannya. Model boleh menggunakan hasil itu untuk mengemas kini rancangan. Terangkan matlamat dan syarat penyiapan, serta minta artifak akhir bersama sebarang bukti yang masih belum jelas. Pengeluar menyenaraikan panggilan fungsi, output berstruktur, pelengkapan awalan dan cache konteks. Carian web disokong di Beijing dan Singapura serta tidak disokong dalam skop rantau lain yang disenaraikan. Inferens kelompok disokong untuk alias Beijing dan tidak disokong di tempat lain; penalaan halus tidak disokong.
Pengkhususan ejen model tidak patut dikelirukan dengan akses terbina dalam kepada sumber semasa atau persekitaran pelaksanaan dalam setiap antara muka. Apabila tugas memerlukan pengambilan maklumat atau menjalankan kod, bezakan hasil yang dikembalikan alat sebenar daripada tindakan yang dicadangkan dalam teks model. Huraian ini tidak menetapkan alat yang disediakan aplikasi lain.
Pengekodan visual
Qwen menerangkan pengekodan yang dipertingkat dan dipandu oleh bahan visual. Permintaan berguna boleh menggabungkan tangkap layar atau susun atur dengan keperluan fungsi dan meminta kod yang boleh disunting. Nyatakan rangka kerja atau bentuk output, keadaan interaksi dan kekangan dalam tugas yang dibekalkan. Minta artifak yang dijana secara berasingan daripada penjelasan supaya boleh disemak atau dirender oleh aliran kerja pembangunan.
Untuk antara muka sedia ada, kenal pasti perubahan yang dimaksudkan dan konteks sumber berkaitan, bukannya meminta reka bentuk semula yang tidak berkaitan. Model boleh menghubungkan keperluan visual dengan cadangan pengekodan; cadangan itu bukan bukti bahawa antara muka telah dirender atau berfungsi dengan betul. Contoh tugas ini menggunakan skop pengekodan visual pembuat tanpa menambah jaminan pelaksanaan.
Pemikiran dan respons terus
Panduan pembuat bagi model yang disokong menyenaraikan Qwen3.7 Flash sebagai keluarga pemikiran hibrid dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan output penaakulan daripada jawapan akhir apabila antara muka menyediakan kedua-duanya. Kawalan model Qwen-Omni bernama berasingan atau model padat terbuka tidak patut diimport semata-mata kerana berkongsi nama Qwen.
Gunakan analisis lebih mendalam untuk soalan visual yang menghubungkan beberapa pemerhatian; minta hasil terus untuk penerangan mudah. Nyatakan struktur akhir yang boleh diperiksa, seperti jadual pemerhatian, kesimpulan ringkas atau fail kod, bukannya bergantung pada panjang jawapan sebagai petunjuk kualiti.
Had dan penyediaan input
Halaman khusus Qwen3.7-Flash Alibaba memberikan konteks 1,000,000 token, input maksimum 991,808 token untuk respons terus atau 983,616 untuk mod berfikir, dan output maksimum 131,072 dalam kedua-dua mod. Ia menyenaraikan panjang rantaian pemikiran maksimum 262,144 token secara berasingan. Pastikan butiran visual berkaitan boleh dibaca, potong bahan tidak berkaitan dan sediakan ruang hasil yang diperlukan. Periksa label objek, inferens ruang, teks yang diekstrak dan cadangan kod berdasarkan bukti yang dibekalkan. Huraian yang berguna ialah skop persepsi, ejen dan pengekodan visual khusus pembuat, dengan mod respons hibridnya dikekalkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.7-flash | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00006 / 1K token Output · Token output $0.00026 / 1K token Input · Bacaan cache $0.000012 / 1K token Input · Penulisan cache $0.000076 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk32,000 | Caj Input · Token input $0.00006 / 1K token Output · Token output $0.00026 / 1K token Input · Bacaan cache $0.000012 / 1K token Input · Penulisan cache $0.000076 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi32,000 | Token konteks, sehingga dan termasuk256,000 | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0008 / 1K token Input · Bacaan cache $0.00004 / 1K token Input · Penulisan cache $0.00025 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPeringkat panjang permintaan 3 | Jadual kadar— | Token konteks, melebihi256,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache $0.0005 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.7-flash", "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/qwen3.7-flash',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/qwen3.7-flash',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/qwen3.7-flash
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.7-flashQwen3.7 Flash ialah keluarga model penglihatan-bahasa Qwen untuk teks, imej dan video yang mengembalikan teks. Pembuat menonjolkan pengecaman objek, pemahaman ruang, kerja ejen multimodal dan pengekodan visual yang lebih kukuh, dengan mod berfikir didayakan secara lalai serta mod jawapan terus pilihan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Keluaran Qwen3.7 Flash
Qwen3.7 Flash ialah keluarga model penglihatan-bahasa natif untuk pemahaman teks, imej dan video dengan respons teks. Keluaran pembuat menerangkan persepsi multimodal dan pelaksanaan ejen yang lebih kukuh berbanding Qwen3.6 Flash. Skop tugas praktikalnya merangkumi pengecaman objek, pemahaman adegan visual, penaakulan hubungan ruang dan penyediaan kod atau penjelasan daripada bahan visual.
Keluaran rasmi menamakan kedua-dua qwen3.7-flash dan qwen3.7-flash-2026-07-15 yang bertarikh. Kekalkan nama model tepat apabila merekodkan hasil: nama Flash tanpa tarikh tidak mengenal pasti snapshot pengeluar tetap. Tiada bilangan parameter checkpoint terbuka atau perwakilan berangka ditetapkan oleh huraian keluaran yang digunakan di sini.
Pengecaman objek, persepsi dunia sebenar dan ruang
Berikan imej adegan dengan soalan konkrit: objek yang penting, hubungan yang perlu diperiksa dan butiran yang kelihatan yang patut menyokong jawapan. Untuk rajah, kekalkan label dan bekalkan definisi yang diperlukan untuk mentafsirkannya. Output yang berguna mengasingkan pemerhatian daripada hubungan yang disimpulkan, memudahkan perbandingan penjelasan dengan sumber.
Untuk beberapa imej, labelkan setiap input dan minta perbandingan yang disusun mengikut label itu. Untuk video, kenal pasti peristiwa berkaitan dan kekalkan urutan atau maklumat masa. Semak bilangan tepat, ukuran ruang dan pemerhatian peringkat bingkai berdasarkan bahan yang dibekalkan.
Ejen multimodal
Keluaran menonjolkan senario Search Agent dan ejen pentafsir kod, dengan pelaksanaan berbilang langkah yang lebih stabil. Dalam aliran kerja sedemikian, aplikasi menyediakan alat yang dibenarkan, melaksanakan tindakannya dan mengembalikan pemerhatiannya. Model boleh menggunakan hasil itu untuk mengemas kini rancangan. Terangkan matlamat dan syarat penyiapan, serta minta artifak akhir bersama sebarang bukti yang masih belum jelas. Pengeluar menyenaraikan panggilan fungsi, output berstruktur, pelengkapan awalan dan cache konteks. Carian web disokong di Beijing dan Singapura serta tidak disokong dalam skop rantau lain yang disenaraikan. Inferens kelompok disokong untuk alias Beijing dan tidak disokong di tempat lain; penalaan halus tidak disokong.
Pengkhususan ejen model tidak patut dikelirukan dengan akses terbina dalam kepada sumber semasa atau persekitaran pelaksanaan dalam setiap antara muka. Apabila tugas memerlukan pengambilan maklumat atau menjalankan kod, bezakan hasil yang dikembalikan alat sebenar daripada tindakan yang dicadangkan dalam teks model. Huraian ini tidak menetapkan alat yang disediakan aplikasi lain.
Pengekodan visual
Qwen menerangkan pengekodan yang dipertingkat dan dipandu oleh bahan visual. Permintaan berguna boleh menggabungkan tangkap layar atau susun atur dengan keperluan fungsi dan meminta kod yang boleh disunting. Nyatakan rangka kerja atau bentuk output, keadaan interaksi dan kekangan dalam tugas yang dibekalkan. Minta artifak yang dijana secara berasingan daripada penjelasan supaya boleh disemak atau dirender oleh aliran kerja pembangunan.
Untuk antara muka sedia ada, kenal pasti perubahan yang dimaksudkan dan konteks sumber berkaitan, bukannya meminta reka bentuk semula yang tidak berkaitan. Model boleh menghubungkan keperluan visual dengan cadangan pengekodan; cadangan itu bukan bukti bahawa antara muka telah dirender atau berfungsi dengan betul. Contoh tugas ini menggunakan skop pengekodan visual pembuat tanpa menambah jaminan pelaksanaan.
Pemikiran dan respons terus
Panduan pembuat bagi model yang disokong menyenaraikan Qwen3.7 Flash sebagai keluarga pemikiran hibrid dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan output penaakulan daripada jawapan akhir apabila antara muka menyediakan kedua-duanya. Kawalan model Qwen-Omni bernama berasingan atau model padat terbuka tidak patut diimport semata-mata kerana berkongsi nama Qwen.
Gunakan analisis lebih mendalam untuk soalan visual yang menghubungkan beberapa pemerhatian; minta hasil terus untuk penerangan mudah. Nyatakan struktur akhir yang boleh diperiksa, seperti jadual pemerhatian, kesimpulan ringkas atau fail kod, bukannya bergantung pada panjang jawapan sebagai petunjuk kualiti.
Had dan penyediaan input
Halaman khusus Qwen3.7-Flash Alibaba memberikan konteks 1,000,000 token, input maksimum 991,808 token untuk respons terus atau 983,616 untuk mod berfikir, dan output maksimum 131,072 dalam kedua-dua mod. Ia menyenaraikan panjang rantaian pemikiran maksimum 262,144 token secara berasingan. Pastikan butiran visual berkaitan boleh dibaca, potong bahan tidak berkaitan dan sediakan ruang hasil yang diperlukan. Periksa label objek, inferens ruang, teks yang diekstrak dan cadangan kod berdasarkan bukti yang dibekalkan. Huraian yang berguna ialah skop persepsi, ejen dan pengekodan visual khusus pembuat, dengan mod respons hibridnya dikekalkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.7-flash | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00006 / 1K token Output · Token output $0.00026 / 1K token Input · Bacaan cache $0.000012 / 1K token Input · Penulisan cache $0.000076 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk32,000 | Caj Input · Token input $0.00006 / 1K token Output · Token output $0.00026 / 1K token Input · Bacaan cache $0.000012 / 1K token Input · Penulisan cache $0.000076 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi32,000 | Token konteks, sehingga dan termasuk256,000 | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0008 / 1K token Input · Bacaan cache $0.00004 / 1K token Input · Penulisan cache $0.00025 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPeringkat panjang permintaan 3 | Jadual kadar— | Token konteks, melebihi256,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache $0.0005 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.7-flash', '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/qwen3.7-flash', '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/qwen3.7-flash
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.