Qwen Turbo 2024-11-01 ialah versi tetap Qwen-Turbo Alibaba daripada generasi Qwen2.5. Ia menerima arahan bertulis dan konteks teks serta menghasilkan jawapan teks. Tugasan berguna termasuk soalan tentang dokumen yang dibekalkan, ringkasan yang menghubungkan beberapa sumber, penjelasan tentang pangkalan kod dan pengekstrakan kepada JSON. Kekalkan nama model bertarikh bersama prompt apabila membandingkan hasil antara edisi.
Pengenalan Qwen2.5-Turbo oleh Qwen menunjukkan pembacaan naratif panjang dan beberapa makalah berkaitan. Output yang berguna bergantung pada soalan: gambaran keseluruhan boleh menerangkan hubungan antara karya, manakala perbandingan terfokus boleh membezakan pendekatan dan bukti sokongannya. Bekalkan teks yang dilabel dengan jelas dan minta perbezaan yang penting kepada pembaca. Arahan awal boleh meminta cadangan utama setiap dokumen, petikan yang menyokongnya dan sebarang percanggahan antara dokumen. Minta jawapan dalam bahasa yang diperlukan oleh khalayak dan kekalkan kaitan petikan dengan sumbernya.
Pembuat juga menunjukkan pembacaan repositori yang dihimpunkan menjadi fail teks, mula-mula menerangkan tujuannya dan kemudian mencari kelas serta laluan failnya. Sediakan kod dengan sempadan fail, nama dan takrif sekeliling yang relevan dikekalkan. Minta gambaran struktur komponen sebelum meminta penjelasan yang lebih khusus tentang hubungan antara bahagiannya. Penjelasan atau senarai lokasi yang terhasil boleh membimbing pemeriksaan fail asal; semak lokasi tersebut berdasarkan kod yang dibekalkan.
Dalam aliran kerja teks yang didokumenkan oleh pembuat, mesej sistem menetapkan peranan dan peraturan tugasan, mesej pengguna membekalkan soalan serta bahan, dan model menjawab sebagai pembantu. Nyatakan hasil kerja yang dikehendaki dengan jelas: ringkasan, jadual perbandingan, penjelasan padat atau medan yang diekstrak. Untuk tugasan dokumen, bezakan teks yang perlu dibaca daripada arahan yang menerangkan apa yang perlu dilakukan dengannya. Sertakan istilah, bahasa output dan peraturan untuk mengendalikan maklumat yang tidak disediakan oleh sumber.
Aliran kerja Chat Completions pembuat tidak menyimpan keadaan: perbincangan lanjutan menggunakan sejarah perbualan yang dibekalkan bersama soalan seterusnya. Tambahkan mesej pengguna dan pembantu terdahulu apabila soalan susulan bergantung padanya. Giliran pertama boleh mengenal pasti hujah sesuatu dokumen; giliran kedua boleh bertanya petikan yang menyokong satu kesimpulan. Kekalkan konteks sumber yang diperlukan, bukannya menganggap bahawa jawapan terdahulu memberikan ingatan kekal kepada model. Apabila perbincangan berkembang, kekalkan giliran terkini dan fakta sumber penting, atau gunakan ringkasan bahan terdahulu yang sudah disemak. Membuang atau memampatkan sejarah boleh menghilangkan butiran yang diperlukan untuk jawapan seterusnya.
Alibaba secara jelas memasukkan qwen-turbo-2024-11-01 dalam sokongan JSON Object. Dalam aliran kerja pembuat, format jawapan ditetapkan kepada json_object dan arahan sistem atau pengguna mesti mengandungi perkataan JSON. Nyatakan nama medan dan cara mengendalikan maklumat yang tiada. Sebagai contoh, arahan pengekstrakan boleh meminta tajuk dokumen, nama pengarang yang dinyatakan dan petikan sokongan, berserta konvensyen yang ditetapkan apabila pengarang tidak dinyatakan.
Mod JSON Object menyasarkan sintaks JSON yang sah; ia tidak menguatkuasakan skema tertentu, nama medan yang tetap atau jenis medan. Periksa objek yang dikembalikan untuk memastikan medan dan nilai yang diperlukan oleh tugasan ada sebelum menggunakannya dalam proses seterusnya. Hasil yang terpotong sebelum selesai juga mungkin bukan JSON yang sah. Kekalkan objek lengkap dan teks sumbernya supaya masalah pemformatan dapat dibezakan daripada pengekstrakan yang salah.
Pengenalan Qwen mengenal pasti ketidakstabilan dalam tugasan sukar yang melibatkan urutan panjang. Banyaknya teks yang dibekalkan tidak menjamin bahawa setiap butiran akan ditemukan atau setiap hubungan akan ditafsirkan dengan betul. Semak pernyataan penting, rujukan dan lokasi kod berdasarkan bahan asal, terutamanya apabila kesimpulan menghubungkan petikan yang berjauhan. Kekalkan sumber, prompt yang tepat dan jawapan yang dipilih sebagai hasil kerja. Pemetaan versi Alibaba membezakan versi ini daripada Qwen-Turbo-2025-04-28, jadi perbandingan edisi patut mengekalkan kedua-dua nama model dan tugasan yang sama.
", "aboutText": "Qwen Turbo 2024-11-01 ialah versi tetap Qwen-Turbo Alibaba daripada generasi Qwen2.5. Ia menerima arahan bertulis dan konteks teks serta menghasilkan jawapan teks. Tugasan berguna termasuk soalan tentang dokumen yang dibekalkan, ringkasan yang menghubungkan beberapa sumber, penjelasan tentang pangkalan kod dan pengekstrakan kepada JSON. Kekalkan nama model bertarikh bersama prompt apabila membandingkan hasil antara edisi.\n\n### Baca bahan yang berkaitan dengan soalan khusus\n\nPengenalan Qwen2.5-Turbo oleh Qwen menunjukkan pembacaan naratif panjang dan beberapa makalah berkaitan. Output yang berguna bergantung pada soalan: gambaran keseluruhan boleh menerangkan hubungan antara karya, manakala perbandingan terfokus boleh membezakan pendekatan dan bukti sokongannya. Bekalkan teks yang dilabel dengan jelas dan minta perbezaan yang penting kepada pembaca. Arahan awal boleh meminta cadangan utama setiap dokumen, petikan yang menyokongnya dan sebarang percanggahan antara dokumen. Minta jawapan dalam bahasa yang diperlukan oleh khalayak dan kekalkan kaitan petikan dengan sumbernya.\n\n### Fahami repositori melalui teksnya\n\nPembuat juga menunjukkan pembacaan repositori yang dihimpunkan menjadi fail teks, mula-mula menerangkan tujuannya dan kemudian mencari kelas serta laluan failnya. Sediakan kod dengan sempadan fail, nama dan takrif sekeliling yang relevan dikekalkan. Minta gambaran struktur komponen sebelum meminta penjelasan yang lebih khusus tentang hubungan antara bahagiannya. Penjelasan atau senarai lokasi yang terhasil boleh membimbing pemeriksaan fail asal; semak lokasi tersebut berdasarkan kod yang dibekalkan.\n\n### Bekalkan arahan dan bahan sebagai mesej\n\nDalam aliran kerja teks yang didokumenkan oleh pembuat, mesej sistem menetapkan peranan dan peraturan tugasan, mesej pengguna membekalkan soalan serta bahan, dan model menjawab sebagai pembantu. Nyatakan hasil kerja yang dikehendaki dengan jelas: ringkasan, jadual perbandingan, penjelasan padat atau medan yang diekstrak. Untuk tugasan dokumen, bezakan teks yang perlu dibaca daripada arahan yang menerangkan apa yang perlu dilakukan dengannya. Sertakan istilah, bahasa output dan peraturan untuk mengendalikan maklumat yang tidak disediakan oleh sumber.\n\n### Teruskan perbualan dengan sejarah yang relevan\n\nAliran kerja Chat Completions pembuat tidak menyimpan keadaan: perbincangan lanjutan menggunakan sejarah perbualan yang dibekalkan bersama soalan seterusnya. Tambahkan mesej pengguna dan pembantu terdahulu apabila soalan susulan bergantung padanya. Giliran pertama boleh mengenal pasti hujah sesuatu dokumen; giliran kedua boleh bertanya petikan yang menyokong satu kesimpulan. Kekalkan konteks sumber yang diperlukan, bukannya menganggap bahawa jawapan terdahulu memberikan ingatan kekal kepada model. Apabila perbincangan berkembang, kekalkan giliran terkini dan fakta sumber penting, atau gunakan ringkasan bahan terdahulu yang sudah disemak. Membuang atau memampatkan sejarah boleh menghilangkan butiran yang diperlukan untuk jawapan seterusnya.\n\n### Ekstrak maklumat dengan mod JSON Object\n\nAlibaba secara jelas memasukkan qwen-turbo-2024-11-01 dalam sokongan JSON Object. Dalam aliran kerja pembuat, format jawapan ditetapkan kepada json_object dan arahan sistem atau pengguna mesti mengandungi perkataan JSON. Nyatakan nama medan dan cara mengendalikan maklumat yang tiada. Sebagai contoh, arahan pengekstrakan boleh meminta tajuk dokumen, nama pengarang yang dinyatakan dan petikan sokongan, berserta konvensyen yang ditetapkan apabila pengarang tidak dinyatakan.\n\nMod JSON Object menyasarkan sintaks JSON yang sah; ia tidak menguatkuasakan skema tertentu, nama medan yang tetap atau jenis medan. Periksa objek yang dikembalikan untuk memastikan medan dan nilai yang diperlukan oleh tugasan ada sebelum menggunakannya dalam proses seterusnya. Hasil yang terpotong sebelum selesai juga mungkin bukan JSON yang sah. Kekalkan objek lengkap dan teks sumbernya supaya masalah pemformatan dapat dibezakan daripada pengekstrakan yang salah.\n\n### Semak jawapan berdasarkan bahan asal\n\nPengenalan Qwen mengenal pasti ketidakstabilan dalam tugasan sukar yang melibatkan urutan panjang. Banyaknya teks yang dibekalkan tidak menjamin bahawa setiap butiran akan ditemukan atau setiap hubungan akan ditafsirkan dengan betul. Semak pernyataan penting, rujukan dan lokasi kod berdasarkan bahan asal, terutamanya apabila kesimpulan menghubungkan petikan yang berjauhan. Kekalkan sumber, prompt yang tepat dan jawapan yang dipilih sebagai hasil kerja. Pemetaan versi Alibaba membezakan versi ini daripada Qwen-Turbo-2025-04-28, jadi perbandingan edisi patut mengekalkan kedua-dua nama model dan tugasan yang sama.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 daripada Alibaba ialah versi tetap model teks untuk menjawab soalan tentang bahan yang dibekalkan, meringkaskan dokumen berkaitan dan membaca kod sumber. Ia turut menyokong mod JSON Object pembuat untuk mengekstrak maklumat kepada hasil yang boleh dihurai.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen Turbo 2024-11-01 ialah versi tetap Qwen-Turbo Alibaba daripada generasi Qwen2.5. Ia menerima arahan bertulis dan konteks teks serta menghasilkan jawapan teks. Tugasan berguna termasuk soalan tentang dokumen yang dibekalkan, ringkasan yang menghubungkan beberapa sumber, penjelasan tentang pangkalan kod dan pengekstrakan kepada JSON. Kekalkan nama model bertarikh bersama prompt apabila membandingkan hasil antara edisi.
Pengenalan Qwen2.5-Turbo oleh Qwen menunjukkan pembacaan naratif panjang dan beberapa makalah berkaitan. Output yang berguna bergantung pada soalan: gambaran keseluruhan boleh menerangkan hubungan antara karya, manakala perbandingan terfokus boleh membezakan pendekatan dan bukti sokongannya. Bekalkan teks yang dilabel dengan jelas dan minta perbezaan yang penting kepada pembaca. Arahan awal boleh meminta cadangan utama setiap dokumen, petikan yang menyokongnya dan sebarang percanggahan antara dokumen. Minta jawapan dalam bahasa yang diperlukan oleh khalayak dan kekalkan kaitan petikan dengan sumbernya.
Pembuat juga menunjukkan pembacaan repositori yang dihimpunkan menjadi fail teks, mula-mula menerangkan tujuannya dan kemudian mencari kelas serta laluan failnya. Sediakan kod dengan sempadan fail, nama dan takrif sekeliling yang relevan dikekalkan. Minta gambaran struktur komponen sebelum meminta penjelasan yang lebih khusus tentang hubungan antara bahagiannya. Penjelasan atau senarai lokasi yang terhasil boleh membimbing pemeriksaan fail asal; semak lokasi tersebut berdasarkan kod yang dibekalkan.
Dalam aliran kerja teks yang didokumenkan oleh pembuat, mesej sistem menetapkan peranan dan peraturan tugasan, mesej pengguna membekalkan soalan serta bahan, dan model menjawab sebagai pembantu. Nyatakan hasil kerja yang dikehendaki dengan jelas: ringkasan, jadual perbandingan, penjelasan padat atau medan yang diekstrak. Untuk tugasan dokumen, bezakan teks yang perlu dibaca daripada arahan yang menerangkan apa yang perlu dilakukan dengannya. Sertakan istilah, bahasa output dan peraturan untuk mengendalikan maklumat yang tidak disediakan oleh sumber.
Aliran kerja Chat Completions pembuat tidak menyimpan keadaan: perbincangan lanjutan menggunakan sejarah perbualan yang dibekalkan bersama soalan seterusnya. Tambahkan mesej pengguna dan pembantu terdahulu apabila soalan susulan bergantung padanya. Giliran pertama boleh mengenal pasti hujah sesuatu dokumen; giliran kedua boleh bertanya petikan yang menyokong satu kesimpulan. Kekalkan konteks sumber yang diperlukan, bukannya menganggap bahawa jawapan terdahulu memberikan ingatan kekal kepada model. Apabila perbincangan berkembang, kekalkan giliran terkini dan fakta sumber penting, atau gunakan ringkasan bahan terdahulu yang sudah disemak. Membuang atau memampatkan sejarah boleh menghilangkan butiran yang diperlukan untuk jawapan seterusnya.
Alibaba secara jelas memasukkan qwen-turbo-2024-11-01 dalam sokongan JSON Object. Dalam aliran kerja pembuat, format jawapan ditetapkan kepada json_object dan arahan sistem atau pengguna mesti mengandungi perkataan JSON. Nyatakan nama medan dan cara mengendalikan maklumat yang tiada. Sebagai contoh, arahan pengekstrakan boleh meminta tajuk dokumen, nama pengarang yang dinyatakan dan petikan sokongan, berserta konvensyen yang ditetapkan apabila pengarang tidak dinyatakan.
Mod JSON Object menyasarkan sintaks JSON yang sah; ia tidak menguatkuasakan skema tertentu, nama medan yang tetap atau jenis medan. Periksa objek yang dikembalikan untuk memastikan medan dan nilai yang diperlukan oleh tugasan ada sebelum menggunakannya dalam proses seterusnya. Hasil yang terpotong sebelum selesai juga mungkin bukan JSON yang sah. Kekalkan objek lengkap dan teks sumbernya supaya masalah pemformatan dapat dibezakan daripada pengekstrakan yang salah.
Pengenalan Qwen mengenal pasti ketidakstabilan dalam tugasan sukar yang melibatkan urutan panjang. Banyaknya teks yang dibekalkan tidak menjamin bahawa setiap butiran akan ditemukan atau setiap hubungan akan ditafsirkan dengan betul. Semak pernyataan penting, rujukan dan lokasi kod berdasarkan bahan asal, terutamanya apabila kesimpulan menghubungkan petikan yang berjauhan. Kekalkan sumber, prompt yang tepat dan jawapan yang dipilih sebagai hasil kerja. Pemetaan versi Alibaba membezakan versi ini daripada Qwen-Turbo-2025-04-28, jadi perbandingan edisi patut mengekalkan kedua-dua nama model dan tugasan yang sama.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen-turbo-2024-11-01 | 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 $0.0001 / 1K token Output · Token output $0.00018 / 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-turbo-2024-11-01", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-turbo-2024-11-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-turbo-2024-11-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-turbo-2024-11-01
Gunakan laluan kaedah yang dipaparkan di atas.
qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 daripada Alibaba ialah versi tetap model teks untuk menjawab soalan tentang bahan yang dibekalkan, meringkaskan dokumen berkaitan dan membaca kod sumber. Ia turut menyokong mod JSON Object pembuat untuk mengekstrak maklumat kepada hasil yang boleh dihurai.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen Turbo 2024-11-01 ialah versi tetap Qwen-Turbo Alibaba daripada generasi Qwen2.5. Ia menerima arahan bertulis dan konteks teks serta menghasilkan jawapan teks. Tugasan berguna termasuk soalan tentang dokumen yang dibekalkan, ringkasan yang menghubungkan beberapa sumber, penjelasan tentang pangkalan kod dan pengekstrakan kepada JSON. Kekalkan nama model bertarikh bersama prompt apabila membandingkan hasil antara edisi.
Pengenalan Qwen2.5-Turbo oleh Qwen menunjukkan pembacaan naratif panjang dan beberapa makalah berkaitan. Output yang berguna bergantung pada soalan: gambaran keseluruhan boleh menerangkan hubungan antara karya, manakala perbandingan terfokus boleh membezakan pendekatan dan bukti sokongannya. Bekalkan teks yang dilabel dengan jelas dan minta perbezaan yang penting kepada pembaca. Arahan awal boleh meminta cadangan utama setiap dokumen, petikan yang menyokongnya dan sebarang percanggahan antara dokumen. Minta jawapan dalam bahasa yang diperlukan oleh khalayak dan kekalkan kaitan petikan dengan sumbernya.
Pembuat juga menunjukkan pembacaan repositori yang dihimpunkan menjadi fail teks, mula-mula menerangkan tujuannya dan kemudian mencari kelas serta laluan failnya. Sediakan kod dengan sempadan fail, nama dan takrif sekeliling yang relevan dikekalkan. Minta gambaran struktur komponen sebelum meminta penjelasan yang lebih khusus tentang hubungan antara bahagiannya. Penjelasan atau senarai lokasi yang terhasil boleh membimbing pemeriksaan fail asal; semak lokasi tersebut berdasarkan kod yang dibekalkan.
Dalam aliran kerja teks yang didokumenkan oleh pembuat, mesej sistem menetapkan peranan dan peraturan tugasan, mesej pengguna membekalkan soalan serta bahan, dan model menjawab sebagai pembantu. Nyatakan hasil kerja yang dikehendaki dengan jelas: ringkasan, jadual perbandingan, penjelasan padat atau medan yang diekstrak. Untuk tugasan dokumen, bezakan teks yang perlu dibaca daripada arahan yang menerangkan apa yang perlu dilakukan dengannya. Sertakan istilah, bahasa output dan peraturan untuk mengendalikan maklumat yang tidak disediakan oleh sumber.
Aliran kerja Chat Completions pembuat tidak menyimpan keadaan: perbincangan lanjutan menggunakan sejarah perbualan yang dibekalkan bersama soalan seterusnya. Tambahkan mesej pengguna dan pembantu terdahulu apabila soalan susulan bergantung padanya. Giliran pertama boleh mengenal pasti hujah sesuatu dokumen; giliran kedua boleh bertanya petikan yang menyokong satu kesimpulan. Kekalkan konteks sumber yang diperlukan, bukannya menganggap bahawa jawapan terdahulu memberikan ingatan kekal kepada model. Apabila perbincangan berkembang, kekalkan giliran terkini dan fakta sumber penting, atau gunakan ringkasan bahan terdahulu yang sudah disemak. Membuang atau memampatkan sejarah boleh menghilangkan butiran yang diperlukan untuk jawapan seterusnya.
Alibaba secara jelas memasukkan qwen-turbo-2024-11-01 dalam sokongan JSON Object. Dalam aliran kerja pembuat, format jawapan ditetapkan kepada json_object dan arahan sistem atau pengguna mesti mengandungi perkataan JSON. Nyatakan nama medan dan cara mengendalikan maklumat yang tiada. Sebagai contoh, arahan pengekstrakan boleh meminta tajuk dokumen, nama pengarang yang dinyatakan dan petikan sokongan, berserta konvensyen yang ditetapkan apabila pengarang tidak dinyatakan.
Mod JSON Object menyasarkan sintaks JSON yang sah; ia tidak menguatkuasakan skema tertentu, nama medan yang tetap atau jenis medan. Periksa objek yang dikembalikan untuk memastikan medan dan nilai yang diperlukan oleh tugasan ada sebelum menggunakannya dalam proses seterusnya. Hasil yang terpotong sebelum selesai juga mungkin bukan JSON yang sah. Kekalkan objek lengkap dan teks sumbernya supaya masalah pemformatan dapat dibezakan daripada pengekstrakan yang salah.
Pengenalan Qwen mengenal pasti ketidakstabilan dalam tugasan sukar yang melibatkan urutan panjang. Banyaknya teks yang dibekalkan tidak menjamin bahawa setiap butiran akan ditemukan atau setiap hubungan akan ditafsirkan dengan betul. Semak pernyataan penting, rujukan dan lokasi kod berdasarkan bahan asal, terutamanya apabila kesimpulan menghubungkan petikan yang berjauhan. Kekalkan sumber, prompt yang tepat dan jawapan yang dipilih sebagai hasil kerja. Pemetaan versi Alibaba membezakan versi ini daripada Qwen-Turbo-2025-04-28, jadi perbandingan edisi patut mengekalkan kedua-dua nama model dan tugasan yang sama.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen-turbo-2024-11-01 | 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 $0.0001 / 1K token Output · Token output $0.00018 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen-turbo-2024-11-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-turbo-2024-11-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-turbo-2024-11-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-turbo-2024-11-01
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.