Qwen3.7-Max 2026-06-08 ialah snapshot bernama Alibaba bertarikh 8 Jun bagi model Max dalam keluarga Qwen3.7. Perubahan edisi yang membezakannya ialah pemahaman modaliti visual yang ditambah kepada snapshot 20 Mei, menyokong interaksi berasaskan adegan dunia sebenar. Ia menerima teks, imej dan video serta menjana teks. Tujuan keluarga yang berfokus ejen merangkumi pengaturcaraan, kerja pejabat dan produktiviti serta tugasan berterusan yang menggabungkan arahan dengan hasil alat.
Edisi ini penting untuk tugasan visual. Nama Qwen3.7-Max tanpa tarikh didokumenkan sebagai setara dengan snapshot teks sahaja 20 Mei, manakala jadual model tepat Jun merangkumi input imej dan video. Untuk model ini, tangkapan skrin boleh mengiringi tugasan kod, atau video boleh membekalkan adegan yang diminta oleh arahan bertulis untuk dianalisis oleh ejen. Outputnya ialah penerangan, kod, rekod berstruktur atau arahan panggilan alat, bukannya imej, video atau pertuturan yang dijana.
Panduan berfikir Alibaba menyenaraikan snapshot Jun ini secara jelas sebagai hibrid: pemikiran didayakan secara lalai dalam aliran kerja pengeluar dan boleh dilumpuhkan untuk jawapan langsung. Mod berfikir menghasilkan penaakulan sebelum jawapan dan memerlukan masa penaakulan tambahan. Panduan memisahkan kandungan penaakulan daripada jawapan akhir serta menyokong pengekalan penaakulan sejarah yang diberikan merentas giliran untuk model tepat ini. Penaakulan yang dikekalkan menjadi sebahagian input seterusnya, jadi tugasan berterusan mesti membajetkannya bersama perbualan dan bahan sumber.
Function Calling menyokong tugasan yang aplikasinya membekalkan soalan dan takrif alat yang tersedia. Model mengembalikan fungsi terpilih dan argumennya; aplikasi menjalankan fungsi itu, menambah hasil alat kepada perbualan dan meminta model meneruskan. Untuk pembantu pengekodan, takrifkan alat pembacaan repositori atau pengesahan dengan tepat dan minta perubahan lengkap bersama hasil sokongannya. Menghuraikan alat berbeza daripada melaksanakannya: aplikasi sekeliling menyediakan akses dan melakukan operasi.
Snapshot Jun turut menyenaraikan Structured Outputs, Web Search, Prefix Completion dan Context Caching. Ini menyokong rekod output yang ditakrifkan, kerja berbantukan carian, sambungan daripada permulaan yang diberikan dan penggunaan semula awalan input bersama dalam aliran kerja pengeluar. Untuk analisis berulang, kekalkan dokumen atau arahan tugasan yang stabil di awal dan letakkan soalan yang berubah selepasnya. Penggunaan semula cache bergantung pada syarat aliran kerja tersebut; fakta bahawa model menyokong caching tidak membuktikan hit bagi permintaan tertentu. Inferens kelompok dan penalaan halus ditandakan tidak disokong untuk edisi ini.
Jadual Jun yang tepat memberikan tetingkap konteks 1,000,000 token. Input maksimum ialah 991,808 token dalam profil biasa dan 983,616 token dalam mod berfikir; output maksimum ialah 131,072 token dalam kedua-dua profil. Ini ialah had konteks, input dan output yang berbeza. Bahan sumber besar, sejarah perbualan dan kandungan visual masih mesti muat dalam sempadan input yang berkenaan, dan siling output tidak mewajibkan jawapan menggunakan ruang sebanyak itu.
Untuk tugasan antara muka praktikal, berikan tangkapan skrin, cebisan sumber yang relevan, tingkah laku yang dikehendaki dan hasil serahan yang jelas. Ringkasan tugasan contoh ialah: “Gunakan skrin ini dan teks komponen yang dilampirkan untuk menjelaskan mengapa label borang tidak sepadan dengan aliran kerja. Cadangkan perubahan kod berfokus dan senaraikan unsur kelihatan yang mendorongnya.” Untuk tugasan dokumen atau produktiviti, berikan bahagian sumber, rekod akhir yang dikehendaki dan kriteria bagi menentukan perkara yang perlu disertakan. Nomborkan imej berasingan dan huraikan hubungannya supaya hasil teks boleh merujuk kembali kepada bukti.
Untuk analisis video, kenal pasti peristiwa atau urutan yang anda perlukan, minta huraian ringkas dan kekalkan cap masa dalam input yang disediakan apabila hasil mesti mengenal pasti detik tertentu. Untuk aliran kerja fail Alibaba, imej URL boleh berukuran sehingga 20 MB; video URL boleh berukuran sehingga 2 GB dan berdurasi 2 saat hingga 2 jam. Video Base64 mesti lebih kecil daripada 10 MB selepas pengekodan. Asingkan had fail daripada bajet token. Jika audio penting, berikan transkrip sebagai teks; jadual input snapshot ini tidak menyenaraikan audio. Dalam tugasan ejen yang lebih panjang, nyatakan artifak akhir, alat yang dibenarkan dan hasil yang perlu dikira sebagai penyempurnaan. Penyediaan itu mengarahkan model kepada hasil serahan teks yang boleh disemak, bukannya urutan cadangan perantaraan tanpa penghujung.
", "aboutText": "Qwen3.7-Max 2026-06-08 ialah snapshot bernama Alibaba bertarikh 8 Jun bagi model Max dalam keluarga Qwen3.7. Perubahan edisi yang membezakannya ialah pemahaman modaliti visual yang ditambah kepada snapshot 20 Mei, menyokong interaksi berasaskan adegan dunia sebenar. Ia menerima teks, imej dan video serta menjana teks. Tujuan keluarga yang berfokus ejen merangkumi pengaturcaraan, kerja pejabat dan produktiviti serta tugasan berterusan yang menggabungkan arahan dengan hasil alat.\n\nEdisi ini penting untuk tugasan visual. Nama Qwen3.7-Max tanpa tarikh didokumenkan sebagai setara dengan snapshot teks sahaja 20 Mei, manakala jadual model tepat Jun merangkumi input imej dan video. Untuk model ini, tangkapan skrin boleh mengiringi tugasan kod, atau video boleh membekalkan adegan yang diminta oleh arahan bertulis untuk dianalisis oleh ejen. Outputnya ialah penerangan, kod, rekod berstruktur atau arahan panggilan alat, bukannya imej, video atau pertuturan yang dijana.\n\nPanduan berfikir Alibaba menyenaraikan snapshot Jun ini secara jelas sebagai hibrid: pemikiran didayakan secara lalai dalam aliran kerja pengeluar dan boleh dilumpuhkan untuk jawapan langsung. Mod berfikir menghasilkan penaakulan sebelum jawapan dan memerlukan masa penaakulan tambahan. Panduan memisahkan kandungan penaakulan daripada jawapan akhir serta menyokong pengekalan penaakulan sejarah yang diberikan merentas giliran untuk model tepat ini. Penaakulan yang dikekalkan menjadi sebahagian input seterusnya, jadi tugasan berterusan mesti membajetkannya bersama perbualan dan bahan sumber.\n\nFunction Calling menyokong tugasan yang aplikasinya membekalkan soalan dan takrif alat yang tersedia. Model mengembalikan fungsi terpilih dan argumennya; aplikasi menjalankan fungsi itu, menambah hasil alat kepada perbualan dan meminta model meneruskan. Untuk pembantu pengekodan, takrifkan alat pembacaan repositori atau pengesahan dengan tepat dan minta perubahan lengkap bersama hasil sokongannya. Menghuraikan alat berbeza daripada melaksanakannya: aplikasi sekeliling menyediakan akses dan melakukan operasi.\n\nSnapshot Jun turut menyenaraikan Structured Outputs, Web Search, Prefix Completion dan Context Caching. Ini menyokong rekod output yang ditakrifkan, kerja berbantukan carian, sambungan daripada permulaan yang diberikan dan penggunaan semula awalan input bersama dalam aliran kerja pengeluar. Untuk analisis berulang, kekalkan dokumen atau arahan tugasan yang stabil di awal dan letakkan soalan yang berubah selepasnya. Penggunaan semula cache bergantung pada syarat aliran kerja tersebut; fakta bahawa model menyokong caching tidak membuktikan hit bagi permintaan tertentu. Inferens kelompok dan penalaan halus ditandakan tidak disokong untuk edisi ini.\n\nJadual Jun yang tepat memberikan tetingkap konteks 1,000,000 token. Input maksimum ialah 991,808 token dalam profil biasa dan 983,616 token dalam mod berfikir; output maksimum ialah 131,072 token dalam kedua-dua profil. Ini ialah had konteks, input dan output yang berbeza. Bahan sumber besar, sejarah perbualan dan kandungan visual masih mesti muat dalam sempadan input yang berkenaan, dan siling output tidak mewajibkan jawapan menggunakan ruang sebanyak itu.\n\nUntuk tugasan antara muka praktikal, berikan tangkapan skrin, cebisan sumber yang relevan, tingkah laku yang dikehendaki dan hasil serahan yang jelas. Ringkasan tugasan contoh ialah: “Gunakan skrin ini dan teks komponen yang dilampirkan untuk menjelaskan mengapa label borang tidak sepadan dengan aliran kerja. Cadangkan perubahan kod berfokus dan senaraikan unsur kelihatan yang mendorongnya.” Untuk tugasan dokumen atau produktiviti, berikan bahagian sumber, rekod akhir yang dikehendaki dan kriteria bagi menentukan perkara yang perlu disertakan. Nomborkan imej berasingan dan huraikan hubungannya supaya hasil teks boleh merujuk kembali kepada bukti.\n\nUntuk analisis video, kenal pasti peristiwa atau urutan yang anda perlukan, minta huraian ringkas dan kekalkan cap masa dalam input yang disediakan apabila hasil mesti mengenal pasti detik tertentu. Untuk aliran kerja fail Alibaba, imej URL boleh berukuran sehingga 20 MB; video URL boleh berukuran sehingga 2 GB dan berdurasi 2 saat hingga 2 jam. Video Base64 mesti lebih kecil daripada 10 MB selepas pengekodan. Asingkan had fail daripada bajet token. Jika audio penting, berikan transkrip sebagai teks; jadual input snapshot ini tidak menyenaraikan audio. Dalam tugasan ejen yang lebih panjang, nyatakan artifak akhir, alat yang dibenarkan dan hasil yang perlu dikira sebagai penyempurnaan. Penyediaan itu mengarahkan model kepada hasil serahan teks yang boleh disemak, bukannya urutan cadangan perantaraan tanpa penghujung.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 menggabungkan pemahaman teks, imej dan video dengan aliran kerja teks berfokus ejen. Snapshot bernama ini menambah penglihatan kepada edisi Mei, menyokong pemikiran hibrid serta alat dan mempunyai konteks satu juta token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3.7-Max 2026-06-08 ialah snapshot bernama Alibaba bertarikh 8 Jun bagi model Max dalam keluarga Qwen3.7. Perubahan edisi yang membezakannya ialah pemahaman modaliti visual yang ditambah kepada snapshot 20 Mei, menyokong interaksi berasaskan adegan dunia sebenar. Ia menerima teks, imej dan video serta menjana teks. Tujuan keluarga yang berfokus ejen merangkumi pengaturcaraan, kerja pejabat dan produktiviti serta tugasan berterusan yang menggabungkan arahan dengan hasil alat.
Edisi ini penting untuk tugasan visual. Nama Qwen3.7-Max tanpa tarikh didokumenkan sebagai setara dengan snapshot teks sahaja 20 Mei, manakala jadual model tepat Jun merangkumi input imej dan video. Untuk model ini, tangkapan skrin boleh mengiringi tugasan kod, atau video boleh membekalkan adegan yang diminta oleh arahan bertulis untuk dianalisis oleh ejen. Outputnya ialah penerangan, kod, rekod berstruktur atau arahan panggilan alat, bukannya imej, video atau pertuturan yang dijana.
Panduan berfikir Alibaba menyenaraikan snapshot Jun ini secara jelas sebagai hibrid: pemikiran didayakan secara lalai dalam aliran kerja pengeluar dan boleh dilumpuhkan untuk jawapan langsung. Mod berfikir menghasilkan penaakulan sebelum jawapan dan memerlukan masa penaakulan tambahan. Panduan memisahkan kandungan penaakulan daripada jawapan akhir serta menyokong pengekalan penaakulan sejarah yang diberikan merentas giliran untuk model tepat ini. Penaakulan yang dikekalkan menjadi sebahagian input seterusnya, jadi tugasan berterusan mesti membajetkannya bersama perbualan dan bahan sumber.
Function Calling menyokong tugasan yang aplikasinya membekalkan soalan dan takrif alat yang tersedia. Model mengembalikan fungsi terpilih dan argumennya; aplikasi menjalankan fungsi itu, menambah hasil alat kepada perbualan dan meminta model meneruskan. Untuk pembantu pengekodan, takrifkan alat pembacaan repositori atau pengesahan dengan tepat dan minta perubahan lengkap bersama hasil sokongannya. Menghuraikan alat berbeza daripada melaksanakannya: aplikasi sekeliling menyediakan akses dan melakukan operasi.
Snapshot Jun turut menyenaraikan Structured Outputs, Web Search, Prefix Completion dan Context Caching. Ini menyokong rekod output yang ditakrifkan, kerja berbantukan carian, sambungan daripada permulaan yang diberikan dan penggunaan semula awalan input bersama dalam aliran kerja pengeluar. Untuk analisis berulang, kekalkan dokumen atau arahan tugasan yang stabil di awal dan letakkan soalan yang berubah selepasnya. Penggunaan semula cache bergantung pada syarat aliran kerja tersebut; fakta bahawa model menyokong caching tidak membuktikan hit bagi permintaan tertentu. Inferens kelompok dan penalaan halus ditandakan tidak disokong untuk edisi ini.
Jadual Jun yang tepat memberikan tetingkap konteks 1,000,000 token. Input maksimum ialah 991,808 token dalam profil biasa dan 983,616 token dalam mod berfikir; output maksimum ialah 131,072 token dalam kedua-dua profil. Ini ialah had konteks, input dan output yang berbeza. Bahan sumber besar, sejarah perbualan dan kandungan visual masih mesti muat dalam sempadan input yang berkenaan, dan siling output tidak mewajibkan jawapan menggunakan ruang sebanyak itu.
Untuk tugasan antara muka praktikal, berikan tangkapan skrin, cebisan sumber yang relevan, tingkah laku yang dikehendaki dan hasil serahan yang jelas. Ringkasan tugasan contoh ialah: “Gunakan skrin ini dan teks komponen yang dilampirkan untuk menjelaskan mengapa label borang tidak sepadan dengan aliran kerja. Cadangkan perubahan kod berfokus dan senaraikan unsur kelihatan yang mendorongnya.” Untuk tugasan dokumen atau produktiviti, berikan bahagian sumber, rekod akhir yang dikehendaki dan kriteria bagi menentukan perkara yang perlu disertakan. Nomborkan imej berasingan dan huraikan hubungannya supaya hasil teks boleh merujuk kembali kepada bukti.
Untuk analisis video, kenal pasti peristiwa atau urutan yang anda perlukan, minta huraian ringkas dan kekalkan cap masa dalam input yang disediakan apabila hasil mesti mengenal pasti detik tertentu. Untuk aliran kerja fail Alibaba, imej URL boleh berukuran sehingga 20 MB; video URL boleh berukuran sehingga 2 GB dan berdurasi 2 saat hingga 2 jam. Video Base64 mesti lebih kecil daripada 10 MB selepas pengekodan. Asingkan had fail daripada bajet token. Jika audio penting, berikan transkrip sebagai teks; jadual input snapshot ini tidak menyenaraikan audio. Dalam tugasan ejen yang lebih panjang, nyatakan artifak akhir, alat yang dibenarkan dan hasil yang perlu dikira sebagai penyempurnaan. Penyediaan itu mengarahkan model kepada hasil serahan teks yang boleh disemak, bukannya urutan cadangan perantaraan tanpa penghujung.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K token Output · Token output $0.0106 / 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": "qwen3.7-max-2026-06-08", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3.7-max-2026-06-08',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen3.7-max-2026-06-08
Gunakan laluan kaedah yang dipaparkan di atas.
qwen3.7-max-2026-06-08Qwen3.7-Max 2026-06-08 menggabungkan pemahaman teks, imej dan video dengan aliran kerja teks berfokus ejen. Snapshot bernama ini menambah penglihatan kepada edisi Mei, menyokong pemikiran hibrid serta alat dan mempunyai konteks satu juta token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3.7-Max 2026-06-08 ialah snapshot bernama Alibaba bertarikh 8 Jun bagi model Max dalam keluarga Qwen3.7. Perubahan edisi yang membezakannya ialah pemahaman modaliti visual yang ditambah kepada snapshot 20 Mei, menyokong interaksi berasaskan adegan dunia sebenar. Ia menerima teks, imej dan video serta menjana teks. Tujuan keluarga yang berfokus ejen merangkumi pengaturcaraan, kerja pejabat dan produktiviti serta tugasan berterusan yang menggabungkan arahan dengan hasil alat.
Edisi ini penting untuk tugasan visual. Nama Qwen3.7-Max tanpa tarikh didokumenkan sebagai setara dengan snapshot teks sahaja 20 Mei, manakala jadual model tepat Jun merangkumi input imej dan video. Untuk model ini, tangkapan skrin boleh mengiringi tugasan kod, atau video boleh membekalkan adegan yang diminta oleh arahan bertulis untuk dianalisis oleh ejen. Outputnya ialah penerangan, kod, rekod berstruktur atau arahan panggilan alat, bukannya imej, video atau pertuturan yang dijana.
Panduan berfikir Alibaba menyenaraikan snapshot Jun ini secara jelas sebagai hibrid: pemikiran didayakan secara lalai dalam aliran kerja pengeluar dan boleh dilumpuhkan untuk jawapan langsung. Mod berfikir menghasilkan penaakulan sebelum jawapan dan memerlukan masa penaakulan tambahan. Panduan memisahkan kandungan penaakulan daripada jawapan akhir serta menyokong pengekalan penaakulan sejarah yang diberikan merentas giliran untuk model tepat ini. Penaakulan yang dikekalkan menjadi sebahagian input seterusnya, jadi tugasan berterusan mesti membajetkannya bersama perbualan dan bahan sumber.
Function Calling menyokong tugasan yang aplikasinya membekalkan soalan dan takrif alat yang tersedia. Model mengembalikan fungsi terpilih dan argumennya; aplikasi menjalankan fungsi itu, menambah hasil alat kepada perbualan dan meminta model meneruskan. Untuk pembantu pengekodan, takrifkan alat pembacaan repositori atau pengesahan dengan tepat dan minta perubahan lengkap bersama hasil sokongannya. Menghuraikan alat berbeza daripada melaksanakannya: aplikasi sekeliling menyediakan akses dan melakukan operasi.
Snapshot Jun turut menyenaraikan Structured Outputs, Web Search, Prefix Completion dan Context Caching. Ini menyokong rekod output yang ditakrifkan, kerja berbantukan carian, sambungan daripada permulaan yang diberikan dan penggunaan semula awalan input bersama dalam aliran kerja pengeluar. Untuk analisis berulang, kekalkan dokumen atau arahan tugasan yang stabil di awal dan letakkan soalan yang berubah selepasnya. Penggunaan semula cache bergantung pada syarat aliran kerja tersebut; fakta bahawa model menyokong caching tidak membuktikan hit bagi permintaan tertentu. Inferens kelompok dan penalaan halus ditandakan tidak disokong untuk edisi ini.
Jadual Jun yang tepat memberikan tetingkap konteks 1,000,000 token. Input maksimum ialah 991,808 token dalam profil biasa dan 983,616 token dalam mod berfikir; output maksimum ialah 131,072 token dalam kedua-dua profil. Ini ialah had konteks, input dan output yang berbeza. Bahan sumber besar, sejarah perbualan dan kandungan visual masih mesti muat dalam sempadan input yang berkenaan, dan siling output tidak mewajibkan jawapan menggunakan ruang sebanyak itu.
Untuk tugasan antara muka praktikal, berikan tangkapan skrin, cebisan sumber yang relevan, tingkah laku yang dikehendaki dan hasil serahan yang jelas. Ringkasan tugasan contoh ialah: “Gunakan skrin ini dan teks komponen yang dilampirkan untuk menjelaskan mengapa label borang tidak sepadan dengan aliran kerja. Cadangkan perubahan kod berfokus dan senaraikan unsur kelihatan yang mendorongnya.” Untuk tugasan dokumen atau produktiviti, berikan bahagian sumber, rekod akhir yang dikehendaki dan kriteria bagi menentukan perkara yang perlu disertakan. Nomborkan imej berasingan dan huraikan hubungannya supaya hasil teks boleh merujuk kembali kepada bukti.
Untuk analisis video, kenal pasti peristiwa atau urutan yang anda perlukan, minta huraian ringkas dan kekalkan cap masa dalam input yang disediakan apabila hasil mesti mengenal pasti detik tertentu. Untuk aliran kerja fail Alibaba, imej URL boleh berukuran sehingga 20 MB; video URL boleh berukuran sehingga 2 GB dan berdurasi 2 saat hingga 2 jam. Video Base64 mesti lebih kecil daripada 10 MB selepas pengekodan. Asingkan had fail daripada bajet token. Jika audio penting, berikan transkrip sebagai teks; jadual input snapshot ini tidak menyenaraikan audio. Dalam tugasan ejen yang lebih panjang, nyatakan artifak akhir, alat yang dibenarkan dan hasil yang perlu dikira sebagai penyempurnaan. Penyediaan itu mengarahkan model kepada hasil serahan teks yang boleh disemak, bukannya urutan cadangan perantaraan tanpa penghujung.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3.7-max-2026-06-08 | 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 $0.0036 / 1K token Output · Token output $0.0106 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen3.7-max-2026-06-08",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.7-max-2026-06-08', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen3.7-max-2026-06-08
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Prepare an office task handover\n\nPrepare a handover from these work records. [Draft] Budget note completed. [Review] Manager requested a supplier quote before approval. [Quote] Supplier sent prices but omitted shipping. [Schedule] Meeting is Friday. List completed artifacts, the unresolved approval dependency and a focused next request. Preserve the record labels and avoid claiming the budget is approved.A source-labelled handover with completed work, the shipping-cost dependency and a proposed supplier question.Verify that a finished draft and received quote are not treated as approval or a complete total cost.