Qwen-Long (2025-01-25) er den daterte Qwen-Long-profilen for behandling av ultralang kontekst. Produsenten beskriver samtaler på kinesisk, engelsk og andre språk, med dokumenttjenester som parser kildefiler for å besvare spørsmål og diskutere innholdet. Resultatet er et tekstsvar basert på materialet som er oppgitt.
Gi oppgaven et konkret mål: sammenlign klausuler, finn et angitt vilkår eller forklar hvordan to deler av et dokument henger sammen. Behold dokumentnavn, overskrifter og sidebetegnelser slik at svaret kan vise tilbake til riktig kilde. Hvis flere filer beskriver samme emne, oppgir du prioriteten deres og ber om at motsetninger identifiseres i stedet for å bli løst uten forklaring.
En gjennomgangsoppgave kan be om det relevante utsagnet fra hvert dokument, en forklaring av forskjellene og spørsmålene som fortsatt står åpne. En uthentingsoppgave kan definere feltene som skal returneres, og hvordan manglende verdier skal behandles. Disse resultatkravene gjør en lang kildesamling nyttig for en konkret beslutning.
Produsenten lister opp tekstfiler som TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown og CSV. De integrerte dokumenttjenestene parser også bildefiler som BMP, PNG, JPG/JPEG og GIF, samt skannede PDF-er. Parsing av filer klargjør materialet for samtalen; dette er et eget tjenestetrinn, atskilt fra genereringen av tekstsvaret. Behold lesbare kildefiler og kontroller uthentet notasjon eller tabeller når slike detaljer avgjør konklusjonen.
Den dokumenterte fremgangsmåten gjennom dokumenttjenesten håndterer opptil 10 millioner tokener. HTTP-forespørsler støtter opptil 1 million tokener, og produsenten anbefaler filinnsending for lengre innhold. Den lagrede profilen for den vertsbaserte varianten med akkurat denne daterte identifikatoren oppgir også en kontekst på 1 million tokener. Det større tallet for dokumenttjenesten fastslår derfor ikke kapasiteten til en direkte tekstforespørsel gjennom et annet grensesnitt.
Velg fremgangsmåten som integrasjonen tilbyr, og behold identifikatorene til dokumentene som brukes i oppgaven. En lengre kilde er nyttig når relevante sammenhenger må vurderes samlet; en avgrenset passasje er tilstrekkelig når spørsmålet gjelder én del. Oppgi ønsket svarlengde, slik at du får en forklaring, sammenligning eller uthenting som passer til oppgaven.
Be modellen om å skille uttrykkelige utsagn fra slutninger og identifisere et spørsmål som de oppgitte dokumentene ikke avklarer. Kontroller viktige navn, tall og vilkår mot originalkildene. Et oppfølgingsspørsmål kan undersøke én klausul eller endre resultatets form, samtidig som de samme dokumentbetegnelsene og beslutningskriteriene beholdes.
", "aboutText": "Qwen-Long (2025-01-25) er den daterte Qwen-Long-profilen for behandling av ultralang kontekst. Produsenten beskriver samtaler på kinesisk, engelsk og andre språk, med dokumenttjenester som parser kildefiler for å besvare spørsmål og diskutere innholdet. Resultatet er et tekstsvar basert på materialet som er oppgitt.\n\n### Still et spørsmål på tvers av dokumenter\n\nGi oppgaven et konkret mål: sammenlign klausuler, finn et angitt vilkår eller forklar hvordan to deler av et dokument henger sammen. Behold dokumentnavn, overskrifter og sidebetegnelser slik at svaret kan vise tilbake til riktig kilde. Hvis flere filer beskriver samme emne, oppgir du prioriteten deres og ber om at motsetninger identifiseres i stedet for å bli løst uten forklaring.\n\nEn gjennomgangsoppgave kan be om det relevante utsagnet fra hvert dokument, en forklaring av forskjellene og spørsmålene som fortsatt står åpne. En uthentingsoppgave kan definere feltene som skal returneres, og hvordan manglende verdier skal behandles. Disse resultatkravene gjør en lang kildesamling nyttig for en konkret beslutning.\n\n### Arbeid med de dokumenterte filtypene\n\nProdusenten lister opp tekstfiler som TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown og CSV. De integrerte dokumenttjenestene parser også bildefiler som BMP, PNG, JPG/JPEG og GIF, samt skannede PDF-er. Parsing av filer klargjør materialet for samtalen; dette er et eget tjenestetrinn, atskilt fra genereringen av tekstsvaret. Behold lesbare kildefiler og kontroller uthentet notasjon eller tabeller når slike detaljer avgjør konklusjonen.\n\n### Skill mellom de to kontekstveiene\n\nDen dokumenterte fremgangsmåten gjennom dokumenttjenesten håndterer opptil 10 millioner tokener. HTTP-forespørsler støtter opptil 1 million tokener, og produsenten anbefaler filinnsending for lengre innhold. Den lagrede profilen for den vertsbaserte varianten med akkurat denne daterte identifikatoren oppgir også en kontekst på 1 million tokener. Det større tallet for dokumenttjenesten fastslår derfor ikke kapasiteten til en direkte tekstforespørsel gjennom et annet grensesnitt.\n\nVelg fremgangsmåten som integrasjonen tilbyr, og behold identifikatorene til dokumentene som brukes i oppgaven. En lengre kilde er nyttig når relevante sammenhenger må vurderes samlet; en avgrenset passasje er tilstrekkelig når spørsmålet gjelder én del. Oppgi ønsket svarlengde, slik at du får en forklaring, sammenligning eller uthenting som passer til oppgaven.\n\n### Behold forbindelsen mellom svaret og kildegrunnlaget\n\nBe modellen om å skille uttrykkelige utsagn fra slutninger og identifisere et spørsmål som de oppgitte dokumentene ikke avklarer. Kontroller viktige navn, tall og vilkår mot originalkildene. Et oppfølgingsspørsmål kan undersøke én klausul eller endre resultatets form, samtidig som de samme dokumentbetegnelsene og beslutningskriteriene beholdes.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Locate conflicting document conditions\n\nCompare these labelled document excerpts. [Guide, section 2] Return cartons in lots of 10. [Warehouse note, section 4] Accept mixed lots of 5 when pre-approved. [Email E-3] Customer wants to send 15 cartons without approval. State the general rule, the exception and the unresolved condition for this request. Do not silently give either document priority.A source-linked rule and exception summary with the approval question made explicit.Verify the exception retains its pre-approval condition and 15 cartons is not automatically accepted.qwen-long-2025-01-25Qwen-Long (2025-01-25) er en Qwen-modell for samtaler om ultralange dokumenter på kinesisk, engelsk og andre språk. Produsenten beskriver opptil 10 millioner tokener gjennom dokumenttjenester, mens HTTP-forespørsler er begrenset til 1 million tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-Long (2025-01-25) er den daterte Qwen-Long-profilen for behandling av ultralang kontekst. Produsenten beskriver samtaler på kinesisk, engelsk og andre språk, med dokumenttjenester som parser kildefiler for å besvare spørsmål og diskutere innholdet. Resultatet er et tekstsvar basert på materialet som er oppgitt.
Gi oppgaven et konkret mål: sammenlign klausuler, finn et angitt vilkår eller forklar hvordan to deler av et dokument henger sammen. Behold dokumentnavn, overskrifter og sidebetegnelser slik at svaret kan vise tilbake til riktig kilde. Hvis flere filer beskriver samme emne, oppgir du prioriteten deres og ber om at motsetninger identifiseres i stedet for å bli løst uten forklaring.
En gjennomgangsoppgave kan be om det relevante utsagnet fra hvert dokument, en forklaring av forskjellene og spørsmålene som fortsatt står åpne. En uthentingsoppgave kan definere feltene som skal returneres, og hvordan manglende verdier skal behandles. Disse resultatkravene gjør en lang kildesamling nyttig for en konkret beslutning.
Produsenten lister opp tekstfiler som TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown og CSV. De integrerte dokumenttjenestene parser også bildefiler som BMP, PNG, JPG/JPEG og GIF, samt skannede PDF-er. Parsing av filer klargjør materialet for samtalen; dette er et eget tjenestetrinn, atskilt fra genereringen av tekstsvaret. Behold lesbare kildefiler og kontroller uthentet notasjon eller tabeller når slike detaljer avgjør konklusjonen.
Den dokumenterte fremgangsmåten gjennom dokumenttjenesten håndterer opptil 10 millioner tokener. HTTP-forespørsler støtter opptil 1 million tokener, og produsenten anbefaler filinnsending for lengre innhold. Den lagrede profilen for den vertsbaserte varianten med akkurat denne daterte identifikatoren oppgir også en kontekst på 1 million tokener. Det større tallet for dokumenttjenesten fastslår derfor ikke kapasiteten til en direkte tekstforespørsel gjennom et annet grensesnitt.
Velg fremgangsmåten som integrasjonen tilbyr, og behold identifikatorene til dokumentene som brukes i oppgaven. En lengre kilde er nyttig når relevante sammenhenger må vurderes samlet; en avgrenset passasje er tilstrekkelig når spørsmålet gjelder én del. Oppgi ønsket svarlengde, slik at du får en forklaring, sammenligning eller uthenting som passer til oppgaven.
Be modellen om å skille uttrykkelige utsagn fra slutninger og identifisere et spørsmål som de oppgitte dokumentene ikke avklarer. Kontroller viktige navn, tall og vilkår mot originalkildene. Et oppfølgingsspørsmål kan undersøke én klausul eller endre resultatets form, samtidig som de samme dokumentbetegnelsene og beslutningskriteriene beholdes.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-long-2025-01-25 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000144 / 1K tokener Utdata · Utgående tokener $0.000572 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-long-2025-01-25", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-long-2025-01-25',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-long-2025-01-25',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen-long-2025-01-25
Bruk metodestiene som vises ovenfor.
qwen-long-2025-01-25Qwen-Long (2025-01-25) er en Qwen-modell for samtaler om ultralange dokumenter på kinesisk, engelsk og andre språk. Produsenten beskriver opptil 10 millioner tokener gjennom dokumenttjenester, mens HTTP-forespørsler er begrenset til 1 million tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-Long (2025-01-25) er den daterte Qwen-Long-profilen for behandling av ultralang kontekst. Produsenten beskriver samtaler på kinesisk, engelsk og andre språk, med dokumenttjenester som parser kildefiler for å besvare spørsmål og diskutere innholdet. Resultatet er et tekstsvar basert på materialet som er oppgitt.
Gi oppgaven et konkret mål: sammenlign klausuler, finn et angitt vilkår eller forklar hvordan to deler av et dokument henger sammen. Behold dokumentnavn, overskrifter og sidebetegnelser slik at svaret kan vise tilbake til riktig kilde. Hvis flere filer beskriver samme emne, oppgir du prioriteten deres og ber om at motsetninger identifiseres i stedet for å bli løst uten forklaring.
En gjennomgangsoppgave kan be om det relevante utsagnet fra hvert dokument, en forklaring av forskjellene og spørsmålene som fortsatt står åpne. En uthentingsoppgave kan definere feltene som skal returneres, og hvordan manglende verdier skal behandles. Disse resultatkravene gjør en lang kildesamling nyttig for en konkret beslutning.
Produsenten lister opp tekstfiler som TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown og CSV. De integrerte dokumenttjenestene parser også bildefiler som BMP, PNG, JPG/JPEG og GIF, samt skannede PDF-er. Parsing av filer klargjør materialet for samtalen; dette er et eget tjenestetrinn, atskilt fra genereringen av tekstsvaret. Behold lesbare kildefiler og kontroller uthentet notasjon eller tabeller når slike detaljer avgjør konklusjonen.
Den dokumenterte fremgangsmåten gjennom dokumenttjenesten håndterer opptil 10 millioner tokener. HTTP-forespørsler støtter opptil 1 million tokener, og produsenten anbefaler filinnsending for lengre innhold. Den lagrede profilen for den vertsbaserte varianten med akkurat denne daterte identifikatoren oppgir også en kontekst på 1 million tokener. Det større tallet for dokumenttjenesten fastslår derfor ikke kapasiteten til en direkte tekstforespørsel gjennom et annet grensesnitt.
Velg fremgangsmåten som integrasjonen tilbyr, og behold identifikatorene til dokumentene som brukes i oppgaven. En lengre kilde er nyttig når relevante sammenhenger må vurderes samlet; en avgrenset passasje er tilstrekkelig når spørsmålet gjelder én del. Oppgi ønsket svarlengde, slik at du får en forklaring, sammenligning eller uthenting som passer til oppgaven.
Be modellen om å skille uttrykkelige utsagn fra slutninger og identifisere et spørsmål som de oppgitte dokumentene ikke avklarer. Kontroller viktige navn, tall og vilkår mot originalkildene. Et oppfølgingsspørsmål kan undersøke én klausul eller endre resultatets form, samtidig som de samme dokumentbetegnelsene og beslutningskriteriene beholdes.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-long-2025-01-25 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000144 / 1K tokener Utdata · Utgående tokener $0.000572 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-long-2025-01-25",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long-2025-01-25', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long-2025-01-25', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen-long-2025-01-25
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Locate conflicting document conditions\n\nCompare these labelled document excerpts. [Guide, section 2] Return cartons in lots of 10. [Warehouse note, section 4] Accept mixed lots of 5 when pre-approved. [Email E-3] Customer wants to send 15 cartons without approval. State the general rule, the exception and the unresolved condition for this request. Do not silently give either document priority.A source-linked rule and exception summary with the approval question made explicit.Verify the exception retains its pre-approval condition and 15 cartons is not automatically accepted.