Qwen-Long er Qwens produktlinje for dokumentbehandling: å finne informasjon, sammenligne materiale og besvare spørsmål på tvers av et stort tekstkorpus. Særtrekket er en dokumentert arbeidsflyt med filopplasting og referanser som håndterer opptil 10 millioner tokener. Oppgaven er ikke bare å produsere et lengre chatsvar, men å holde en betydelig samling kildedokumenter tilgjengelig mens du stiller målrettede spørsmål om dem.
Slik fungerer dokumentarbeidsflyten
Produsenten beskriver to trinn. Last først opp de valgte filene, og vent til dokumentparseren er ferdig. Referansene som opprettes, identifiserer de klargjorte dokumentene. Still deretter et spørsmål og inkluder referansene til materialet som skal tas med i vurderingen. Modellen utfører inferens på teksten som er knyttet til disse dokumentene. Dette skiller klargjøringen av dokumentene fra spørsmålet og gjør at du slipper å sende hele filen på nytt i hver samtalerunde.
Klargjør ett dokument når målet er et sammendrag, en forklaring av en del eller uthenting av bestemte vilkår. Navngi delene som er viktige, og be om et resultat med et konkret formål. For eksempel: oppgi en produktspesifikasjon, be om driftsvilkårene den uttrykkelig lister opp, og be om en kort tabell med vilkåret, kildedelen og eventuelle manglende detaljer. Disse feltnavnene er et eksempel på utforming av resultatet, ikke et innebygd fast skjema.
Flere dokumenter og oppfølgingsspørsmål
Den dokumenterte arbeidsflyten godtar flere klargjorte filer i samme forespørsel. Dette støtter sammenligning mellom dokumenter: identifiser en egenskap i hver spesifikasjon, skill felles utsagn fra forskjeller, og samle ubesvarte spørsmål. Én forespørsel kan inneholde opptil 100 filreferanser. Velg filene som er relevante for spørsmålet, i stedet for å anta at en stor kontekst definerer hva som bør sammenlignes.
Produsenten viser også hvordan et nytt dokument kan legges til etter et første svar. Behold det tidligere svaret i samtalen, legg til den nye kilden, og still et oppfølgingsspørsmål, for eksempel om hvordan de to beskrivelsene er forskjellige. Skill i applikasjonen mellom det tidligere svaret og det nye kildegrunnlaget. Et nyttig resultat kan være en sammenligningstabell med separate kolonner for hvert dokument og en forklaring av motsetninger, fremfor et sammenslått sammendrag som mister kilden til hvert utsagn.
Direkte innlegging av ren tekst er en annen dokumentert fremgangsmåte. Mindre materiale kan sendes direkte som tekst i stedet for referanser til opplastede filer. På grunn av grensene for forespørselsstørrelse krever produsentens veiledning at du bruker referanser når dokumentinnhold som er lagt direkte inn, overstiger 1 million tokener. Denne grensen er atskilt fra dokumentkonteksten på 10 millioner tokener: støtte for et stort korpus er ikke et løfte om at én like stor forespørsel med ubehandlet tekst blir godtatt.
Formater, kontekst og utdata
Dokumenttjenesten oppgir TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON, samt BMP, PNG, JPG/JPEG og GIF. Opplastede bildefiler er begrenset til 20 MB; andre støttede filer er begrenset til 150 MB. Dette er begrensninger i produsentens arbeidsflyt for klargjøring av dokumenter, ikke en påstand om at språkmodellen resonnerer direkte over alle binærformater uten parsing.
Den publiserte spesifikasjonen oppgir en kontekst og maksimal inndata på 10 000 000 tokener, med opptil 32 768 tokener i utdata. I det dokumenterte samtaleformatet med filreferanser har brukerspørsmålet en egen grense på 9 000 tokener når systemmelding nummer to oppgir dokumentene. Hold spørsmålet kort, og sett av mesteparten av dokumentkonteksten til kildematerialet. Lang inngangskontekst og svarlengde løser ulike problemer: et stort korpus kan fortsatt kreve et kort, stramt strukturert resultat.
Produsentens FAQ dokumenterer strukturerte utdata basert på JSON Schema for Qwen-Long og de daterte versjonene. Dette er nyttig ved gjentatte uthentingsoppgaver som trenger de samme feltene på tvers av en samling. Oppgi den nødvendige informasjonen, typen for hvert felt og hva som skal gjøres når kilden ikke inneholder en verdi. Tjenesten dokumenterer også asynkron satsvis behandling, som er en alternativ innsendingsflyt og ikke en ekstra resonneringsmodus.
En praktisk dokumentsammenligning
Klargjør de relevante spesifikasjonene og angi rollene deres før du spør: hvilken er den eksisterende beskrivelsen, hvilken er den foreslåtte erstatningen, og hvilke krav er obligatoriske? Be om et resultat med felles vilkår, motstridende utsagn, manglende informasjon og kildeplasseringer. Et senere spørsmål kan be modellen om å gjøre resultatet om til en kort forklaring for en kollega, samtidig som de opprinnelige skillene bevares.
Viktige begrensninger ved klargjøring
Parsingen må være ferdig før de klargjorte filene brukes; større dokumenter kan kreve mer tid til parsing. Modellens dokumenterte inferens bruker uthentet tekst, så det er viktig at det klargjorte innholdet er fullstendig og lesbart. Gjør filutvalget, spørsmålet og det ønskede resultatet eksplisitt. Dokumentkapasiteten til Qwen-Long må ikke brukes i stedet for grensene til en annen Qwen-utgave, en direkte forespørsel med ubehandlet tekst eller det endelige svaret.
", "aboutText": "Qwen-Long er Qwens produktlinje for dokumentbehandling: å finne informasjon, sammenligne materiale og besvare spørsmål på tvers av et stort tekstkorpus. Særtrekket er en dokumentert arbeidsflyt med filopplasting og referanser som håndterer opptil 10 millioner tokener. Oppgaven er ikke bare å produsere et lengre chatsvar, men å holde en betydelig samling kildedokumenter tilgjengelig mens du stiller målrettede spørsmål om dem.\n\nSlik fungerer dokumentarbeidsflyten\n\nProdusenten beskriver to trinn. Last først opp de valgte filene, og vent til dokumentparseren er ferdig. Referansene som opprettes, identifiserer de klargjorte dokumentene. Still deretter et spørsmål og inkluder referansene til materialet som skal tas med i vurderingen. Modellen utfører inferens på teksten som er knyttet til disse dokumentene. Dette skiller klargjøringen av dokumentene fra spørsmålet og gjør at du slipper å sende hele filen på nytt i hver samtalerunde.\n\nKlargjør ett dokument når målet er et sammendrag, en forklaring av en del eller uthenting av bestemte vilkår. Navngi delene som er viktige, og be om et resultat med et konkret formål. For eksempel: oppgi en produktspesifikasjon, be om driftsvilkårene den uttrykkelig lister opp, og be om en kort tabell med vilkåret, kildedelen og eventuelle manglende detaljer. Disse feltnavnene er et eksempel på utforming av resultatet, ikke et innebygd fast skjema.\n\nFlere dokumenter og oppfølgingsspørsmål\n\nDen dokumenterte arbeidsflyten godtar flere klargjorte filer i samme forespørsel. Dette støtter sammenligning mellom dokumenter: identifiser en egenskap i hver spesifikasjon, skill felles utsagn fra forskjeller, og samle ubesvarte spørsmål. Én forespørsel kan inneholde opptil 100 filreferanser. Velg filene som er relevante for spørsmålet, i stedet for å anta at en stor kontekst definerer hva som bør sammenlignes.\n\nProdusenten viser også hvordan et nytt dokument kan legges til etter et første svar. Behold det tidligere svaret i samtalen, legg til den nye kilden, og still et oppfølgingsspørsmål, for eksempel om hvordan de to beskrivelsene er forskjellige. Skill i applikasjonen mellom det tidligere svaret og det nye kildegrunnlaget. Et nyttig resultat kan være en sammenligningstabell med separate kolonner for hvert dokument og en forklaring av motsetninger, fremfor et sammenslått sammendrag som mister kilden til hvert utsagn.\n\nDirekte innlegging av ren tekst er en annen dokumentert fremgangsmåte. Mindre materiale kan sendes direkte som tekst i stedet for referanser til opplastede filer. På grunn av grensene for forespørselsstørrelse krever produsentens veiledning at du bruker referanser når dokumentinnhold som er lagt direkte inn, overstiger 1 million tokener. Denne grensen er atskilt fra dokumentkonteksten på 10 millioner tokener: støtte for et stort korpus er ikke et løfte om at én like stor forespørsel med ubehandlet tekst blir godtatt.\n\nFormater, kontekst og utdata\n\nDokumenttjenesten oppgir TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON, samt BMP, PNG, JPG/JPEG og GIF. Opplastede bildefiler er begrenset til 20 MB; andre støttede filer er begrenset til 150 MB. Dette er begrensninger i produsentens arbeidsflyt for klargjøring av dokumenter, ikke en påstand om at språkmodellen resonnerer direkte over alle binærformater uten parsing.\n\nDen publiserte spesifikasjonen oppgir en kontekst og maksimal inndata på 10 000 000 tokener, med opptil 32 768 tokener i utdata. I det dokumenterte samtaleformatet med filreferanser har brukerspørsmålet en egen grense på 9 000 tokener når systemmelding nummer to oppgir dokumentene. Hold spørsmålet kort, og sett av mesteparten av dokumentkonteksten til kildematerialet. Lang inngangskontekst og svarlengde løser ulike problemer: et stort korpus kan fortsatt kreve et kort, stramt strukturert resultat.\n\nProdusentens FAQ dokumenterer strukturerte utdata basert på JSON Schema for Qwen-Long og de daterte versjonene. Dette er nyttig ved gjentatte uthentingsoppgaver som trenger de samme feltene på tvers av en samling. Oppgi den nødvendige informasjonen, typen for hvert felt og hva som skal gjøres når kilden ikke inneholder en verdi. Tjenesten dokumenterer også asynkron satsvis behandling, som er en alternativ innsendingsflyt og ikke en ekstra resonneringsmodus.\n\nEn praktisk dokumentsammenligning\n\nKlargjør de relevante spesifikasjonene og angi rollene deres før du spør: hvilken er den eksisterende beskrivelsen, hvilken er den foreslåtte erstatningen, og hvilke krav er obligatoriske? Be om et resultat med felles vilkår, motstridende utsagn, manglende informasjon og kildeplasseringer. Et senere spørsmål kan be modellen om å gjøre resultatet om til en kort forklaring for en kollega, samtidig som de opprinnelige skillene bevares.\n\nViktige begrensninger ved klargjøring\n\nParsingen må være ferdig før de klargjorte filene brukes; større dokumenter kan kreve mer tid til parsing. Modellens dokumenterte inferens bruker uthentet tekst, så det er viktig at det klargjorte innholdet er fullstendig og lesbart. Gjør filutvalget, spørsmålet og det ønskede resultatet eksplisitt. Dokumentkapasiteten til Qwen-Long må ikke brukes i stedet for grensene til en annen Qwen-utgave, en direkte forespørsel med ubehandlet tekst eller det endelige svaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.qwen-longQwen-Long er utviklet for spørsmål på tvers av store dokumentsamlinger. Produsenten dokumenterer en arbeidsflyt med filopplasting og referanser, opptil 10 millioner tokener med dokumentkontekst, sammenligning mellom filer og strukturerte tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-Long er Qwens produktlinje for dokumentbehandling: å finne informasjon, sammenligne materiale og besvare spørsmål på tvers av et stort tekstkorpus. Særtrekket er en dokumentert arbeidsflyt med filopplasting og referanser som håndterer opptil 10 millioner tokener. Oppgaven er ikke bare å produsere et lengre chatsvar, men å holde en betydelig samling kildedokumenter tilgjengelig mens du stiller målrettede spørsmål om dem.
Slik fungerer dokumentarbeidsflyten
Produsenten beskriver to trinn. Last først opp de valgte filene, og vent til dokumentparseren er ferdig. Referansene som opprettes, identifiserer de klargjorte dokumentene. Still deretter et spørsmål og inkluder referansene til materialet som skal tas med i vurderingen. Modellen utfører inferens på teksten som er knyttet til disse dokumentene. Dette skiller klargjøringen av dokumentene fra spørsmålet og gjør at du slipper å sende hele filen på nytt i hver samtalerunde.
Klargjør ett dokument når målet er et sammendrag, en forklaring av en del eller uthenting av bestemte vilkår. Navngi delene som er viktige, og be om et resultat med et konkret formål. For eksempel: oppgi en produktspesifikasjon, be om driftsvilkårene den uttrykkelig lister opp, og be om en kort tabell med vilkåret, kildedelen og eventuelle manglende detaljer. Disse feltnavnene er et eksempel på utforming av resultatet, ikke et innebygd fast skjema.
Flere dokumenter og oppfølgingsspørsmål
Den dokumenterte arbeidsflyten godtar flere klargjorte filer i samme forespørsel. Dette støtter sammenligning mellom dokumenter: identifiser en egenskap i hver spesifikasjon, skill felles utsagn fra forskjeller, og samle ubesvarte spørsmål. Én forespørsel kan inneholde opptil 100 filreferanser. Velg filene som er relevante for spørsmålet, i stedet for å anta at en stor kontekst definerer hva som bør sammenlignes.
Produsenten viser også hvordan et nytt dokument kan legges til etter et første svar. Behold det tidligere svaret i samtalen, legg til den nye kilden, og still et oppfølgingsspørsmål, for eksempel om hvordan de to beskrivelsene er forskjellige. Skill i applikasjonen mellom det tidligere svaret og det nye kildegrunnlaget. Et nyttig resultat kan være en sammenligningstabell med separate kolonner for hvert dokument og en forklaring av motsetninger, fremfor et sammenslått sammendrag som mister kilden til hvert utsagn.
Direkte innlegging av ren tekst er en annen dokumentert fremgangsmåte. Mindre materiale kan sendes direkte som tekst i stedet for referanser til opplastede filer. På grunn av grensene for forespørselsstørrelse krever produsentens veiledning at du bruker referanser når dokumentinnhold som er lagt direkte inn, overstiger 1 million tokener. Denne grensen er atskilt fra dokumentkonteksten på 10 millioner tokener: støtte for et stort korpus er ikke et løfte om at én like stor forespørsel med ubehandlet tekst blir godtatt.
Formater, kontekst og utdata
Dokumenttjenesten oppgir TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON, samt BMP, PNG, JPG/JPEG og GIF. Opplastede bildefiler er begrenset til 20 MB; andre støttede filer er begrenset til 150 MB. Dette er begrensninger i produsentens arbeidsflyt for klargjøring av dokumenter, ikke en påstand om at språkmodellen resonnerer direkte over alle binærformater uten parsing.
Den publiserte spesifikasjonen oppgir en kontekst og maksimal inndata på 10 000 000 tokener, med opptil 32 768 tokener i utdata. I det dokumenterte samtaleformatet med filreferanser har brukerspørsmålet en egen grense på 9 000 tokener når systemmelding nummer to oppgir dokumentene. Hold spørsmålet kort, og sett av mesteparten av dokumentkonteksten til kildematerialet. Lang inngangskontekst og svarlengde løser ulike problemer: et stort korpus kan fortsatt kreve et kort, stramt strukturert resultat.
Produsentens FAQ dokumenterer strukturerte utdata basert på JSON Schema for Qwen-Long og de daterte versjonene. Dette er nyttig ved gjentatte uthentingsoppgaver som trenger de samme feltene på tvers av en samling. Oppgi den nødvendige informasjonen, typen for hvert felt og hva som skal gjøres når kilden ikke inneholder en verdi. Tjenesten dokumenterer også asynkron satsvis behandling, som er en alternativ innsendingsflyt og ikke en ekstra resonneringsmodus.
En praktisk dokumentsammenligning
Klargjør de relevante spesifikasjonene og angi rollene deres før du spør: hvilken er den eksisterende beskrivelsen, hvilken er den foreslåtte erstatningen, og hvilke krav er obligatoriske? Be om et resultat med felles vilkår, motstridende utsagn, manglende informasjon og kildeplasseringer. Et senere spørsmål kan be modellen om å gjøre resultatet om til en kort forklaring for en kollega, samtidig som de opprinnelige skillene bevares.
Viktige begrensninger ved klargjøring
Parsingen må være ferdig før de klargjorte filene brukes; større dokumenter kan kreve mer tid til parsing. Modellens dokumenterte inferens bruker uthentet tekst, så det er viktig at det klargjorte innholdet er fullstendig og lesbart. Gjør filutvalget, spørsmålet og det ønskede resultatet eksplisitt. Dokumentkapasiteten til Qwen-Long må ikke brukes i stedet for grensene til en annen Qwen-utgave, en direkte forespørsel med ubehandlet tekst eller det endelige svaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-long | 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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
Bruk metodestiene som vises ovenfor.
qwen-longQwen-Long er utviklet for spørsmål på tvers av store dokumentsamlinger. Produsenten dokumenterer en arbeidsflyt med filopplasting og referanser, opptil 10 millioner tokener med dokumentkontekst, sammenligning mellom filer og strukturerte tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-Long er Qwens produktlinje for dokumentbehandling: å finne informasjon, sammenligne materiale og besvare spørsmål på tvers av et stort tekstkorpus. Særtrekket er en dokumentert arbeidsflyt med filopplasting og referanser som håndterer opptil 10 millioner tokener. Oppgaven er ikke bare å produsere et lengre chatsvar, men å holde en betydelig samling kildedokumenter tilgjengelig mens du stiller målrettede spørsmål om dem.
Slik fungerer dokumentarbeidsflyten
Produsenten beskriver to trinn. Last først opp de valgte filene, og vent til dokumentparseren er ferdig. Referansene som opprettes, identifiserer de klargjorte dokumentene. Still deretter et spørsmål og inkluder referansene til materialet som skal tas med i vurderingen. Modellen utfører inferens på teksten som er knyttet til disse dokumentene. Dette skiller klargjøringen av dokumentene fra spørsmålet og gjør at du slipper å sende hele filen på nytt i hver samtalerunde.
Klargjør ett dokument når målet er et sammendrag, en forklaring av en del eller uthenting av bestemte vilkår. Navngi delene som er viktige, og be om et resultat med et konkret formål. For eksempel: oppgi en produktspesifikasjon, be om driftsvilkårene den uttrykkelig lister opp, og be om en kort tabell med vilkåret, kildedelen og eventuelle manglende detaljer. Disse feltnavnene er et eksempel på utforming av resultatet, ikke et innebygd fast skjema.
Flere dokumenter og oppfølgingsspørsmål
Den dokumenterte arbeidsflyten godtar flere klargjorte filer i samme forespørsel. Dette støtter sammenligning mellom dokumenter: identifiser en egenskap i hver spesifikasjon, skill felles utsagn fra forskjeller, og samle ubesvarte spørsmål. Én forespørsel kan inneholde opptil 100 filreferanser. Velg filene som er relevante for spørsmålet, i stedet for å anta at en stor kontekst definerer hva som bør sammenlignes.
Produsenten viser også hvordan et nytt dokument kan legges til etter et første svar. Behold det tidligere svaret i samtalen, legg til den nye kilden, og still et oppfølgingsspørsmål, for eksempel om hvordan de to beskrivelsene er forskjellige. Skill i applikasjonen mellom det tidligere svaret og det nye kildegrunnlaget. Et nyttig resultat kan være en sammenligningstabell med separate kolonner for hvert dokument og en forklaring av motsetninger, fremfor et sammenslått sammendrag som mister kilden til hvert utsagn.
Direkte innlegging av ren tekst er en annen dokumentert fremgangsmåte. Mindre materiale kan sendes direkte som tekst i stedet for referanser til opplastede filer. På grunn av grensene for forespørselsstørrelse krever produsentens veiledning at du bruker referanser når dokumentinnhold som er lagt direkte inn, overstiger 1 million tokener. Denne grensen er atskilt fra dokumentkonteksten på 10 millioner tokener: støtte for et stort korpus er ikke et løfte om at én like stor forespørsel med ubehandlet tekst blir godtatt.
Formater, kontekst og utdata
Dokumenttjenesten oppgir TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV og JSON, samt BMP, PNG, JPG/JPEG og GIF. Opplastede bildefiler er begrenset til 20 MB; andre støttede filer er begrenset til 150 MB. Dette er begrensninger i produsentens arbeidsflyt for klargjøring av dokumenter, ikke en påstand om at språkmodellen resonnerer direkte over alle binærformater uten parsing.
Den publiserte spesifikasjonen oppgir en kontekst og maksimal inndata på 10 000 000 tokener, med opptil 32 768 tokener i utdata. I det dokumenterte samtaleformatet med filreferanser har brukerspørsmålet en egen grense på 9 000 tokener når systemmelding nummer to oppgir dokumentene. Hold spørsmålet kort, og sett av mesteparten av dokumentkonteksten til kildematerialet. Lang inngangskontekst og svarlengde løser ulike problemer: et stort korpus kan fortsatt kreve et kort, stramt strukturert resultat.
Produsentens FAQ dokumenterer strukturerte utdata basert på JSON Schema for Qwen-Long og de daterte versjonene. Dette er nyttig ved gjentatte uthentingsoppgaver som trenger de samme feltene på tvers av en samling. Oppgi den nødvendige informasjonen, typen for hvert felt og hva som skal gjøres når kilden ikke inneholder en verdi. Tjenesten dokumenterer også asynkron satsvis behandling, som er en alternativ innsendingsflyt og ikke en ekstra resonneringsmodus.
En praktisk dokumentsammenligning
Klargjør de relevante spesifikasjonene og angi rollene deres før du spør: hvilken er den eksisterende beskrivelsen, hvilken er den foreslåtte erstatningen, og hvilke krav er obligatoriske? Be om et resultat med felles vilkår, motstridende utsagn, manglende informasjon og kildeplasseringer. Et senere spørsmål kan be modellen om å gjøre resultatet om til en kort forklaring for en kollega, samtidig som de opprinnelige skillene bevares.
Viktige begrensninger ved klargjøring
Parsingen må være ferdig før de klargjorte filene brukes; større dokumenter kan kreve mer tid til parsing. Modellens dokumenterte inferens bruker uthentet tekst, så det er viktig at det klargjorte innholdet er fullstendig og lesbart. Gjør filutvalget, spørsmålet og det ønskede resultatet eksplisitt. Dokumentkapasiteten til Qwen-Long må ikke brukes i stedet for grensene til en annen Qwen-utgave, en direkte forespørsel med ubehandlet tekst eller det endelige svaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-long | 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 $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.