Qwen-Max er en storskala tekstmodell i Qwen-familien for oppgaver som kombinerer språkforståelse, logisk resonnering og et omfattende skriftlig resultat. Produsenten fremhever koding på kinesisk og engelsk, flerspråklig arbeid, kreativ skriving og rollebasert samtale. Modellen er utformet for å produsere tydeligere og mer detaljerte svar samtidig som den følger den forespurte svarstilen.
Modellnavnet oppdateres løpende. Produsenten beskriver for tiden qwen-max som funksjonelt tilsvarende øyeblikksbildet qwen-max-2025-01-25. Det løpende navnet og det daterte øyeblikksbildet har ulike formål: det ene følger linjen mens den utvikler seg, mens det andre identifiserer en bestemt utgave. Bevar skillet når du sammenligner gjentatte oppgaver eller opprettholder en konsistent assistentkonfigurasjon.
Modellevner
Qwen-Max tar imot tekst og produserer tekst. Den kan arbeide med en samtale, kildepassasjer, et programvarekrav eller en eksisterende kodebit. Bruk den når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sett med uttrukne felter. En skannet side eller et skjermbilde trenger et separat trinn som gjør den nødvendige informasjonen tilgjengelig som tekst; denne modellens dokumenterte input er ikke et bilde.
Produsenten fremhever særlig etterlevelse av JSON-formatering. En praktisk uthentingsoppgave kan angi felter som tema, betingelsene som eksplisitt nevnes i kilden, og et uavklart spørsmål. Oppgi kildepassasjen og de tiltenkte feltnavnene, og angi hvordan manglende informasjon skal representeres. Dette gjør et samtalesvar om til data en applikasjon kan inspisere og behandle. En forespørsel om JSON og en forespørsel om en forklaring i løpende tekst er ulike outputkrav og bør angis separat.
De dokumenterte grensesnittene omfatter også funksjonskall, strukturert output, videreføring av et svarprefiks, kontekstbufring og gruppeinferens. Funksjonskall og nettsøk tilbys ikke identisk i alle produsentkonfigurasjoner. Behandle dem som muligheter i det omkringliggende grensesnittet: applikasjonen leverer verktøyene, utfører valgte handlinger og returnerer resultatene. Bufring og gruppebehandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.
Kontekstgrenser
Den publiserte spesifikasjonen oppgir et kontekstvindu på 32,768 tokener, maksimal input på 30,720 tokener og maksimal output på 8,192 tokener. Hold kildematerialet, samtalen og det forespurte svaret innenfor gjeldende grenser. Outputgrensen er nyttig for å velge mellom et kort svar og et langt dokument; den bør ikke tolkes som en garanti for at hvert svar vil bruke den lengden.
For en dokumentoppgave plasserer du de vesentlige kildedelene før valgfrie eksempler og angir hva sluttleveransen må inneholde. Oppgi for eksempel en produktbeskrivelse og en kundes spørsmål, og be så om et svar som bevarer de oppgitte betingelsene, bruker kundens språk og skiller ubesvarte spørsmål fra bekreftet informasjon. Resultatet kan være et kundevendt svar sammen med en liten JSON-post for applikasjonens neste trinn.
For koding oppgir du funksjonens formål, akseptert input, forventet output og den eksisterende kodebiten som må forbli kompatibel. Be om implementeringen, en forklaring på beslutningene og eksempler som dekker vanlig input og et grensetilfelle. Dette bruker modellens dokumenterte fokus på koding og resonnering uten å forutsette tilgang til et kodelager, en kompilator eller en kjørende applikasjon.
For kreativ skriving eller rollebasert dialog definerer du målgruppe, tone og fakta som må overleve revisjonen. En rolle kan organisere samtalen, mens kildematerialet bestemmer hva modellen skal si. Be om alternative innledninger eller forklaringer for ulike lesere fremfor en uspesifisert omskriving; hver variant får da et observerbart formål.
Vesentlige grenser
Qwen-Max er en tekst-til-tekst-linje, ikke en utgave for bilde- eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittevne på dette kortet. Verktøyaktivert oppførsel avhenger av det tilknyttede grensesnittet, og det løpende navnet låser ikke et permanent øyeblikksbilde. Disse forskjellene hjelper med å velge riktig utgave og forberede input som samsvarer med resultatet du faktisk trenger.
", "aboutText": "Qwen-Max er en storskala tekstmodell i Qwen-familien for oppgaver som kombinerer språkforståelse, logisk resonnering og et omfattende skriftlig resultat. Produsenten fremhever koding på kinesisk og engelsk, flerspråklig arbeid, kreativ skriving og rollebasert samtale. Modellen er utformet for å produsere tydeligere og mer detaljerte svar samtidig som den følger den forespurte svarstilen.\n\nModellnavnet oppdateres løpende. Produsenten beskriver for tiden qwen-max som funksjonelt tilsvarende øyeblikksbildet qwen-max-2025-01-25. Det løpende navnet og det daterte øyeblikksbildet har ulike formål: det ene følger linjen mens den utvikler seg, mens det andre identifiserer en bestemt utgave. Bevar skillet når du sammenligner gjentatte oppgaver eller opprettholder en konsistent assistentkonfigurasjon.\n\nModellevner\n\nQwen-Max tar imot tekst og produserer tekst. Den kan arbeide med en samtale, kildepassasjer, et programvarekrav eller en eksisterende kodebit. Bruk den når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sett med uttrukne felter. En skannet side eller et skjermbilde trenger et separat trinn som gjør den nødvendige informasjonen tilgjengelig som tekst; denne modellens dokumenterte input er ikke et bilde.\n\nProdusenten fremhever særlig etterlevelse av JSON-formatering. En praktisk uthentingsoppgave kan angi felter som tema, betingelsene som eksplisitt nevnes i kilden, og et uavklart spørsmål. Oppgi kildepassasjen og de tiltenkte feltnavnene, og angi hvordan manglende informasjon skal representeres. Dette gjør et samtalesvar om til data en applikasjon kan inspisere og behandle. En forespørsel om JSON og en forespørsel om en forklaring i løpende tekst er ulike outputkrav og bør angis separat.\n\nDe dokumenterte grensesnittene omfatter også funksjonskall, strukturert output, videreføring av et svarprefiks, kontekstbufring og gruppeinferens. Funksjonskall og nettsøk tilbys ikke identisk i alle produsentkonfigurasjoner. Behandle dem som muligheter i det omkringliggende grensesnittet: applikasjonen leverer verktøyene, utfører valgte handlinger og returnerer resultatene. Bufring og gruppebehandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.\n\nKontekstgrenser\n\nDen publiserte spesifikasjonen oppgir et kontekstvindu på 32,768 tokener, maksimal input på 30,720 tokener og maksimal output på 8,192 tokener. Hold kildematerialet, samtalen og det forespurte svaret innenfor gjeldende grenser. Outputgrensen er nyttig for å velge mellom et kort svar og et langt dokument; den bør ikke tolkes som en garanti for at hvert svar vil bruke den lengden.\n\nFor en dokumentoppgave plasserer du de vesentlige kildedelene før valgfrie eksempler og angir hva sluttleveransen må inneholde. Oppgi for eksempel en produktbeskrivelse og en kundes spørsmål, og be så om et svar som bevarer de oppgitte betingelsene, bruker kundens språk og skiller ubesvarte spørsmål fra bekreftet informasjon. Resultatet kan være et kundevendt svar sammen med en liten JSON-post for applikasjonens neste trinn.\n\nFor koding oppgir du funksjonens formål, akseptert input, forventet output og den eksisterende kodebiten som må forbli kompatibel. Be om implementeringen, en forklaring på beslutningene og eksempler som dekker vanlig input og et grensetilfelle. Dette bruker modellens dokumenterte fokus på koding og resonnering uten å forutsette tilgang til et kodelager, en kompilator eller en kjørende applikasjon.\n\nFor kreativ skriving eller rollebasert dialog definerer du målgruppe, tone og fakta som må overleve revisjonen. En rolle kan organisere samtalen, mens kildematerialet bestemmer hva modellen skal si. Be om alternative innledninger eller forklaringer for ulike lesere fremfor en uspesifisert omskriving; hver variant får da et observerbart formål.\n\nVesentlige grenser\n\nQwen-Max er en tekst-til-tekst-linje, ikke en utgave for bilde- eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittevne på dette kortet. Verktøyaktivert oppførsel avhenger av det tilknyttede grensesnittet, og det løpende navnet låser ikke et permanent øyeblikksbilde. Disse forskjellene hjelper med å velge riktig utgave og forberede input som samsvarer med resultatet du faktisk trenger.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b7c96af47943c520d4a86f10a3951b96bf59d6ef3e9738ed6d1e3b720387cdb5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "qwen-max-latestQwen-Max er en tekstmodell for flerspråklig samtale, logisk resonnering, koding og innholdsproduksjon. Den kombinerer detaljert instruksjonsfølging med JSON-orientert output og kontroll over svarstilen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-Max er en storskala tekstmodell i Qwen-familien for oppgaver som kombinerer språkforståelse, logisk resonnering og et omfattende skriftlig resultat. Produsenten fremhever koding på kinesisk og engelsk, flerspråklig arbeid, kreativ skriving og rollebasert samtale. Modellen er utformet for å produsere tydeligere og mer detaljerte svar samtidig som den følger den forespurte svarstilen.
Modellnavnet oppdateres løpende. Produsenten beskriver for tiden qwen-max som funksjonelt tilsvarende øyeblikksbildet qwen-max-2025-01-25. Det løpende navnet og det daterte øyeblikksbildet har ulike formål: det ene følger linjen mens den utvikler seg, mens det andre identifiserer en bestemt utgave. Bevar skillet når du sammenligner gjentatte oppgaver eller opprettholder en konsistent assistentkonfigurasjon.
Modellevner
Qwen-Max tar imot tekst og produserer tekst. Den kan arbeide med en samtale, kildepassasjer, et programvarekrav eller en eksisterende kodebit. Bruk den når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sett med uttrukne felter. En skannet side eller et skjermbilde trenger et separat trinn som gjør den nødvendige informasjonen tilgjengelig som tekst; denne modellens dokumenterte input er ikke et bilde.
Produsenten fremhever særlig etterlevelse av JSON-formatering. En praktisk uthentingsoppgave kan angi felter som tema, betingelsene som eksplisitt nevnes i kilden, og et uavklart spørsmål. Oppgi kildepassasjen og de tiltenkte feltnavnene, og angi hvordan manglende informasjon skal representeres. Dette gjør et samtalesvar om til data en applikasjon kan inspisere og behandle. En forespørsel om JSON og en forespørsel om en forklaring i løpende tekst er ulike outputkrav og bør angis separat.
De dokumenterte grensesnittene omfatter også funksjonskall, strukturert output, videreføring av et svarprefiks, kontekstbufring og gruppeinferens. Funksjonskall og nettsøk tilbys ikke identisk i alle produsentkonfigurasjoner. Behandle dem som muligheter i det omkringliggende grensesnittet: applikasjonen leverer verktøyene, utfører valgte handlinger og returnerer resultatene. Bufring og gruppebehandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.
Kontekstgrenser
Den publiserte spesifikasjonen oppgir et kontekstvindu på 32,768 tokener, maksimal input på 30,720 tokener og maksimal output på 8,192 tokener. Hold kildematerialet, samtalen og det forespurte svaret innenfor gjeldende grenser. Outputgrensen er nyttig for å velge mellom et kort svar og et langt dokument; den bør ikke tolkes som en garanti for at hvert svar vil bruke den lengden.
For en dokumentoppgave plasserer du de vesentlige kildedelene før valgfrie eksempler og angir hva sluttleveransen må inneholde. Oppgi for eksempel en produktbeskrivelse og en kundes spørsmål, og be så om et svar som bevarer de oppgitte betingelsene, bruker kundens språk og skiller ubesvarte spørsmål fra bekreftet informasjon. Resultatet kan være et kundevendt svar sammen med en liten JSON-post for applikasjonens neste trinn.
For koding oppgir du funksjonens formål, akseptert input, forventet output og den eksisterende kodebiten som må forbli kompatibel. Be om implementeringen, en forklaring på beslutningene og eksempler som dekker vanlig input og et grensetilfelle. Dette bruker modellens dokumenterte fokus på koding og resonnering uten å forutsette tilgang til et kodelager, en kompilator eller en kjørende applikasjon.
For kreativ skriving eller rollebasert dialog definerer du målgruppe, tone og fakta som må overleve revisjonen. En rolle kan organisere samtalen, mens kildematerialet bestemmer hva modellen skal si. Be om alternative innledninger eller forklaringer for ulike lesere fremfor en uspesifisert omskriving; hver variant får da et observerbart formål.
Vesentlige grenser
Qwen-Max er en tekst-til-tekst-linje, ikke en utgave for bilde- eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittevne på dette kortet. Verktøyaktivert oppførsel avhenger av det tilknyttede grensesnittet, og det løpende navnet låser ikke et permanent øyeblikksbilde. Disse forskjellene hjelper med å velge riktig utgave og forberede input som samsvarer med resultatet du faktisk trenger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-max-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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 $0.000686 / 1K tokener Utdata · Utgående tokener $0.002744 / 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-max-latest","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-max-latest", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-max-latest
/chat/completions
qwen-max-latestQwen-Max er en tekstmodell for flerspråklig samtale, logisk resonnering, koding og innholdsproduksjon. Den kombinerer detaljert instruksjonsfølging med JSON-orientert output og kontroll over svarstilen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-Max er en storskala tekstmodell i Qwen-familien for oppgaver som kombinerer språkforståelse, logisk resonnering og et omfattende skriftlig resultat. Produsenten fremhever koding på kinesisk og engelsk, flerspråklig arbeid, kreativ skriving og rollebasert samtale. Modellen er utformet for å produsere tydeligere og mer detaljerte svar samtidig som den følger den forespurte svarstilen.
Modellnavnet oppdateres løpende. Produsenten beskriver for tiden qwen-max som funksjonelt tilsvarende øyeblikksbildet qwen-max-2025-01-25. Det løpende navnet og det daterte øyeblikksbildet har ulike formål: det ene følger linjen mens den utvikler seg, mens det andre identifiserer en bestemt utgave. Bevar skillet når du sammenligner gjentatte oppgaver eller opprettholder en konsistent assistentkonfigurasjon.
Modellevner
Qwen-Max tar imot tekst og produserer tekst. Den kan arbeide med en samtale, kildepassasjer, et programvarekrav eller en eksisterende kodebit. Bruk den når resultatet skal være en forklaring, et omskrevet dokument, en implementering eller et sett med uttrukne felter. En skannet side eller et skjermbilde trenger et separat trinn som gjør den nødvendige informasjonen tilgjengelig som tekst; denne modellens dokumenterte input er ikke et bilde.
Produsenten fremhever særlig etterlevelse av JSON-formatering. En praktisk uthentingsoppgave kan angi felter som tema, betingelsene som eksplisitt nevnes i kilden, og et uavklart spørsmål. Oppgi kildepassasjen og de tiltenkte feltnavnene, og angi hvordan manglende informasjon skal representeres. Dette gjør et samtalesvar om til data en applikasjon kan inspisere og behandle. En forespørsel om JSON og en forespørsel om en forklaring i løpende tekst er ulike outputkrav og bør angis separat.
De dokumenterte grensesnittene omfatter også funksjonskall, strukturert output, videreføring av et svarprefiks, kontekstbufring og gruppeinferens. Funksjonskall og nettsøk tilbys ikke identisk i alle produsentkonfigurasjoner. Behandle dem som muligheter i det omkringliggende grensesnittet: applikasjonen leverer verktøyene, utfører valgte handlinger og returnerer resultatene. Bufring og gruppebehandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.
Kontekstgrenser
Den publiserte spesifikasjonen oppgir et kontekstvindu på 32,768 tokener, maksimal input på 30,720 tokener og maksimal output på 8,192 tokener. Hold kildematerialet, samtalen og det forespurte svaret innenfor gjeldende grenser. Outputgrensen er nyttig for å velge mellom et kort svar og et langt dokument; den bør ikke tolkes som en garanti for at hvert svar vil bruke den lengden.
For en dokumentoppgave plasserer du de vesentlige kildedelene før valgfrie eksempler og angir hva sluttleveransen må inneholde. Oppgi for eksempel en produktbeskrivelse og en kundes spørsmål, og be så om et svar som bevarer de oppgitte betingelsene, bruker kundens språk og skiller ubesvarte spørsmål fra bekreftet informasjon. Resultatet kan være et kundevendt svar sammen med en liten JSON-post for applikasjonens neste trinn.
For koding oppgir du funksjonens formål, akseptert input, forventet output og den eksisterende kodebiten som må forbli kompatibel. Be om implementeringen, en forklaring på beslutningene og eksempler som dekker vanlig input og et grensetilfelle. Dette bruker modellens dokumenterte fokus på koding og resonnering uten å forutsette tilgang til et kodelager, en kompilator eller en kjørende applikasjon.
For kreativ skriving eller rollebasert dialog definerer du målgruppe, tone og fakta som må overleve revisjonen. En rolle kan organisere samtalen, mens kildematerialet bestemmer hva modellen skal si. Be om alternative innledninger eller forklaringer for ulike lesere fremfor en uspesifisert omskriving; hver variant får da et observerbart formål.
Vesentlige grenser
Qwen-Max er en tekst-til-tekst-linje, ikke en utgave for bilde- eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittevne på dette kortet. Verktøyaktivert oppførsel avhenger av det tilknyttede grensesnittet, og det løpende navnet låser ikke et permanent øyeblikksbilde. Disse forskjellene hjelper med å velge riktig utgave og forberede input som samsvarer med resultatet du faktisk trenger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-max-latest | 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 $0.000686 / 1K tokener Utdata · Utgående tokener $0.002744 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-max-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-max-latest', '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-max-latest', '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-max-latest
/chat/completions