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.
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.
Produsentens dokumenterte grensesnitt omfatter også funksjonskall, strukturerte utdata, videreføring fra et svarprefiks, kontekstbufring og satsvis inferens. Funksjonskall og nettsøk er ikke tilgjengelige på samme måte i alle produsentkonfigurasjoner. Bruk bare innstillingene som er dokumentert for det valgte grensesnittet. I en applikasjon med verktøystøtte stiller applikasjonen verktøyene til rådighet, utfører de valgte handlingene og returnerer resultatene. Bufring og satsvis behandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.
Forberedelse av forespørselen
Hold kildematerialet, samtalen og det forespurte svaret innenfor rammene til det valgte grensesnittet. Sett av plass til svaret, og velg mellom et kortfattet svar og et langt dokument.
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-serie, ikke en utgave for visuell generering eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittfunksjon på dette modellkortet. Virkemåten med verktøystøtte avhenger av det tilkoblede grensesnittet. Disse forskjellene gjør det lettere å velge riktig utgave og forberede inndata som passer til 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\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\nProdusentens dokumenterte grensesnitt omfatter også funksjonskall, strukturerte utdata, videreføring fra et svarprefiks, kontekstbufring og satsvis inferens. Funksjonskall og nettsøk er ikke tilgjengelige på samme måte i alle produsentkonfigurasjoner. Bruk bare innstillingene som er dokumentert for det valgte grensesnittet. I en applikasjon med verktøystøtte stiller applikasjonen verktøyene til rådighet, utfører de valgte handlingene og returnerer resultatene. Bufring og satsvis behandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.\n\nForberedelse av forespørselen\n\nHold kildematerialet, samtalen og det forespurte svaret innenfor rammene til det valgte grensesnittet. Sett av plass til svaret, og velg mellom et kortfattet svar og et langt dokument.\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-serie, ikke en utgave for visuell generering eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittfunksjon på dette modellkortet. Virkemåten med verktøystøtte avhenger av det tilkoblede grensesnittet. Disse forskjellene gjør det lettere å velge riktig utgave og forberede inndata som passer til resultatet du faktisk trenger.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Write two explanations for different readers\n\nUse these facts to write two versions of a product note: the desk lamp has three brightness settings, uses a replaceable cable and turns off automatically after 30 minutes when its timer is enabled. Version A is for a shop assistant; Version B is for a first-time buyer. Keep each under 55 words and preserve the timer condition.Two labelled audience-specific notes with the same product facts and distinct practical emphasis.Neither version claims that automatic shutoff occurs when the timer is disabled or omits the 30-minute condition.qwen-maxQwen-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.
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.
Produsentens dokumenterte grensesnitt omfatter også funksjonskall, strukturerte utdata, videreføring fra et svarprefiks, kontekstbufring og satsvis inferens. Funksjonskall og nettsøk er ikke tilgjengelige på samme måte i alle produsentkonfigurasjoner. Bruk bare innstillingene som er dokumentert for det valgte grensesnittet. I en applikasjon med verktøystøtte stiller applikasjonen verktøyene til rådighet, utfører de valgte handlingene og returnerer resultatene. Bufring og satsvis behandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.
Forberedelse av forespørselen
Hold kildematerialet, samtalen og det forespurte svaret innenfor rammene til det valgte grensesnittet. Sett av plass til svaret, og velg mellom et kortfattet svar og et langt dokument.
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-serie, ikke en utgave for visuell generering eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittfunksjon på dette modellkortet. Virkemåten med verktøystøtte avhenger av det tilkoblede grensesnittet. Disse forskjellene gjør det lettere å velge riktig utgave og forberede inndata som passer til resultatet du faktisk trenger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-max | 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 $0.000686 / 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", "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-max',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-max',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-max
Bruk metodestiene som vises ovenfor.
qwen-maxQwen-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.
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.
Produsentens dokumenterte grensesnitt omfatter også funksjonskall, strukturerte utdata, videreføring fra et svarprefiks, kontekstbufring og satsvis inferens. Funksjonskall og nettsøk er ikke tilgjengelige på samme måte i alle produsentkonfigurasjoner. Bruk bare innstillingene som er dokumentert for det valgte grensesnittet. I en applikasjon med verktøystøtte stiller applikasjonen verktøyene til rådighet, utfører de valgte handlingene og returnerer resultatene. Bufring og satsvis behandling gjelder hvordan arbeid sendes inn og gjenbrukes, ikke en ny innholdsmodalitet.
Forberedelse av forespørselen
Hold kildematerialet, samtalen og det forespurte svaret innenfor rammene til det valgte grensesnittet. Sett av plass til svaret, og velg mellom et kortfattet svar og et langt dokument.
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-serie, ikke en utgave for visuell generering eller talegenerering. Produsenten oppgir ikke finjustering som en støttet grensesnittfunksjon på dette modellkortet. Virkemåten med verktøystøtte avhenger av det tilkoblede grensesnittet. Disse forskjellene gjør det lettere å velge riktig utgave og forberede inndata som passer til resultatet du faktisk trenger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-max | 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 $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Write two explanations for different readers\n\nUse these facts to write two versions of a product note: the desk lamp has three brightness settings, uses a replaceable cable and turns off automatically after 30 minutes when its timer is enabled. Version A is for a shop assistant; Version B is for a first-time buyer. Keep each under 55 words and preserve the timer condition.Two labelled audience-specific notes with the same product facts and distinct practical emphasis.Neither version claims that automatic shutoff occurs when the timer is disabled or omits the 30-minute condition.