Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-versjon fra Qwen2.5-generasjonen. Den tar imot skriftlige instruksjoner og tekstkontekst og produserer et tekstsvar. Nyttige oppgaver omfatter spørsmål om oppgitte dokumenter, oppsummeringer som knytter flere kilder sammen, forklaringer av en kodebase og ekstrahering til JSON. Behold det daterte modellnavnet sammen med prompten når du sammenligner resultater fra ulike utgaver.
Qwens introduksjon av Qwen2.5-Turbo demonstrerer lesing av lange fortellinger og flere relaterte fagartikler. Hvilke utdata som er nyttige, avhenger av spørsmålet: en oversikt kan forklare forholdet mellom verkene, mens en målrettet sammenligning kan skille tilnærmingene deres og dokumentasjonen som underbygger dem. Oppgi tydelig merket tekst, og be om forskjellene som er viktige for leseren. Et eget oppdrag kan be om hvert dokuments hovedforslag, tekstpassasjen som støtter det, og eventuelle uenigheter mellom dokumentene. Be om svaret på språket målgruppen trenger, og behold koblingen mellom sitater og kilden deres.
Produsenten demonstrerer også lesing av et kodelager satt sammen til en tekstfil, først ved å forklare formålet og deretter ved å finne klasser og filbanene deres. Klargjør kode med grensene mellom filer, navnene og relevante omkringliggende definisjoner intakte. Be om en oversikt over en komponent før du ber om en mer avgrenset forklaring på hvordan delene henger sammen. Forklaringen eller listen over plasseringer som blir resultatet, kan veilede inspeksjon av de opprinnelige filene; kontroller plasseringene mot koden som er oppgitt.
I produsentens dokumenterte tekstflyt fastsetter en system-melding rollen og oppgavereglene, en user-melding gir spørsmålet og materialet, og modellen svarer i rollen assistant. Gjør den tiltenkte leveransen tydelig: en oppsummering, en sammenligningstabell, en kort forklaring eller ekstraherte felter. Skill teksten som skal leses, fra instruksjonen som beskriver hva som skal gjøres med den, i en dokumentoppgave. Ta med terminologi, språket for utdataene og eventuelle regler for å håndtere informasjon kilden ikke gir.
Produsentens Chat Completions-arbeidsflyt er tilstandsløs: videre diskusjon bruker samtalehistorikk som gis sammen med neste spørsmål. Legg til de foregående user- og assistant-meldingene når oppfølgingen avhenger av dem. En første samtalerunde kan fastslå argumentet i et dokument; en andre kan spørre hvilken tekstpassasje som støtter én konklusjon. Hold den nødvendige kildekonteksten tilgjengelig fremfor å anta at et tidligere svar gir modellen permanent hukommelse. Etter hvert som diskusjonen vokser, beholder du nylige samtalerunder og viktige kildefakta eller bruker en gjennomgått oppsummering av tidligere materiale. Å fjerne eller komprimere historikk kan fjerne detaljer som trengs for neste svar.
Alibaba inkluderer uttrykkelig qwen-turbo-2024-11-01 i støtten for JSON Object. I produsentens arbeidsflyt settes svarformatet til json_object, og en system- eller user-instruksjon må inneholde ordet JSON. Angi feltnavn og hvordan manglende informasjon skal behandles. Et ekstraheringsoppdrag kan for eksempel be om en dokumenttittel, den navngitte forfatteren og en underbyggende tekstpassasje, med en uttrykkelig angitt konvensjon for en manglende forfatter.
JSON Object-modus tar sikte på gyldig JSON-syntaks; den håndhever ikke et bestemt skjema, faste feltnavn eller felttyper. Undersøk det returnerte objektet for feltene og verdiene oppgaven krever, før du bruker det videre. Et resultat som avbrytes før det er fullført, kan også være ugyldig JSON. Behold hele objektet og kildeteksten, slik at et formateringsproblem kan skilles fra feil ekstrahering.
Qwens introduksjon identifiserer ustabilitet i krevende oppgaver med lange sekvenser. En stor mengde oppgitt tekst garanterer ikke at alle detaljer hentes frem eller at alle sammenhenger tolkes riktig. Kontroller viktige utsagn, referanser og kodeplasseringer mot originalmaterialet, særlig når konklusjonen kombinerer tekstpassasjer som ligger langt fra hverandre. Behold kilden, den nøyaktige prompten og det valgte svaret som arbeidsresultat. Alibabas versjonskobling skiller denne versjonen fra Qwen-Turbo-2025-04-28, så en sammenligning av utgaver bør beholde begge modellnavnene og den samme oppgaven.
", "aboutText": "Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-versjon fra Qwen2.5-generasjonen. Den tar imot skriftlige instruksjoner og tekstkontekst og produserer et tekstsvar. Nyttige oppgaver omfatter spørsmål om oppgitte dokumenter, oppsummeringer som knytter flere kilder sammen, forklaringer av en kodebase og ekstrahering til JSON. Behold det daterte modellnavnet sammen med prompten når du sammenligner resultater fra ulike utgaver.\n\n### Les sammenhengende materiale med et konkret spørsmål\n\nQwens introduksjon av Qwen2.5-Turbo demonstrerer lesing av lange fortellinger og flere relaterte fagartikler. Hvilke utdata som er nyttige, avhenger av spørsmålet: en oversikt kan forklare forholdet mellom verkene, mens en målrettet sammenligning kan skille tilnærmingene deres og dokumentasjonen som underbygger dem. Oppgi tydelig merket tekst, og be om forskjellene som er viktige for leseren. Et eget oppdrag kan be om hvert dokuments hovedforslag, tekstpassasjen som støtter det, og eventuelle uenigheter mellom dokumentene. Be om svaret på språket målgruppen trenger, og behold koblingen mellom sitater og kilden deres.\n\n### Forstå et kodelager gjennom teksten i det\n\nProdusenten demonstrerer også lesing av et kodelager satt sammen til en tekstfil, først ved å forklare formålet og deretter ved å finne klasser og filbanene deres. Klargjør kode med grensene mellom filer, navnene og relevante omkringliggende definisjoner intakte. Be om en oversikt over en komponent før du ber om en mer avgrenset forklaring på hvordan delene henger sammen. Forklaringen eller listen over plasseringer som blir resultatet, kan veilede inspeksjon av de opprinnelige filene; kontroller plasseringene mot koden som er oppgitt.\n\n### Oppgi instruksjoner og materiale som meldinger\n\nI produsentens dokumenterte tekstflyt fastsetter en system-melding rollen og oppgavereglene, en user-melding gir spørsmålet og materialet, og modellen svarer i rollen assistant. Gjør den tiltenkte leveransen tydelig: en oppsummering, en sammenligningstabell, en kort forklaring eller ekstraherte felter. Skill teksten som skal leses, fra instruksjonen som beskriver hva som skal gjøres med den, i en dokumentoppgave. Ta med terminologi, språket for utdataene og eventuelle regler for å håndtere informasjon kilden ikke gir.\n\n### Fortsett en samtale med relevant historikk\n\nProdusentens Chat Completions-arbeidsflyt er tilstandsløs: videre diskusjon bruker samtalehistorikk som gis sammen med neste spørsmål. Legg til de foregående user- og assistant-meldingene når oppfølgingen avhenger av dem. En første samtalerunde kan fastslå argumentet i et dokument; en andre kan spørre hvilken tekstpassasje som støtter én konklusjon. Hold den nødvendige kildekonteksten tilgjengelig fremfor å anta at et tidligere svar gir modellen permanent hukommelse. Etter hvert som diskusjonen vokser, beholder du nylige samtalerunder og viktige kildefakta eller bruker en gjennomgått oppsummering av tidligere materiale. Å fjerne eller komprimere historikk kan fjerne detaljer som trengs for neste svar.\n\n### Ekstraher informasjon med JSON Object-modus\n\nAlibaba inkluderer uttrykkelig qwen-turbo-2024-11-01 i støtten for JSON Object. I produsentens arbeidsflyt settes svarformatet til json_object, og en system- eller user-instruksjon må inneholde ordet JSON. Angi feltnavn og hvordan manglende informasjon skal behandles. Et ekstraheringsoppdrag kan for eksempel be om en dokumenttittel, den navngitte forfatteren og en underbyggende tekstpassasje, med en uttrykkelig angitt konvensjon for en manglende forfatter.\n\nJSON Object-modus tar sikte på gyldig JSON-syntaks; den håndhever ikke et bestemt skjema, faste feltnavn eller felttyper. Undersøk det returnerte objektet for feltene og verdiene oppgaven krever, før du bruker det videre. Et resultat som avbrytes før det er fullført, kan også være ugyldig JSON. Behold hele objektet og kildeteksten, slik at et formateringsproblem kan skilles fra feil ekstrahering.\n\n### Kontroller svaret mot originalmaterialet\n\nQwens introduksjon identifiserer ustabilitet i krevende oppgaver med lange sekvenser. En stor mengde oppgitt tekst garanterer ikke at alle detaljer hentes frem eller at alle sammenhenger tolkes riktig. Kontroller viktige utsagn, referanser og kodeplasseringer mot originalmaterialet, særlig når konklusjonen kombinerer tekstpassasjer som ligger langt fra hverandre. Behold kilden, den nøyaktige prompten og det valgte svaret som arbeidsresultat. Alibabas versjonskobling skiller denne versjonen fra Qwen-Turbo-2025-04-28, så en sammenligning av utgaver bør beholde begge modellnavnene og den samme oppgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.qwen-turbo-2024-11-01Alibabas Qwen Turbo 2024-11-01 er en fast tekstmodellversjon for å besvare spørsmål om oppgitt materiale, oppsummere tilknyttede dokumenter og lese kildekode. Den støtter også produsentens JSON Object-modus for å ekstrahere informasjon til et resultat som kan parses.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-versjon fra Qwen2.5-generasjonen. Den tar imot skriftlige instruksjoner og tekstkontekst og produserer et tekstsvar. Nyttige oppgaver omfatter spørsmål om oppgitte dokumenter, oppsummeringer som knytter flere kilder sammen, forklaringer av en kodebase og ekstrahering til JSON. Behold det daterte modellnavnet sammen med prompten når du sammenligner resultater fra ulike utgaver.
Qwens introduksjon av Qwen2.5-Turbo demonstrerer lesing av lange fortellinger og flere relaterte fagartikler. Hvilke utdata som er nyttige, avhenger av spørsmålet: en oversikt kan forklare forholdet mellom verkene, mens en målrettet sammenligning kan skille tilnærmingene deres og dokumentasjonen som underbygger dem. Oppgi tydelig merket tekst, og be om forskjellene som er viktige for leseren. Et eget oppdrag kan be om hvert dokuments hovedforslag, tekstpassasjen som støtter det, og eventuelle uenigheter mellom dokumentene. Be om svaret på språket målgruppen trenger, og behold koblingen mellom sitater og kilden deres.
Produsenten demonstrerer også lesing av et kodelager satt sammen til en tekstfil, først ved å forklare formålet og deretter ved å finne klasser og filbanene deres. Klargjør kode med grensene mellom filer, navnene og relevante omkringliggende definisjoner intakte. Be om en oversikt over en komponent før du ber om en mer avgrenset forklaring på hvordan delene henger sammen. Forklaringen eller listen over plasseringer som blir resultatet, kan veilede inspeksjon av de opprinnelige filene; kontroller plasseringene mot koden som er oppgitt.
I produsentens dokumenterte tekstflyt fastsetter en system-melding rollen og oppgavereglene, en user-melding gir spørsmålet og materialet, og modellen svarer i rollen assistant. Gjør den tiltenkte leveransen tydelig: en oppsummering, en sammenligningstabell, en kort forklaring eller ekstraherte felter. Skill teksten som skal leses, fra instruksjonen som beskriver hva som skal gjøres med den, i en dokumentoppgave. Ta med terminologi, språket for utdataene og eventuelle regler for å håndtere informasjon kilden ikke gir.
Produsentens Chat Completions-arbeidsflyt er tilstandsløs: videre diskusjon bruker samtalehistorikk som gis sammen med neste spørsmål. Legg til de foregående user- og assistant-meldingene når oppfølgingen avhenger av dem. En første samtalerunde kan fastslå argumentet i et dokument; en andre kan spørre hvilken tekstpassasje som støtter én konklusjon. Hold den nødvendige kildekonteksten tilgjengelig fremfor å anta at et tidligere svar gir modellen permanent hukommelse. Etter hvert som diskusjonen vokser, beholder du nylige samtalerunder og viktige kildefakta eller bruker en gjennomgått oppsummering av tidligere materiale. Å fjerne eller komprimere historikk kan fjerne detaljer som trengs for neste svar.
Alibaba inkluderer uttrykkelig qwen-turbo-2024-11-01 i støtten for JSON Object. I produsentens arbeidsflyt settes svarformatet til json_object, og en system- eller user-instruksjon må inneholde ordet JSON. Angi feltnavn og hvordan manglende informasjon skal behandles. Et ekstraheringsoppdrag kan for eksempel be om en dokumenttittel, den navngitte forfatteren og en underbyggende tekstpassasje, med en uttrykkelig angitt konvensjon for en manglende forfatter.
JSON Object-modus tar sikte på gyldig JSON-syntaks; den håndhever ikke et bestemt skjema, faste feltnavn eller felttyper. Undersøk det returnerte objektet for feltene og verdiene oppgaven krever, før du bruker det videre. Et resultat som avbrytes før det er fullført, kan også være ugyldig JSON. Behold hele objektet og kildeteksten, slik at et formateringsproblem kan skilles fra feil ekstrahering.
Qwens introduksjon identifiserer ustabilitet i krevende oppgaver med lange sekvenser. En stor mengde oppgitt tekst garanterer ikke at alle detaljer hentes frem eller at alle sammenhenger tolkes riktig. Kontroller viktige utsagn, referanser og kodeplasseringer mot originalmaterialet, særlig når konklusjonen kombinerer tekstpassasjer som ligger langt fra hverandre. Behold kilden, den nøyaktige prompten og det valgte svaret som arbeidsresultat. Alibabas versjonskobling skiller denne versjonen fra Qwen-Turbo-2025-04-28, så en sammenligning av utgaver bør beholde begge modellnavnene og den samme oppgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00018 / 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-turbo-2024-11-01", "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-turbo-2024-11-01',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-turbo-2024-11-01',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-turbo-2024-11-01
Bruk metodestiene som vises ovenfor.
qwen-turbo-2024-11-01Alibabas Qwen Turbo 2024-11-01 er en fast tekstmodellversjon for å besvare spørsmål om oppgitt materiale, oppsummere tilknyttede dokumenter og lese kildekode. Den støtter også produsentens JSON Object-modus for å ekstrahere informasjon til et resultat som kan parses.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen Turbo 2024-11-01 er Alibabas faste Qwen-Turbo-versjon fra Qwen2.5-generasjonen. Den tar imot skriftlige instruksjoner og tekstkontekst og produserer et tekstsvar. Nyttige oppgaver omfatter spørsmål om oppgitte dokumenter, oppsummeringer som knytter flere kilder sammen, forklaringer av en kodebase og ekstrahering til JSON. Behold det daterte modellnavnet sammen med prompten når du sammenligner resultater fra ulike utgaver.
Qwens introduksjon av Qwen2.5-Turbo demonstrerer lesing av lange fortellinger og flere relaterte fagartikler. Hvilke utdata som er nyttige, avhenger av spørsmålet: en oversikt kan forklare forholdet mellom verkene, mens en målrettet sammenligning kan skille tilnærmingene deres og dokumentasjonen som underbygger dem. Oppgi tydelig merket tekst, og be om forskjellene som er viktige for leseren. Et eget oppdrag kan be om hvert dokuments hovedforslag, tekstpassasjen som støtter det, og eventuelle uenigheter mellom dokumentene. Be om svaret på språket målgruppen trenger, og behold koblingen mellom sitater og kilden deres.
Produsenten demonstrerer også lesing av et kodelager satt sammen til en tekstfil, først ved å forklare formålet og deretter ved å finne klasser og filbanene deres. Klargjør kode med grensene mellom filer, navnene og relevante omkringliggende definisjoner intakte. Be om en oversikt over en komponent før du ber om en mer avgrenset forklaring på hvordan delene henger sammen. Forklaringen eller listen over plasseringer som blir resultatet, kan veilede inspeksjon av de opprinnelige filene; kontroller plasseringene mot koden som er oppgitt.
I produsentens dokumenterte tekstflyt fastsetter en system-melding rollen og oppgavereglene, en user-melding gir spørsmålet og materialet, og modellen svarer i rollen assistant. Gjør den tiltenkte leveransen tydelig: en oppsummering, en sammenligningstabell, en kort forklaring eller ekstraherte felter. Skill teksten som skal leses, fra instruksjonen som beskriver hva som skal gjøres med den, i en dokumentoppgave. Ta med terminologi, språket for utdataene og eventuelle regler for å håndtere informasjon kilden ikke gir.
Produsentens Chat Completions-arbeidsflyt er tilstandsløs: videre diskusjon bruker samtalehistorikk som gis sammen med neste spørsmål. Legg til de foregående user- og assistant-meldingene når oppfølgingen avhenger av dem. En første samtalerunde kan fastslå argumentet i et dokument; en andre kan spørre hvilken tekstpassasje som støtter én konklusjon. Hold den nødvendige kildekonteksten tilgjengelig fremfor å anta at et tidligere svar gir modellen permanent hukommelse. Etter hvert som diskusjonen vokser, beholder du nylige samtalerunder og viktige kildefakta eller bruker en gjennomgått oppsummering av tidligere materiale. Å fjerne eller komprimere historikk kan fjerne detaljer som trengs for neste svar.
Alibaba inkluderer uttrykkelig qwen-turbo-2024-11-01 i støtten for JSON Object. I produsentens arbeidsflyt settes svarformatet til json_object, og en system- eller user-instruksjon må inneholde ordet JSON. Angi feltnavn og hvordan manglende informasjon skal behandles. Et ekstraheringsoppdrag kan for eksempel be om en dokumenttittel, den navngitte forfatteren og en underbyggende tekstpassasje, med en uttrykkelig angitt konvensjon for en manglende forfatter.
JSON Object-modus tar sikte på gyldig JSON-syntaks; den håndhever ikke et bestemt skjema, faste feltnavn eller felttyper. Undersøk det returnerte objektet for feltene og verdiene oppgaven krever, før du bruker det videre. Et resultat som avbrytes før det er fullført, kan også være ugyldig JSON. Behold hele objektet og kildeteksten, slik at et formateringsproblem kan skilles fra feil ekstrahering.
Qwens introduksjon identifiserer ustabilitet i krevende oppgaver med lange sekvenser. En stor mengde oppgitt tekst garanterer ikke at alle detaljer hentes frem eller at alle sammenhenger tolkes riktig. Kontroller viktige utsagn, referanser og kodeplasseringer mot originalmaterialet, særlig når konklusjonen kombinerer tekstpassasjer som ligger langt fra hverandre. Behold kilden, den nøyaktige prompten og det valgte svaret som arbeidsresultat. Alibabas versjonskobling skiller denne versjonen fra Qwen-Turbo-2025-04-28, så en sammenligning av utgaver bør beholde begge modellnavnene og den samme oppgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-turbo-2024-11-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-turbo-2024-11-01', '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-turbo-2024-11-01', '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-turbo-2024-11-01
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.