De Qwen3.7 Flash-release
Qwen3.7 Flash is een native vision-language-modelfamilie voor het begrijpen van tekst, afbeeldingen en video, met tekstuele antwoorden. De releasebeschrijving van de ontwikkelaar vermeldt een betere multimodale waarneming en agentuitvoering dan bij Qwen3.6 Flash. De praktische taken omvatten objectherkenning, begrip van een visuele scène, redeneren over ruimtelijke relaties en het voorbereiden van code of uitleg op basis van visueel materiaal.
De officiële release vermeldt zowel qwen3.7-flash als het gedateerde qwen3.7-flash-2026-07-15. Bewaar de exacte modelnaam wanneer u een resultaat vastlegt: de ongedateerde Flash-naam identificeert geen vaste snapshot van de fabrikant. De hier gebruikte releasebeschrijving stelt geen parameteraantal of numerieke representatie voor een open checkpoint vast.
Objectherkenning, waarneming van de echte wereld en ruimte
Geef een afbeelding van een scène met een concrete vraag: welk object is van belang, welke relatie moet worden onderzocht en welke zichtbare details moeten het antwoord onderbouwen? Behoud bij een diagram de labels en geef de definities die nodig zijn om ze te interpreteren. Een nuttige uitvoer scheidt waarnemingen van afgeleide relaties, zodat de uitleg gemakkelijker met de bron kan worden vergeleken.
Geef meerdere afbeeldingen elk een label en vraag om een vergelijking die volgens die labels is geordend. Benoem bij video de relevante gebeurtenis en behoud de informatie over de volgorde of timing. Controleer exacte aantallen, ruimtelijke metingen en waarnemingen per frame aan de hand van het aangeleverde materiaal.
Multimodale agents
De release benadrukt scenario's voor Search Agent en agents met een code-interpreter, met stabielere uitvoering over meerdere stappen. In zo'n workflow levert de toepassing de toegestane tools aan, voert hun acties uit en geeft hun waarnemingen terug. Het model kan die resultaten gebruiken om zijn plan bij te werken. Beschrijf het doel en de voltooiingsvoorwaarde en vraag om een definitief artefact plus eventueel ontbrekend bewijs. De producent vermeldt function calling, gestructureerde uitvoer, prefix completion en contextcaching. Zoeken op het web wordt ondersteund in Beijing en Singapore, maar niet in de andere vermelde regio's. Batch-inferentie wordt ondersteund voor de Beijing-alias en elders niet; fine-tuning wordt niet ondersteund.
De agentspecialisatie van een model mag niet worden verward met ingebouwde toegang tot actuele bronnen of een uitvoeringsomgeving in elke interface. Wanneer een taak ophalen van informatie of code-uitvoering vereist, onderscheid dan het resultaat dat een echte tool heeft teruggegeven van een voorgestelde actie in de modeltekst. Deze beschrijving legt niet vast welke tools een andere toepassing beschikbaar stelt.
Visueel programmeren
Qwen beschrijft verbeterd programmeren op basis van visueel materiaal. Een nuttige aanvraag kan een screenshot of lay-out combineren met functionele vereisten en om bewerkbare code vragen. Vermeld in de taak het framework of uitvoerformaat, de interactietoestanden en de beperkingen. Vraag het gegenereerde artefact afzonderlijk van de uitleg, zodat de ontwikkelworkflow het kan nakijken of renderen.
Duid bij een bestaande interface de beoogde wijziging en de relevante broncontext aan, in plaats van om een losstaand herontwerp te vragen. Het model kan een visuele vereiste verbinden met een codevoorstel; dat voorstel is geen bewijs dat de interface is gerenderd of correct werkt. Deze taakvoorbeelden passen de visuele programmeermogelijkheden van de ontwikkelaar toe zonder een uitvoeringsgarantie toe te voegen.
Denken en rechtstreekse antwoorden
De gids met ondersteunde modellen van de ontwikkelaar vermeldt Qwen3.7 Flash als een familie met hybride denken, waarbij denken standaard aanstaat. De gedocumenteerde hybride workflow kan denken uitschakelen voor een rechtstreeks antwoord. Houd de redeneeruitvoer gescheiden van het definitieve antwoord wanneer een interface beide aanbiedt. Neem instellingen voor een afzonderlijk benoemd Qwen-Omni-model of een open dense model niet over alleen omdat ze de naam Qwen delen.
Gebruik diepgaandere analyse voor een visuele vraag die meerdere waarnemingen met elkaar verbindt; vraag een rechtstreeks resultaat voor een eenvoudige beschrijving. Leg een controleerbare eindstructuur vast, zoals een waarnemingstabel, een beknopte conclusie of codebestanden, in plaats van antwoordlengte als kwaliteitssignaal te gebruiken.
Beperkingen en invoervoorbereiding
De specifieke Qwen3.7-Flash-pagina van Alibaba vermeldt een context van 1,000,000 tokens, maximaal 991,808 invoertokens voor rechtstreekse antwoorden of 983,616 voor de denkmodus, en maximaal 131,072 uitvoertokens in beide modi. Ze vermeldt afzonderlijk een maximale chain-of-thought-lengte van 262,144 tokens. Houd het relevante visuele detail leesbaar, verwijder niet-relevant materiaal en reserveer ruimte voor het vereiste resultaat. Controleer objectlabels, ruimtelijke gevolgtrekkingen, geëxtraheerde tekst en codevoorstellen aan de hand van het aangeleverde bewijs. De nuttige beschrijving bestaat uit de specifieke mogelijkheden voor waarneming, agents en visueel programmeren van de ontwikkelaar, met behoud van de hybride antwoordmodus.
", "aboutText": "De Qwen3.7 Flash-release\n\nQwen3.7 Flash is een native vision-language-modelfamilie voor het begrijpen van tekst, afbeeldingen en video, met tekstuele antwoorden. De releasebeschrijving van de ontwikkelaar vermeldt een betere multimodale waarneming en agentuitvoering dan bij Qwen3.6 Flash. De praktische taken omvatten objectherkenning, begrip van een visuele scène, redeneren over ruimtelijke relaties en het voorbereiden van code of uitleg op basis van visueel materiaal.\n\nDe officiële release vermeldt zowel qwen3.7-flash als het gedateerde qwen3.7-flash-2026-07-15. Bewaar de exacte modelnaam wanneer u een resultaat vastlegt: de ongedateerde Flash-naam identificeert geen vaste snapshot van de fabrikant. De hier gebruikte releasebeschrijving stelt geen parameteraantal of numerieke representatie voor een open checkpoint vast.\n\nObjectherkenning, waarneming van de echte wereld en ruimte\n\nGeef een afbeelding van een scène met een concrete vraag: welk object is van belang, welke relatie moet worden onderzocht en welke zichtbare details moeten het antwoord onderbouwen? Behoud bij een diagram de labels en geef de definities die nodig zijn om ze te interpreteren. Een nuttige uitvoer scheidt waarnemingen van afgeleide relaties, zodat de uitleg gemakkelijker met de bron kan worden vergeleken.\n\nGeef meerdere afbeeldingen elk een label en vraag om een vergelijking die volgens die labels is geordend. Benoem bij video de relevante gebeurtenis en behoud de informatie over de volgorde of timing. Controleer exacte aantallen, ruimtelijke metingen en waarnemingen per frame aan de hand van het aangeleverde materiaal.\n\nMultimodale agents\n\nDe release benadrukt scenario's voor Search Agent en agents met een code-interpreter, met stabielere uitvoering over meerdere stappen. In zo'n workflow levert de toepassing de toegestane tools aan, voert hun acties uit en geeft hun waarnemingen terug. Het model kan die resultaten gebruiken om zijn plan bij te werken. Beschrijf het doel en de voltooiingsvoorwaarde en vraag om een definitief artefact plus eventueel ontbrekend bewijs. De producent vermeldt function calling, gestructureerde uitvoer, prefix completion en contextcaching. Zoeken op het web wordt ondersteund in Beijing en Singapore, maar niet in de andere vermelde regio's. Batch-inferentie wordt ondersteund voor de Beijing-alias en elders niet; fine-tuning wordt niet ondersteund.\n\nDe agentspecialisatie van een model mag niet worden verward met ingebouwde toegang tot actuele bronnen of een uitvoeringsomgeving in elke interface. Wanneer een taak ophalen van informatie of code-uitvoering vereist, onderscheid dan het resultaat dat een echte tool heeft teruggegeven van een voorgestelde actie in de modeltekst. Deze beschrijving legt niet vast welke tools een andere toepassing beschikbaar stelt.\n\nVisueel programmeren\n\nQwen beschrijft verbeterd programmeren op basis van visueel materiaal. Een nuttige aanvraag kan een screenshot of lay-out combineren met functionele vereisten en om bewerkbare code vragen. Vermeld in de taak het framework of uitvoerformaat, de interactietoestanden en de beperkingen. Vraag het gegenereerde artefact afzonderlijk van de uitleg, zodat de ontwikkelworkflow het kan nakijken of renderen.\n\nDuid bij een bestaande interface de beoogde wijziging en de relevante broncontext aan, in plaats van om een losstaand herontwerp te vragen. Het model kan een visuele vereiste verbinden met een codevoorstel; dat voorstel is geen bewijs dat de interface is gerenderd of correct werkt. Deze taakvoorbeelden passen de visuele programmeermogelijkheden van de ontwikkelaar toe zonder een uitvoeringsgarantie toe te voegen.\n\nDenken en rechtstreekse antwoorden\n\nDe gids met ondersteunde modellen van de ontwikkelaar vermeldt Qwen3.7 Flash als een familie met hybride denken, waarbij denken standaard aanstaat. De gedocumenteerde hybride workflow kan denken uitschakelen voor een rechtstreeks antwoord. Houd de redeneeruitvoer gescheiden van het definitieve antwoord wanneer een interface beide aanbiedt. Neem instellingen voor een afzonderlijk benoemd Qwen-Omni-model of een open dense model niet over alleen omdat ze de naam Qwen delen.\n\nGebruik diepgaandere analyse voor een visuele vraag die meerdere waarnemingen met elkaar verbindt; vraag een rechtstreeks resultaat voor een eenvoudige beschrijving. Leg een controleerbare eindstructuur vast, zoals een waarnemingstabel, een beknopte conclusie of codebestanden, in plaats van antwoordlengte als kwaliteitssignaal te gebruiken.\n\nBeperkingen en invoervoorbereiding\n\nDe specifieke Qwen3.7-Flash-pagina van Alibaba vermeldt een context van 1,000,000 tokens, maximaal 991,808 invoertokens voor rechtstreekse antwoorden of 983,616 voor de denkmodus, en maximaal 131,072 uitvoertokens in beide modi. Ze vermeldt afzonderlijk een maximale chain-of-thought-lengte van 262,144 tokens. Houd het relevante visuele detail leesbaar, verwijder niet-relevant materiaal en reserveer ruimte voor het vereiste resultaat. Controleer objectlabels, ruimtelijke gevolgtrekkingen, geëxtraheerde tekst en codevoorstellen aan de hand van het aangeleverde bewijs. De nuttige beschrijving bestaat uit de specifieke mogelijkheden voor waarneming, agents en visueel programmeren van de ontwikkelaar, met behoud van de hybride antwoordmodus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.qwen/qwen3.7-flashQwen3.7 Flash is de vision-language-modelfamilie van Qwen voor tekst, afbeeldingen en video, met tekst als uitvoer. De ontwikkelaar benadrukt betere objectherkenning, ruimtelijk inzicht, multimodaal agentwerk en visueel programmeren, met denken standaard ingeschakeld en een optionele modus voor rechtstreekse antwoorden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
De Qwen3.7 Flash-release
Qwen3.7 Flash is een native vision-language-modelfamilie voor het begrijpen van tekst, afbeeldingen en video, met tekstuele antwoorden. De releasebeschrijving van de ontwikkelaar vermeldt een betere multimodale waarneming en agentuitvoering dan bij Qwen3.6 Flash. De praktische taken omvatten objectherkenning, begrip van een visuele scène, redeneren over ruimtelijke relaties en het voorbereiden van code of uitleg op basis van visueel materiaal.
De officiële release vermeldt zowel qwen3.7-flash als het gedateerde qwen3.7-flash-2026-07-15. Bewaar de exacte modelnaam wanneer u een resultaat vastlegt: de ongedateerde Flash-naam identificeert geen vaste snapshot van de fabrikant. De hier gebruikte releasebeschrijving stelt geen parameteraantal of numerieke representatie voor een open checkpoint vast.
Objectherkenning, waarneming van de echte wereld en ruimte
Geef een afbeelding van een scène met een concrete vraag: welk object is van belang, welke relatie moet worden onderzocht en welke zichtbare details moeten het antwoord onderbouwen? Behoud bij een diagram de labels en geef de definities die nodig zijn om ze te interpreteren. Een nuttige uitvoer scheidt waarnemingen van afgeleide relaties, zodat de uitleg gemakkelijker met de bron kan worden vergeleken.
Geef meerdere afbeeldingen elk een label en vraag om een vergelijking die volgens die labels is geordend. Benoem bij video de relevante gebeurtenis en behoud de informatie over de volgorde of timing. Controleer exacte aantallen, ruimtelijke metingen en waarnemingen per frame aan de hand van het aangeleverde materiaal.
Multimodale agents
De release benadrukt scenario's voor Search Agent en agents met een code-interpreter, met stabielere uitvoering over meerdere stappen. In zo'n workflow levert de toepassing de toegestane tools aan, voert hun acties uit en geeft hun waarnemingen terug. Het model kan die resultaten gebruiken om zijn plan bij te werken. Beschrijf het doel en de voltooiingsvoorwaarde en vraag om een definitief artefact plus eventueel ontbrekend bewijs. De producent vermeldt function calling, gestructureerde uitvoer, prefix completion en contextcaching. Zoeken op het web wordt ondersteund in Beijing en Singapore, maar niet in de andere vermelde regio's. Batch-inferentie wordt ondersteund voor de Beijing-alias en elders niet; fine-tuning wordt niet ondersteund.
De agentspecialisatie van een model mag niet worden verward met ingebouwde toegang tot actuele bronnen of een uitvoeringsomgeving in elke interface. Wanneer een taak ophalen van informatie of code-uitvoering vereist, onderscheid dan het resultaat dat een echte tool heeft teruggegeven van een voorgestelde actie in de modeltekst. Deze beschrijving legt niet vast welke tools een andere toepassing beschikbaar stelt.
Visueel programmeren
Qwen beschrijft verbeterd programmeren op basis van visueel materiaal. Een nuttige aanvraag kan een screenshot of lay-out combineren met functionele vereisten en om bewerkbare code vragen. Vermeld in de taak het framework of uitvoerformaat, de interactietoestanden en de beperkingen. Vraag het gegenereerde artefact afzonderlijk van de uitleg, zodat de ontwikkelworkflow het kan nakijken of renderen.
Duid bij een bestaande interface de beoogde wijziging en de relevante broncontext aan, in plaats van om een losstaand herontwerp te vragen. Het model kan een visuele vereiste verbinden met een codevoorstel; dat voorstel is geen bewijs dat de interface is gerenderd of correct werkt. Deze taakvoorbeelden passen de visuele programmeermogelijkheden van de ontwikkelaar toe zonder een uitvoeringsgarantie toe te voegen.
Denken en rechtstreekse antwoorden
De gids met ondersteunde modellen van de ontwikkelaar vermeldt Qwen3.7 Flash als een familie met hybride denken, waarbij denken standaard aanstaat. De gedocumenteerde hybride workflow kan denken uitschakelen voor een rechtstreeks antwoord. Houd de redeneeruitvoer gescheiden van het definitieve antwoord wanneer een interface beide aanbiedt. Neem instellingen voor een afzonderlijk benoemd Qwen-Omni-model of een open dense model niet over alleen omdat ze de naam Qwen delen.
Gebruik diepgaandere analyse voor een visuele vraag die meerdere waarnemingen met elkaar verbindt; vraag een rechtstreeks resultaat voor een eenvoudige beschrijving. Leg een controleerbare eindstructuur vast, zoals een waarnemingstabel, een beknopte conclusie of codebestanden, in plaats van antwoordlengte als kwaliteitssignaal te gebruiken.
Beperkingen en invoervoorbereiding
De specifieke Qwen3.7-Flash-pagina van Alibaba vermeldt een context van 1,000,000 tokens, maximaal 991,808 invoertokens voor rechtstreekse antwoorden of 983,616 voor de denkmodus, en maximaal 131,072 uitvoertokens in beide modi. Ze vermeldt afzonderlijk een maximale chain-of-thought-lengte van 262,144 tokens. Houd het relevante visuele detail leesbaar, verwijder niet-relevant materiaal en reserveer ruimte voor het vereiste resultaat. Controleer objectlabels, ruimtelijke gevolgtrekkingen, geëxtraheerde tekst en codevoorstellen aan de hand van het aangeleverde bewijs. De nuttige beschrijving bestaat uit de specifieke mogelijkheden voor waarneming, agents en visueel programmeren van de ontwikkelaar, met behoud van de hybride antwoordmodus.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.7-flash | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00006 / 1K tokens Uitvoer · Uitvoertokens $0.00026 / 1K tokens Invoer · Cache lezen $0.000012 / 1K tokens Invoer · Cache schrijven $0.000076 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en met32.000 | Kosten Invoer · Invoertokens $0.00006 / 1K tokens Uitvoer · Uitvoertokens $0.00026 / 1K tokens Invoer · Cache lezen $0.000012 / 1K tokens Invoer · Cache schrijven $0.000076 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 2 | Tariefstaffel— | Contexttokens, meer dan32.000 | Contexttokens, tot en met256.000 | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0.00004 / 1K tokens Invoer · Cache schrijven $0.00025 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieCategorie 3 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan256.000 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0004 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven $0.0005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.7-flash", "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/qwen3.7-flash',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/qwen3.7-flash',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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.7-flash
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.7-flashQwen3.7 Flash is de vision-language-modelfamilie van Qwen voor tekst, afbeeldingen en video, met tekst als uitvoer. De ontwikkelaar benadrukt betere objectherkenning, ruimtelijk inzicht, multimodaal agentwerk en visueel programmeren, met denken standaard ingeschakeld en een optionele modus voor rechtstreekse antwoorden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
De Qwen3.7 Flash-release
Qwen3.7 Flash is een native vision-language-modelfamilie voor het begrijpen van tekst, afbeeldingen en video, met tekstuele antwoorden. De releasebeschrijving van de ontwikkelaar vermeldt een betere multimodale waarneming en agentuitvoering dan bij Qwen3.6 Flash. De praktische taken omvatten objectherkenning, begrip van een visuele scène, redeneren over ruimtelijke relaties en het voorbereiden van code of uitleg op basis van visueel materiaal.
De officiële release vermeldt zowel qwen3.7-flash als het gedateerde qwen3.7-flash-2026-07-15. Bewaar de exacte modelnaam wanneer u een resultaat vastlegt: de ongedateerde Flash-naam identificeert geen vaste snapshot van de fabrikant. De hier gebruikte releasebeschrijving stelt geen parameteraantal of numerieke representatie voor een open checkpoint vast.
Objectherkenning, waarneming van de echte wereld en ruimte
Geef een afbeelding van een scène met een concrete vraag: welk object is van belang, welke relatie moet worden onderzocht en welke zichtbare details moeten het antwoord onderbouwen? Behoud bij een diagram de labels en geef de definities die nodig zijn om ze te interpreteren. Een nuttige uitvoer scheidt waarnemingen van afgeleide relaties, zodat de uitleg gemakkelijker met de bron kan worden vergeleken.
Geef meerdere afbeeldingen elk een label en vraag om een vergelijking die volgens die labels is geordend. Benoem bij video de relevante gebeurtenis en behoud de informatie over de volgorde of timing. Controleer exacte aantallen, ruimtelijke metingen en waarnemingen per frame aan de hand van het aangeleverde materiaal.
Multimodale agents
De release benadrukt scenario's voor Search Agent en agents met een code-interpreter, met stabielere uitvoering over meerdere stappen. In zo'n workflow levert de toepassing de toegestane tools aan, voert hun acties uit en geeft hun waarnemingen terug. Het model kan die resultaten gebruiken om zijn plan bij te werken. Beschrijf het doel en de voltooiingsvoorwaarde en vraag om een definitief artefact plus eventueel ontbrekend bewijs. De producent vermeldt function calling, gestructureerde uitvoer, prefix completion en contextcaching. Zoeken op het web wordt ondersteund in Beijing en Singapore, maar niet in de andere vermelde regio's. Batch-inferentie wordt ondersteund voor de Beijing-alias en elders niet; fine-tuning wordt niet ondersteund.
De agentspecialisatie van een model mag niet worden verward met ingebouwde toegang tot actuele bronnen of een uitvoeringsomgeving in elke interface. Wanneer een taak ophalen van informatie of code-uitvoering vereist, onderscheid dan het resultaat dat een echte tool heeft teruggegeven van een voorgestelde actie in de modeltekst. Deze beschrijving legt niet vast welke tools een andere toepassing beschikbaar stelt.
Visueel programmeren
Qwen beschrijft verbeterd programmeren op basis van visueel materiaal. Een nuttige aanvraag kan een screenshot of lay-out combineren met functionele vereisten en om bewerkbare code vragen. Vermeld in de taak het framework of uitvoerformaat, de interactietoestanden en de beperkingen. Vraag het gegenereerde artefact afzonderlijk van de uitleg, zodat de ontwikkelworkflow het kan nakijken of renderen.
Duid bij een bestaande interface de beoogde wijziging en de relevante broncontext aan, in plaats van om een losstaand herontwerp te vragen. Het model kan een visuele vereiste verbinden met een codevoorstel; dat voorstel is geen bewijs dat de interface is gerenderd of correct werkt. Deze taakvoorbeelden passen de visuele programmeermogelijkheden van de ontwikkelaar toe zonder een uitvoeringsgarantie toe te voegen.
Denken en rechtstreekse antwoorden
De gids met ondersteunde modellen van de ontwikkelaar vermeldt Qwen3.7 Flash als een familie met hybride denken, waarbij denken standaard aanstaat. De gedocumenteerde hybride workflow kan denken uitschakelen voor een rechtstreeks antwoord. Houd de redeneeruitvoer gescheiden van het definitieve antwoord wanneer een interface beide aanbiedt. Neem instellingen voor een afzonderlijk benoemd Qwen-Omni-model of een open dense model niet over alleen omdat ze de naam Qwen delen.
Gebruik diepgaandere analyse voor een visuele vraag die meerdere waarnemingen met elkaar verbindt; vraag een rechtstreeks resultaat voor een eenvoudige beschrijving. Leg een controleerbare eindstructuur vast, zoals een waarnemingstabel, een beknopte conclusie of codebestanden, in plaats van antwoordlengte als kwaliteitssignaal te gebruiken.
Beperkingen en invoervoorbereiding
De specifieke Qwen3.7-Flash-pagina van Alibaba vermeldt een context van 1,000,000 tokens, maximaal 991,808 invoertokens voor rechtstreekse antwoorden of 983,616 voor de denkmodus, en maximaal 131,072 uitvoertokens in beide modi. Ze vermeldt afzonderlijk een maximale chain-of-thought-lengte van 262,144 tokens. Houd het relevante visuele detail leesbaar, verwijder niet-relevant materiaal en reserveer ruimte voor het vereiste resultaat. Controleer objectlabels, ruimtelijke gevolgtrekkingen, geëxtraheerde tekst en codevoorstellen aan de hand van het aangeleverde bewijs. De nuttige beschrijving bestaat uit de specifieke mogelijkheden voor waarneming, agents en visueel programmeren van de ontwikkelaar, met behoud van de hybride antwoordmodus.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.7-flash | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00006 / 1K tokens Uitvoer · Uitvoertokens $0.00026 / 1K tokens Invoer · Cache lezen $0.000012 / 1K tokens Invoer · Cache schrijven $0.000076 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en met32.000 | Kosten Invoer · Invoertokens $0.00006 / 1K tokens Uitvoer · Uitvoertokens $0.00026 / 1K tokens Invoer · Cache lezen $0.000012 / 1K tokens Invoer · Cache schrijven $0.000076 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 2 | Tariefstaffel— | Contexttokens, meer dan32.000 | Contexttokens, tot en met256.000 | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0.00004 / 1K tokens Invoer · Cache schrijven $0.00025 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieCategorie 3 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan256.000 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0004 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven $0.0005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.7-flash', '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/qwen3.7-flash', '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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.7-flash
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Check a spatial claim from a text grid\n\nUse this written grid description: the red box is at row 2, column 1; the blue box is at row 2, column 3; the green box is at row 1, column 3. Rows increase downward and columns increase rightward. Describe their relative positions and assess the claim that green is directly above red.A relative-position description and a supported assessment of the claim, citing grid coordinates.Check that directly above requires the same column and that the stated row direction is respected.