Qwen-Long is de Qwen-productlijn voor documentverwerking: informatie vinden, materiaal vergelijken en vragen beantwoorden over een groot tekstcorpus. Het onderscheidende kenmerk is een gedocumenteerde werkwijze met bestandsuploads en verwijzingen die tot 10 miljoen tokens verwerkt. Het doel is niet alleen een langer chatantwoord: het is een aanzienlijke verzameling brondocumenten beschikbaar houden terwijl je er gerichte vragen over stelt.
Zo werkt de documentverwerking
De fabrikant beschrijft twee stappen. Upload eerst de geselecteerde bestanden en wacht tot de documentparser klaar is. De resulterende verwijzingen identificeren de voorbereide documenten. Stel daarna een vraag en voeg de verwijzingen toe naar het materiaal dat moet worden meegenomen. Het model voert inferentie uit op de tekst die aan die documenten is gekoppeld. Dit scheidt de documentvoorbereiding van de vraag en voorkomt dat je het volledige bestand bij elke gespreksbeurt opnieuw moet verzenden.
Bereid één document voor als het doel een samenvatting, een uitleg van een onderdeel of het extraheren van specifieke voorwaarden is. Benoem de belangrijke onderdelen en vraag om een resultaat met een concreet doel. Bijvoorbeeld: lever een productspecificatie aan, vraag naar de bedrijfsomstandigheden die er expliciet in staan en vraag om een korte tabel met de voorwaarde, het brononderdeel en eventuele ontbrekende details. Die veldnamen zijn een voorbeeld van de resultaatstructuur, geen ingebouwd vast schema.
Meerdere documenten en vervolgvragen
De gedocumenteerde werkwijze accepteert meerdere voorbereide bestanden in dezelfde aanvraag. Dit ondersteunt vergelijkingen tussen documenten: zoek een kenmerk in elke specificatie, onderscheid gedeelde uitspraken van verschillen en verzamel onopgeloste vragen. Eén aanvraag kan tot 100 bestandsverwijzingen bevatten. Selecteer de bestanden die relevant zijn voor de vraag, in plaats van aan te nemen dat een grote context bepaalt wat er moet worden vergeleken.
De fabrikant laat ook zien hoe je na een eerste antwoord een nieuw document toevoegt. Houd het eerdere antwoord in het gesprek, voeg de nieuwe bron toe en stel een vervolgvraag, bijvoorbeeld hoe de twee beschrijvingen verschillen. Maak in een applicatie onderscheid tussen de eerdere reactie en het nieuw aangeleverde bewijsmateriaal. Een nuttig resultaat kan een vergelijkingstabel zijn met afzonderlijke kolommen voor elk document en een uitleg van de tegenstrijdigheden, in plaats van een samengevoegde samenvatting waarbij de bron van elke uitspraak verloren gaat.
Invoer van platte tekst is een andere gedocumenteerde route. Kleiner materiaal kan rechtstreeks als tekst worden aangeleverd in plaats van via verwijzingen naar geüploade bestanden. Vanwege limieten op de aanvraaggrootte vereist de fabrikantgids de route met verwijzingen wanneer rechtstreeks opgenomen documentinhoud meer dan 1 miljoen tokens bevat. Die grens staat los van de documentcontext van 10 miljoen tokens: ondersteuning van een groot corpus belooft niet dat één even grote aanvraag met onbewerkte tekst wordt geaccepteerd.
Formaten, context en uitvoer
De documentdienst noemt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV en JSON, naast BMP, PNG, JPG/JPEG en GIF. Geüploade afbeeldingsbestanden zijn beperkt tot 20 MB; andere ondersteunde bestanden tot 150 MB. Dit zijn limieten van de documentvoorbereiding bij de fabrikant, geen bewering dat het taalmodel zonder parsing rechtstreeks over elk binair formaat redeneert.
De gepubliceerde specificatie geeft een context en maximale invoer van 10.000.000 tokens, met tot 32.768 uitvoertokens. In het gedocumenteerde gespreksformaat met bestandsverwijzingen heeft de gebruikersvraag een afzonderlijke limiet van 9.000 tokens wanneer een tweede systeembericht de documenten aanlevert. Houd de vraag bondig en reserveer het grootste deel van de documentcontext voor het bronmateriaal. Een lange invoercontext en de antwoordlengte lossen verschillende problemen op: een groot corpus kan nog steeds om een kort, strak gestructureerd resultaat vragen.
De FAQ van de fabrikant documenteert gestructureerde uitvoer op basis van JSON Schema voor Qwen-Long en zijn gedateerde versies. Dit is nuttig voor herhaalde extractietaken die binnen een verzameling dezelfde velden nodig hebben. Specificeer de vereiste informatie, het type van elk veld en wat er moet gebeuren als een waarde in de bron ontbreekt. De dienst documenteert ook asynchrone batchverwerking: een alternatieve werkwijze voor het indienen van taken, geen extra redeneermodus.
Een praktische documentvergelijking
Bereid de relevante specificaties voor en bepaal hun rollen voordat je de vraag stelt: welke is de bestaande beschrijving, welke de voorgestelde vervanging en welke eisen zijn verplicht? Vraag om een resultaat met gedeelde voorwaarden, tegenstrijdige uitspraken, ontbrekende informatie en bronlocaties. Een vervolgvraag kan het model vragen om dat resultaat om te zetten in een bondige uitleg voor een collega, met behoud van de oorspronkelijke onderscheidingen.
Belangrijke grenzen bij de voorbereiding
De parsing moet voltooid zijn voordat de voorbereide bestanden worden gebruikt; grotere documenten kunnen meer tijd nodig hebben voor de parsing. De gedocumenteerde inferentie van het model gebruikt geëxtraheerde tekst, dus de volledigheid en leesbaarheid van die voorbereide inhoud zijn belangrijk. Maak de bestandsselectie, de vraag en de vereiste uitvoer expliciet. Gebruik de documentcapaciteit van Qwen-Long niet als vervanging voor de limieten van een andere Qwen-uitgave, een rechtstreekse aanvraag met onbewerkte tekst of het uiteindelijke antwoord.
", "aboutText": "Qwen-Long is de Qwen-productlijn voor documentverwerking: informatie vinden, materiaal vergelijken en vragen beantwoorden over een groot tekstcorpus. Het onderscheidende kenmerk is een gedocumenteerde werkwijze met bestandsuploads en verwijzingen die tot 10 miljoen tokens verwerkt. Het doel is niet alleen een langer chatantwoord: het is een aanzienlijke verzameling brondocumenten beschikbaar houden terwijl je er gerichte vragen over stelt.\n\nZo werkt de documentverwerking\n\nDe fabrikant beschrijft twee stappen. Upload eerst de geselecteerde bestanden en wacht tot de documentparser klaar is. De resulterende verwijzingen identificeren de voorbereide documenten. Stel daarna een vraag en voeg de verwijzingen toe naar het materiaal dat moet worden meegenomen. Het model voert inferentie uit op de tekst die aan die documenten is gekoppeld. Dit scheidt de documentvoorbereiding van de vraag en voorkomt dat je het volledige bestand bij elke gespreksbeurt opnieuw moet verzenden.\n\nBereid één document voor als het doel een samenvatting, een uitleg van een onderdeel of het extraheren van specifieke voorwaarden is. Benoem de belangrijke onderdelen en vraag om een resultaat met een concreet doel. Bijvoorbeeld: lever een productspecificatie aan, vraag naar de bedrijfsomstandigheden die er expliciet in staan en vraag om een korte tabel met de voorwaarde, het brononderdeel en eventuele ontbrekende details. Die veldnamen zijn een voorbeeld van de resultaatstructuur, geen ingebouwd vast schema.\n\nMeerdere documenten en vervolgvragen\n\nDe gedocumenteerde werkwijze accepteert meerdere voorbereide bestanden in dezelfde aanvraag. Dit ondersteunt vergelijkingen tussen documenten: zoek een kenmerk in elke specificatie, onderscheid gedeelde uitspraken van verschillen en verzamel onopgeloste vragen. Eén aanvraag kan tot 100 bestandsverwijzingen bevatten. Selecteer de bestanden die relevant zijn voor de vraag, in plaats van aan te nemen dat een grote context bepaalt wat er moet worden vergeleken.\n\nDe fabrikant laat ook zien hoe je na een eerste antwoord een nieuw document toevoegt. Houd het eerdere antwoord in het gesprek, voeg de nieuwe bron toe en stel een vervolgvraag, bijvoorbeeld hoe de twee beschrijvingen verschillen. Maak in een applicatie onderscheid tussen de eerdere reactie en het nieuw aangeleverde bewijsmateriaal. Een nuttig resultaat kan een vergelijkingstabel zijn met afzonderlijke kolommen voor elk document en een uitleg van de tegenstrijdigheden, in plaats van een samengevoegde samenvatting waarbij de bron van elke uitspraak verloren gaat.\n\nInvoer van platte tekst is een andere gedocumenteerde route. Kleiner materiaal kan rechtstreeks als tekst worden aangeleverd in plaats van via verwijzingen naar geüploade bestanden. Vanwege limieten op de aanvraaggrootte vereist de fabrikantgids de route met verwijzingen wanneer rechtstreeks opgenomen documentinhoud meer dan 1 miljoen tokens bevat. Die grens staat los van de documentcontext van 10 miljoen tokens: ondersteuning van een groot corpus belooft niet dat één even grote aanvraag met onbewerkte tekst wordt geaccepteerd.\n\nFormaten, context en uitvoer\n\nDe documentdienst noemt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV en JSON, naast BMP, PNG, JPG/JPEG en GIF. Geüploade afbeeldingsbestanden zijn beperkt tot 20 MB; andere ondersteunde bestanden tot 150 MB. Dit zijn limieten van de documentvoorbereiding bij de fabrikant, geen bewering dat het taalmodel zonder parsing rechtstreeks over elk binair formaat redeneert.\n\nDe gepubliceerde specificatie geeft een context en maximale invoer van 10.000.000 tokens, met tot 32.768 uitvoertokens. In het gedocumenteerde gespreksformaat met bestandsverwijzingen heeft de gebruikersvraag een afzonderlijke limiet van 9.000 tokens wanneer een tweede systeembericht de documenten aanlevert. Houd de vraag bondig en reserveer het grootste deel van de documentcontext voor het bronmateriaal. Een lange invoercontext en de antwoordlengte lossen verschillende problemen op: een groot corpus kan nog steeds om een kort, strak gestructureerd resultaat vragen.\n\nDe FAQ van de fabrikant documenteert gestructureerde uitvoer op basis van JSON Schema voor Qwen-Long en zijn gedateerde versies. Dit is nuttig voor herhaalde extractietaken die binnen een verzameling dezelfde velden nodig hebben. Specificeer de vereiste informatie, het type van elk veld en wat er moet gebeuren als een waarde in de bron ontbreekt. De dienst documenteert ook asynchrone batchverwerking: een alternatieve werkwijze voor het indienen van taken, geen extra redeneermodus.\n\nEen praktische documentvergelijking\n\nBereid de relevante specificaties voor en bepaal hun rollen voordat je de vraag stelt: welke is de bestaande beschrijving, welke de voorgestelde vervanging en welke eisen zijn verplicht? Vraag om een resultaat met gedeelde voorwaarden, tegenstrijdige uitspraken, ontbrekende informatie en bronlocaties. Een vervolgvraag kan het model vragen om dat resultaat om te zetten in een bondige uitleg voor een collega, met behoud van de oorspronkelijke onderscheidingen.\n\nBelangrijke grenzen bij de voorbereiding\n\nDe parsing moet voltooid zijn voordat de voorbereide bestanden worden gebruikt; grotere documenten kunnen meer tijd nodig hebben voor de parsing. De gedocumenteerde inferentie van het model gebruikt geëxtraheerde tekst, dus de volledigheid en leesbaarheid van die voorbereide inhoud zijn belangrijk. Maak de bestandsselectie, de vraag en de vereiste uitvoer expliciet. Gebruik de documentcapaciteit van Qwen-Long niet als vervanging voor de limieten van een andere Qwen-uitgave, een rechtstreekse aanvraag met onbewerkte tekst of het uiteindelijke antwoord.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.qwen-longQwen-Long is ontworpen voor vragen over grote documentverzamelingen. De fabrikant documenteert een werkwijze met bestandsuploads en verwijzingen, tot 10 miljoen tokens documentcontext, vergelijkingen tussen bestanden en gestructureerde tekstantwoorden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen-Long is de Qwen-productlijn voor documentverwerking: informatie vinden, materiaal vergelijken en vragen beantwoorden over een groot tekstcorpus. Het onderscheidende kenmerk is een gedocumenteerde werkwijze met bestandsuploads en verwijzingen die tot 10 miljoen tokens verwerkt. Het doel is niet alleen een langer chatantwoord: het is een aanzienlijke verzameling brondocumenten beschikbaar houden terwijl je er gerichte vragen over stelt.
Zo werkt de documentverwerking
De fabrikant beschrijft twee stappen. Upload eerst de geselecteerde bestanden en wacht tot de documentparser klaar is. De resulterende verwijzingen identificeren de voorbereide documenten. Stel daarna een vraag en voeg de verwijzingen toe naar het materiaal dat moet worden meegenomen. Het model voert inferentie uit op de tekst die aan die documenten is gekoppeld. Dit scheidt de documentvoorbereiding van de vraag en voorkomt dat je het volledige bestand bij elke gespreksbeurt opnieuw moet verzenden.
Bereid één document voor als het doel een samenvatting, een uitleg van een onderdeel of het extraheren van specifieke voorwaarden is. Benoem de belangrijke onderdelen en vraag om een resultaat met een concreet doel. Bijvoorbeeld: lever een productspecificatie aan, vraag naar de bedrijfsomstandigheden die er expliciet in staan en vraag om een korte tabel met de voorwaarde, het brononderdeel en eventuele ontbrekende details. Die veldnamen zijn een voorbeeld van de resultaatstructuur, geen ingebouwd vast schema.
Meerdere documenten en vervolgvragen
De gedocumenteerde werkwijze accepteert meerdere voorbereide bestanden in dezelfde aanvraag. Dit ondersteunt vergelijkingen tussen documenten: zoek een kenmerk in elke specificatie, onderscheid gedeelde uitspraken van verschillen en verzamel onopgeloste vragen. Eén aanvraag kan tot 100 bestandsverwijzingen bevatten. Selecteer de bestanden die relevant zijn voor de vraag, in plaats van aan te nemen dat een grote context bepaalt wat er moet worden vergeleken.
De fabrikant laat ook zien hoe je na een eerste antwoord een nieuw document toevoegt. Houd het eerdere antwoord in het gesprek, voeg de nieuwe bron toe en stel een vervolgvraag, bijvoorbeeld hoe de twee beschrijvingen verschillen. Maak in een applicatie onderscheid tussen de eerdere reactie en het nieuw aangeleverde bewijsmateriaal. Een nuttig resultaat kan een vergelijkingstabel zijn met afzonderlijke kolommen voor elk document en een uitleg van de tegenstrijdigheden, in plaats van een samengevoegde samenvatting waarbij de bron van elke uitspraak verloren gaat.
Invoer van platte tekst is een andere gedocumenteerde route. Kleiner materiaal kan rechtstreeks als tekst worden aangeleverd in plaats van via verwijzingen naar geüploade bestanden. Vanwege limieten op de aanvraaggrootte vereist de fabrikantgids de route met verwijzingen wanneer rechtstreeks opgenomen documentinhoud meer dan 1 miljoen tokens bevat. Die grens staat los van de documentcontext van 10 miljoen tokens: ondersteuning van een groot corpus belooft niet dat één even grote aanvraag met onbewerkte tekst wordt geaccepteerd.
Formaten, context en uitvoer
De documentdienst noemt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV en JSON, naast BMP, PNG, JPG/JPEG en GIF. Geüploade afbeeldingsbestanden zijn beperkt tot 20 MB; andere ondersteunde bestanden tot 150 MB. Dit zijn limieten van de documentvoorbereiding bij de fabrikant, geen bewering dat het taalmodel zonder parsing rechtstreeks over elk binair formaat redeneert.
De gepubliceerde specificatie geeft een context en maximale invoer van 10.000.000 tokens, met tot 32.768 uitvoertokens. In het gedocumenteerde gespreksformaat met bestandsverwijzingen heeft de gebruikersvraag een afzonderlijke limiet van 9.000 tokens wanneer een tweede systeembericht de documenten aanlevert. Houd de vraag bondig en reserveer het grootste deel van de documentcontext voor het bronmateriaal. Een lange invoercontext en de antwoordlengte lossen verschillende problemen op: een groot corpus kan nog steeds om een kort, strak gestructureerd resultaat vragen.
De FAQ van de fabrikant documenteert gestructureerde uitvoer op basis van JSON Schema voor Qwen-Long en zijn gedateerde versies. Dit is nuttig voor herhaalde extractietaken die binnen een verzameling dezelfde velden nodig hebben. Specificeer de vereiste informatie, het type van elk veld en wat er moet gebeuren als een waarde in de bron ontbreekt. De dienst documenteert ook asynchrone batchverwerking: een alternatieve werkwijze voor het indienen van taken, geen extra redeneermodus.
Een praktische documentvergelijking
Bereid de relevante specificaties voor en bepaal hun rollen voordat je de vraag stelt: welke is de bestaande beschrijving, welke de voorgestelde vervanging en welke eisen zijn verplicht? Vraag om een resultaat met gedeelde voorwaarden, tegenstrijdige uitspraken, ontbrekende informatie en bronlocaties. Een vervolgvraag kan het model vragen om dat resultaat om te zetten in een bondige uitleg voor een collega, met behoud van de oorspronkelijke onderscheidingen.
Belangrijke grenzen bij de voorbereiding
De parsing moet voltooid zijn voordat de voorbereide bestanden worden gebruikt; grotere documenten kunnen meer tijd nodig hebben voor de parsing. De gedocumenteerde inferentie van het model gebruikt geëxtraheerde tekst, dus de volledigheid en leesbaarheid van die voorbereide inhoud zijn belangrijk. Maak de bestandsselectie, de vraag en de vereiste uitvoer expliciet. Gebruik de documentcapaciteit van Qwen-Long niet als vervanging voor de limieten van een andere Qwen-uitgave, een rechtstreekse aanvraag met onbewerkte tekst of het uiteindelijke antwoord.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen-long | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000144 / 1K tokens Uitvoer · Uitvoertokens $0.000572 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-long", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-long
Gebruik de hierboven getoonde methodepaden.
qwen-longQwen-Long is ontworpen voor vragen over grote documentverzamelingen. De fabrikant documenteert een werkwijze met bestandsuploads en verwijzingen, tot 10 miljoen tokens documentcontext, vergelijkingen tussen bestanden en gestructureerde tekstantwoorden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen-Long is de Qwen-productlijn voor documentverwerking: informatie vinden, materiaal vergelijken en vragen beantwoorden over een groot tekstcorpus. Het onderscheidende kenmerk is een gedocumenteerde werkwijze met bestandsuploads en verwijzingen die tot 10 miljoen tokens verwerkt. Het doel is niet alleen een langer chatantwoord: het is een aanzienlijke verzameling brondocumenten beschikbaar houden terwijl je er gerichte vragen over stelt.
Zo werkt de documentverwerking
De fabrikant beschrijft twee stappen. Upload eerst de geselecteerde bestanden en wacht tot de documentparser klaar is. De resulterende verwijzingen identificeren de voorbereide documenten. Stel daarna een vraag en voeg de verwijzingen toe naar het materiaal dat moet worden meegenomen. Het model voert inferentie uit op de tekst die aan die documenten is gekoppeld. Dit scheidt de documentvoorbereiding van de vraag en voorkomt dat je het volledige bestand bij elke gespreksbeurt opnieuw moet verzenden.
Bereid één document voor als het doel een samenvatting, een uitleg van een onderdeel of het extraheren van specifieke voorwaarden is. Benoem de belangrijke onderdelen en vraag om een resultaat met een concreet doel. Bijvoorbeeld: lever een productspecificatie aan, vraag naar de bedrijfsomstandigheden die er expliciet in staan en vraag om een korte tabel met de voorwaarde, het brononderdeel en eventuele ontbrekende details. Die veldnamen zijn een voorbeeld van de resultaatstructuur, geen ingebouwd vast schema.
Meerdere documenten en vervolgvragen
De gedocumenteerde werkwijze accepteert meerdere voorbereide bestanden in dezelfde aanvraag. Dit ondersteunt vergelijkingen tussen documenten: zoek een kenmerk in elke specificatie, onderscheid gedeelde uitspraken van verschillen en verzamel onopgeloste vragen. Eén aanvraag kan tot 100 bestandsverwijzingen bevatten. Selecteer de bestanden die relevant zijn voor de vraag, in plaats van aan te nemen dat een grote context bepaalt wat er moet worden vergeleken.
De fabrikant laat ook zien hoe je na een eerste antwoord een nieuw document toevoegt. Houd het eerdere antwoord in het gesprek, voeg de nieuwe bron toe en stel een vervolgvraag, bijvoorbeeld hoe de twee beschrijvingen verschillen. Maak in een applicatie onderscheid tussen de eerdere reactie en het nieuw aangeleverde bewijsmateriaal. Een nuttig resultaat kan een vergelijkingstabel zijn met afzonderlijke kolommen voor elk document en een uitleg van de tegenstrijdigheden, in plaats van een samengevoegde samenvatting waarbij de bron van elke uitspraak verloren gaat.
Invoer van platte tekst is een andere gedocumenteerde route. Kleiner materiaal kan rechtstreeks als tekst worden aangeleverd in plaats van via verwijzingen naar geüploade bestanden. Vanwege limieten op de aanvraaggrootte vereist de fabrikantgids de route met verwijzingen wanneer rechtstreeks opgenomen documentinhoud meer dan 1 miljoen tokens bevat. Die grens staat los van de documentcontext van 10 miljoen tokens: ondersteuning van een groot corpus belooft niet dat één even grote aanvraag met onbewerkte tekst wordt geaccepteerd.
Formaten, context en uitvoer
De documentdienst noemt TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV en JSON, naast BMP, PNG, JPG/JPEG en GIF. Geüploade afbeeldingsbestanden zijn beperkt tot 20 MB; andere ondersteunde bestanden tot 150 MB. Dit zijn limieten van de documentvoorbereiding bij de fabrikant, geen bewering dat het taalmodel zonder parsing rechtstreeks over elk binair formaat redeneert.
De gepubliceerde specificatie geeft een context en maximale invoer van 10.000.000 tokens, met tot 32.768 uitvoertokens. In het gedocumenteerde gespreksformaat met bestandsverwijzingen heeft de gebruikersvraag een afzonderlijke limiet van 9.000 tokens wanneer een tweede systeembericht de documenten aanlevert. Houd de vraag bondig en reserveer het grootste deel van de documentcontext voor het bronmateriaal. Een lange invoercontext en de antwoordlengte lossen verschillende problemen op: een groot corpus kan nog steeds om een kort, strak gestructureerd resultaat vragen.
De FAQ van de fabrikant documenteert gestructureerde uitvoer op basis van JSON Schema voor Qwen-Long en zijn gedateerde versies. Dit is nuttig voor herhaalde extractietaken die binnen een verzameling dezelfde velden nodig hebben. Specificeer de vereiste informatie, het type van elk veld en wat er moet gebeuren als een waarde in de bron ontbreekt. De dienst documenteert ook asynchrone batchverwerking: een alternatieve werkwijze voor het indienen van taken, geen extra redeneermodus.
Een praktische documentvergelijking
Bereid de relevante specificaties voor en bepaal hun rollen voordat je de vraag stelt: welke is de bestaande beschrijving, welke de voorgestelde vervanging en welke eisen zijn verplicht? Vraag om een resultaat met gedeelde voorwaarden, tegenstrijdige uitspraken, ontbrekende informatie en bronlocaties. Een vervolgvraag kan het model vragen om dat resultaat om te zetten in een bondige uitleg voor een collega, met behoud van de oorspronkelijke onderscheidingen.
Belangrijke grenzen bij de voorbereiding
De parsing moet voltooid zijn voordat de voorbereide bestanden worden gebruikt; grotere documenten kunnen meer tijd nodig hebben voor de parsing. De gedocumenteerde inferentie van het model gebruikt geëxtraheerde tekst, dus de volledigheid en leesbaarheid van die voorbereide inhoud zijn belangrijk. Maak de bestandsselectie, de vraag en de vereiste uitvoer expliciet. Gebruik de documentcapaciteit van Qwen-Long niet als vervanging voor de limieten van een andere Qwen-uitgave, een rechtstreekse aanvraag met onbewerkte tekst of het uiteindelijke antwoord.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen-long | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000144 / 1K tokens Uitvoer · Uitvoertokens $0.000572 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-long', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-long
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Compare maintenance documents\n\nCompare these source extracts for a maintenance checklist. Manual M1 section 4: Inspect the filter every week; replace it after 500 hours. Manual M2 section 6: Inspect the filter every week; replace it after 400 hours in dusty conditions. Keep shared rules, conditional differences and missing guidance separate. Do not assume which manual overrides the other.A comparison table with shared rule, condition, replacement interval, source section and one unresolved priority question.Check that the 400-hour rule remains conditional on dusty conditions and that no general precedence is invented.