Wydanie Qwen3.7 Flash
Qwen3.7 Flash to natywna rodzina modeli wizualno-językowych do rozumienia tekstu, obrazów i wideo z odpowiedziami tekstowymi. Opis wydania producenta przedstawia lepszą percepcję multimodalną i wykonanie agentowe w porównaniu z Qwen3.6 Flash. Praktyczny zakres zadań obejmuje rozpoznawanie obiektów, rozumienie sceny wizualnej, rozumowanie o relacjach przestrzennych i przygotowywanie kodu lub wyjaśnień na podstawie materiału wizualnego.
Oficjalne wydanie wymienia zarówno qwen3.7-flash, jak i datowany qwen3.7-flash-2026-07-15. Zachowaj dokładną nazwę modelu przy zapisywaniu wyniku: nazwa Flash bez daty nie identyfikuje stałej wersji producenta. Wykorzystany tutaj opis wydania nie ustanawia liczby parametrów otwartej wersji ani reprezentacji liczbowej.
Rozpoznawanie obiektów, percepcja świata rzeczywistego i przestrzeń
Podaj obraz sceny z konkretnym pytaniem: który obiekt ma znaczenie, jaką relację należy zbadać i jakie widoczne szczegóły powinny uzasadniać odpowiedź. W diagramie zachowaj etykiety i dostarcz definicje potrzebne do ich interpretacji. Użyteczne wyjście oddziela obserwacje od wywnioskowanych relacji, ułatwiając porównanie wyjaśnienia ze źródłem.
W przypadku kilku obrazów oznacz każde wejście i poproś o porównanie uporządkowane według tych etykiet. W przypadku wideo wskaż odpowiednie zdarzenie i zachowaj sekwencję lub informacje czasowe. Sprawdź dokładne liczby, pomiary przestrzenne i obserwacje na poziomie klatek względem dostarczonego materiału.
Agenci multimodalni
Wydanie podkreśla scenariusze Search Agent i agentów z interpreterem kodu, z bardziej stabilnym wykonaniem wieloetapowym. W takim procesie aplikacja dostarcza dozwolone narzędzia, wykonuje ich działania i zwraca obserwacje. Model może używać tych wyników do aktualizacji planu. Opisz cel i warunek ukończenia oraz poproś o końcowy rezultat wraz z wszelkimi nierozstrzygniętymi dowodami. Producent wymienia wywoływanie funkcji, ustrukturyzowane dane wyjściowe, uzupełnianie prefiksu i buforowanie kontekstu. Wyszukiwanie w sieci jest obsługiwane w Beijing i Singapore oraz nieobsługiwane w pozostałych wymienionych regionach. Wnioskowanie wsadowe jest obsługiwane dla aliasu Beijing i nieobsługiwane gdzie indziej; dostrajanie jest nieobsługiwane.
Specjalizacji agentowej modelu nie należy mylić z wbudowanym dostępem do aktualnych źródeł lub środowiska wykonawczego w każdym interfejsie. Gdy zadanie wymaga pobierania informacji lub uruchamiania kodu, odróżniaj wynik zwrócony przez rzeczywiste narzędzie od proponowanego działania w tekście modelu. Ten opis nie ustanawia, jakie narzędzia udostępnia inna aplikacja.
Programowanie na podstawie obrazu
Qwen opisuje udoskonalone programowanie wykorzystujące materiał wizualny. Użyteczne żądanie może łączyć zrzut ekranu lub układ z wymaganiami funkcjonalnymi i prosić o edytowalny kod. Określ framework lub formę wyjścia, stany interakcji i ograniczenia w dostarczonym zadaniu. Poproś o wygenerowany rezultat oddzielnie od wyjaśnienia, aby mógł zostać oceniony lub wyrenderowany w procesie programistycznym.
W przypadku istniejącego interfejsu wskaż zamierzoną zmianę i odpowiedni kontekst kodu zamiast prosić o niepowiązane przeprojektowanie. Model może połączyć wymaganie wizualne z propozycją kodu; ta propozycja nie dowodzi, że interfejs wyrenderowano lub działa poprawnie. Te przykłady zadań wykorzystują zakres programowania wizualnego producenta bez dodawania gwarancji wykonania.
Rozumowanie i bezpośrednie odpowiedzi
Przewodnik producenta po obsługiwanych modelach wymienia Qwen3.7 Flash jako rodzinę hybrydowego rozumowania z domyślnie włączonym rozumowaniem. Udokumentowany proces hybrydowy może wyłączyć rozumowanie dla bezpośredniej odpowiedzi. Oddzielaj wyjście rozumowania od odpowiedzi końcowej, gdy interfejs dostarcza oba. Ustawień osobno nazwanego modelu Qwen-Omni lub otwartego modelu gęstego nie należy przenosić wyłącznie dlatego, że dzielą nazwę Qwen.
Używaj głębszej analizy do pytania wizualnego łączącego kilka obserwacji; proś o wynik bezpośredni przy prostym opisie. Określ sprawdzalną strukturę końcową, taką jak tabela obserwacji, zwięzły wniosek lub pliki kodu, zamiast polegać na długości odpowiedzi jako sygnale jakości.
Limity i przygotowanie wejścia
Dedykowana strona Alibaba Qwen3.7-Flash podaje kontekst 1,000,000 tokenów, maksymalne wejście 991,808 tokenów dla odpowiedzi bezpośrednich lub 983,616 dla rozumowania oraz maksymalne wyjście 131,072 w obu trybach. Osobno wymienia maksymalną długość chain-of-thought 262,144 tokenów. Zachowaj czytelność odpowiednich szczegółów wizualnych, przytnij niepowiązany materiał i zarezerwuj miejsce na wymagany wynik. Sprawdź etykiety obiektów, wnioski przestrzenne, wyodrębniony tekst i propozycje kodu względem dostarczonych dowodów. Użyteczny opis to konkretny zakres percepcji, agentów i programowania wizualnego producenta, z zachowaniem hybrydowego trybu odpowiedzi.
", "aboutText": "Wydanie Qwen3.7 Flash\n\nQwen3.7 Flash to natywna rodzina modeli wizualno-językowych do rozumienia tekstu, obrazów i wideo z odpowiedziami tekstowymi. Opis wydania producenta przedstawia lepszą percepcję multimodalną i wykonanie agentowe w porównaniu z Qwen3.6 Flash. Praktyczny zakres zadań obejmuje rozpoznawanie obiektów, rozumienie sceny wizualnej, rozumowanie o relacjach przestrzennych i przygotowywanie kodu lub wyjaśnień na podstawie materiału wizualnego.\n\nOficjalne wydanie wymienia zarówno qwen3.7-flash, jak i datowany qwen3.7-flash-2026-07-15. Zachowaj dokładną nazwę modelu przy zapisywaniu wyniku: nazwa Flash bez daty nie identyfikuje stałej wersji producenta. Wykorzystany tutaj opis wydania nie ustanawia liczby parametrów otwartej wersji ani reprezentacji liczbowej.\n\nRozpoznawanie obiektów, percepcja świata rzeczywistego i przestrzeń\n\nPodaj obraz sceny z konkretnym pytaniem: który obiekt ma znaczenie, jaką relację należy zbadać i jakie widoczne szczegóły powinny uzasadniać odpowiedź. W diagramie zachowaj etykiety i dostarcz definicje potrzebne do ich interpretacji. Użyteczne wyjście oddziela obserwacje od wywnioskowanych relacji, ułatwiając porównanie wyjaśnienia ze źródłem.\n\nW przypadku kilku obrazów oznacz każde wejście i poproś o porównanie uporządkowane według tych etykiet. W przypadku wideo wskaż odpowiednie zdarzenie i zachowaj sekwencję lub informacje czasowe. Sprawdź dokładne liczby, pomiary przestrzenne i obserwacje na poziomie klatek względem dostarczonego materiału.\n\nAgenci multimodalni\n\nWydanie podkreśla scenariusze Search Agent i agentów z interpreterem kodu, z bardziej stabilnym wykonaniem wieloetapowym. W takim procesie aplikacja dostarcza dozwolone narzędzia, wykonuje ich działania i zwraca obserwacje. Model może używać tych wyników do aktualizacji planu. Opisz cel i warunek ukończenia oraz poproś o końcowy rezultat wraz z wszelkimi nierozstrzygniętymi dowodami. Producent wymienia wywoływanie funkcji, ustrukturyzowane dane wyjściowe, uzupełnianie prefiksu i buforowanie kontekstu. Wyszukiwanie w sieci jest obsługiwane w Beijing i Singapore oraz nieobsługiwane w pozostałych wymienionych regionach. Wnioskowanie wsadowe jest obsługiwane dla aliasu Beijing i nieobsługiwane gdzie indziej; dostrajanie jest nieobsługiwane.\n\nSpecjalizacji agentowej modelu nie należy mylić z wbudowanym dostępem do aktualnych źródeł lub środowiska wykonawczego w każdym interfejsie. Gdy zadanie wymaga pobierania informacji lub uruchamiania kodu, odróżniaj wynik zwrócony przez rzeczywiste narzędzie od proponowanego działania w tekście modelu. Ten opis nie ustanawia, jakie narzędzia udostępnia inna aplikacja.\n\nProgramowanie na podstawie obrazu\n\nQwen opisuje udoskonalone programowanie wykorzystujące materiał wizualny. Użyteczne żądanie może łączyć zrzut ekranu lub układ z wymaganiami funkcjonalnymi i prosić o edytowalny kod. Określ framework lub formę wyjścia, stany interakcji i ograniczenia w dostarczonym zadaniu. Poproś o wygenerowany rezultat oddzielnie od wyjaśnienia, aby mógł zostać oceniony lub wyrenderowany w procesie programistycznym.\n\nW przypadku istniejącego interfejsu wskaż zamierzoną zmianę i odpowiedni kontekst kodu zamiast prosić o niepowiązane przeprojektowanie. Model może połączyć wymaganie wizualne z propozycją kodu; ta propozycja nie dowodzi, że interfejs wyrenderowano lub działa poprawnie. Te przykłady zadań wykorzystują zakres programowania wizualnego producenta bez dodawania gwarancji wykonania.\n\nRozumowanie i bezpośrednie odpowiedzi\n\nPrzewodnik producenta po obsługiwanych modelach wymienia Qwen3.7 Flash jako rodzinę hybrydowego rozumowania z domyślnie włączonym rozumowaniem. Udokumentowany proces hybrydowy może wyłączyć rozumowanie dla bezpośredniej odpowiedzi. Oddzielaj wyjście rozumowania od odpowiedzi końcowej, gdy interfejs dostarcza oba. Ustawień osobno nazwanego modelu Qwen-Omni lub otwartego modelu gęstego nie należy przenosić wyłącznie dlatego, że dzielą nazwę Qwen.\n\nUżywaj głębszej analizy do pytania wizualnego łączącego kilka obserwacji; proś o wynik bezpośredni przy prostym opisie. Określ sprawdzalną strukturę końcową, taką jak tabela obserwacji, zwięzły wniosek lub pliki kodu, zamiast polegać na długości odpowiedzi jako sygnale jakości.\n\nLimity i przygotowanie wejścia\n\nDedykowana strona Alibaba Qwen3.7-Flash podaje kontekst 1,000,000 tokenów, maksymalne wejście 991,808 tokenów dla odpowiedzi bezpośrednich lub 983,616 dla rozumowania oraz maksymalne wyjście 131,072 w obu trybach. Osobno wymienia maksymalną długość chain-of-thought 262,144 tokenów. Zachowaj czytelność odpowiednich szczegółów wizualnych, przytnij niepowiązany materiał i zarezerwuj miejsce na wymagany wynik. Sprawdź etykiety obiektów, wnioski przestrzenne, wyodrębniony tekst i propozycje kodu względem dostarczonych dowodów. Użyteczny opis to konkretny zakres percepcji, agentów i programowania wizualnego producenta, z zachowaniem hybrydowego trybu odpowiedzi.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to rodzina modeli wizualno-językowych Qwen do tekstu, obrazów i wideo, zwracających tekst. Producent podkreśla lepsze rozpoznawanie obiektów, rozumienie przestrzeni, multimodalną pracę agentową i programowanie na podstawie obrazu, z domyślnie włączonym rozumowaniem i opcjonalnym trybem odpowiedzi bezpośredniej.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Wydanie Qwen3.7 Flash
Qwen3.7 Flash to natywna rodzina modeli wizualno-językowych do rozumienia tekstu, obrazów i wideo z odpowiedziami tekstowymi. Opis wydania producenta przedstawia lepszą percepcję multimodalną i wykonanie agentowe w porównaniu z Qwen3.6 Flash. Praktyczny zakres zadań obejmuje rozpoznawanie obiektów, rozumienie sceny wizualnej, rozumowanie o relacjach przestrzennych i przygotowywanie kodu lub wyjaśnień na podstawie materiału wizualnego.
Oficjalne wydanie wymienia zarówno qwen3.7-flash, jak i datowany qwen3.7-flash-2026-07-15. Zachowaj dokładną nazwę modelu przy zapisywaniu wyniku: nazwa Flash bez daty nie identyfikuje stałej wersji producenta. Wykorzystany tutaj opis wydania nie ustanawia liczby parametrów otwartej wersji ani reprezentacji liczbowej.
Rozpoznawanie obiektów, percepcja świata rzeczywistego i przestrzeń
Podaj obraz sceny z konkretnym pytaniem: który obiekt ma znaczenie, jaką relację należy zbadać i jakie widoczne szczegóły powinny uzasadniać odpowiedź. W diagramie zachowaj etykiety i dostarcz definicje potrzebne do ich interpretacji. Użyteczne wyjście oddziela obserwacje od wywnioskowanych relacji, ułatwiając porównanie wyjaśnienia ze źródłem.
W przypadku kilku obrazów oznacz każde wejście i poproś o porównanie uporządkowane według tych etykiet. W przypadku wideo wskaż odpowiednie zdarzenie i zachowaj sekwencję lub informacje czasowe. Sprawdź dokładne liczby, pomiary przestrzenne i obserwacje na poziomie klatek względem dostarczonego materiału.
Agenci multimodalni
Wydanie podkreśla scenariusze Search Agent i agentów z interpreterem kodu, z bardziej stabilnym wykonaniem wieloetapowym. W takim procesie aplikacja dostarcza dozwolone narzędzia, wykonuje ich działania i zwraca obserwacje. Model może używać tych wyników do aktualizacji planu. Opisz cel i warunek ukończenia oraz poproś o końcowy rezultat wraz z wszelkimi nierozstrzygniętymi dowodami. Producent wymienia wywoływanie funkcji, ustrukturyzowane dane wyjściowe, uzupełnianie prefiksu i buforowanie kontekstu. Wyszukiwanie w sieci jest obsługiwane w Beijing i Singapore oraz nieobsługiwane w pozostałych wymienionych regionach. Wnioskowanie wsadowe jest obsługiwane dla aliasu Beijing i nieobsługiwane gdzie indziej; dostrajanie jest nieobsługiwane.
Specjalizacji agentowej modelu nie należy mylić z wbudowanym dostępem do aktualnych źródeł lub środowiska wykonawczego w każdym interfejsie. Gdy zadanie wymaga pobierania informacji lub uruchamiania kodu, odróżniaj wynik zwrócony przez rzeczywiste narzędzie od proponowanego działania w tekście modelu. Ten opis nie ustanawia, jakie narzędzia udostępnia inna aplikacja.
Programowanie na podstawie obrazu
Qwen opisuje udoskonalone programowanie wykorzystujące materiał wizualny. Użyteczne żądanie może łączyć zrzut ekranu lub układ z wymaganiami funkcjonalnymi i prosić o edytowalny kod. Określ framework lub formę wyjścia, stany interakcji i ograniczenia w dostarczonym zadaniu. Poproś o wygenerowany rezultat oddzielnie od wyjaśnienia, aby mógł zostać oceniony lub wyrenderowany w procesie programistycznym.
W przypadku istniejącego interfejsu wskaż zamierzoną zmianę i odpowiedni kontekst kodu zamiast prosić o niepowiązane przeprojektowanie. Model może połączyć wymaganie wizualne z propozycją kodu; ta propozycja nie dowodzi, że interfejs wyrenderowano lub działa poprawnie. Te przykłady zadań wykorzystują zakres programowania wizualnego producenta bez dodawania gwarancji wykonania.
Rozumowanie i bezpośrednie odpowiedzi
Przewodnik producenta po obsługiwanych modelach wymienia Qwen3.7 Flash jako rodzinę hybrydowego rozumowania z domyślnie włączonym rozumowaniem. Udokumentowany proces hybrydowy może wyłączyć rozumowanie dla bezpośredniej odpowiedzi. Oddzielaj wyjście rozumowania od odpowiedzi końcowej, gdy interfejs dostarcza oba. Ustawień osobno nazwanego modelu Qwen-Omni lub otwartego modelu gęstego nie należy przenosić wyłącznie dlatego, że dzielą nazwę Qwen.
Używaj głębszej analizy do pytania wizualnego łączącego kilka obserwacji; proś o wynik bezpośredni przy prostym opisie. Określ sprawdzalną strukturę końcową, taką jak tabela obserwacji, zwięzły wniosek lub pliki kodu, zamiast polegać na długości odpowiedzi jako sygnale jakości.
Limity i przygotowanie wejścia
Dedykowana strona Alibaba Qwen3.7-Flash podaje kontekst 1,000,000 tokenów, maksymalne wejście 991,808 tokenów dla odpowiedzi bezpośrednich lub 983,616 dla rozumowania oraz maksymalne wyjście 131,072 w obu trybach. Osobno wymienia maksymalną długość chain-of-thought 262,144 tokenów. Zachowaj czytelność odpowiednich szczegółów wizualnych, przytnij niepowiązany materiał i zarezerwuj miejsce na wymagany wynik. Sprawdź etykiety obiektów, wnioski przestrzenne, wyodrębniony tekst i propozycje kodu względem dostarczonych dowodów. Użyteczny opis to konkretny zakres percepcji, agentów i programowania wizualnego producenta, z zachowaniem hybrydowego trybu odpowiedzi.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.7-flash | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00026 / 1K tokenów Wejście · Odczyt cache $0.000012 / 1K tokenów Wejście · Zapis do cache $0.000076 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie32 000 | Opłata Wejście · Tokeny wejściowe $0.00006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00026 / 1K tokenów Wejście · Odczyt cache $0.000012 / 1K tokenów Wejście · Zapis do cache $0.000076 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż32 000 | Tokeny kontekstu, do podanej wartości włącznie256 000 | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0.00004 / 1K tokenów Wejście · Zapis do cache $0.00025 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPróg długości żądania 3 | Tabela stawek— | Tokeny kontekstu, więcej niż256 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0016 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache $0.0005 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen/qwen3.7-flash
Użyj ścieżek metod podanych powyżej.
qwen/qwen3.7-flashQwen3.7 Flash to rodzina modeli wizualno-językowych Qwen do tekstu, obrazów i wideo, zwracających tekst. Producent podkreśla lepsze rozpoznawanie obiektów, rozumienie przestrzeni, multimodalną pracę agentową i programowanie na podstawie obrazu, z domyślnie włączonym rozumowaniem i opcjonalnym trybem odpowiedzi bezpośredniej.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Wydanie Qwen3.7 Flash
Qwen3.7 Flash to natywna rodzina modeli wizualno-językowych do rozumienia tekstu, obrazów i wideo z odpowiedziami tekstowymi. Opis wydania producenta przedstawia lepszą percepcję multimodalną i wykonanie agentowe w porównaniu z Qwen3.6 Flash. Praktyczny zakres zadań obejmuje rozpoznawanie obiektów, rozumienie sceny wizualnej, rozumowanie o relacjach przestrzennych i przygotowywanie kodu lub wyjaśnień na podstawie materiału wizualnego.
Oficjalne wydanie wymienia zarówno qwen3.7-flash, jak i datowany qwen3.7-flash-2026-07-15. Zachowaj dokładną nazwę modelu przy zapisywaniu wyniku: nazwa Flash bez daty nie identyfikuje stałej wersji producenta. Wykorzystany tutaj opis wydania nie ustanawia liczby parametrów otwartej wersji ani reprezentacji liczbowej.
Rozpoznawanie obiektów, percepcja świata rzeczywistego i przestrzeń
Podaj obraz sceny z konkretnym pytaniem: który obiekt ma znaczenie, jaką relację należy zbadać i jakie widoczne szczegóły powinny uzasadniać odpowiedź. W diagramie zachowaj etykiety i dostarcz definicje potrzebne do ich interpretacji. Użyteczne wyjście oddziela obserwacje od wywnioskowanych relacji, ułatwiając porównanie wyjaśnienia ze źródłem.
W przypadku kilku obrazów oznacz każde wejście i poproś o porównanie uporządkowane według tych etykiet. W przypadku wideo wskaż odpowiednie zdarzenie i zachowaj sekwencję lub informacje czasowe. Sprawdź dokładne liczby, pomiary przestrzenne i obserwacje na poziomie klatek względem dostarczonego materiału.
Agenci multimodalni
Wydanie podkreśla scenariusze Search Agent i agentów z interpreterem kodu, z bardziej stabilnym wykonaniem wieloetapowym. W takim procesie aplikacja dostarcza dozwolone narzędzia, wykonuje ich działania i zwraca obserwacje. Model może używać tych wyników do aktualizacji planu. Opisz cel i warunek ukończenia oraz poproś o końcowy rezultat wraz z wszelkimi nierozstrzygniętymi dowodami. Producent wymienia wywoływanie funkcji, ustrukturyzowane dane wyjściowe, uzupełnianie prefiksu i buforowanie kontekstu. Wyszukiwanie w sieci jest obsługiwane w Beijing i Singapore oraz nieobsługiwane w pozostałych wymienionych regionach. Wnioskowanie wsadowe jest obsługiwane dla aliasu Beijing i nieobsługiwane gdzie indziej; dostrajanie jest nieobsługiwane.
Specjalizacji agentowej modelu nie należy mylić z wbudowanym dostępem do aktualnych źródeł lub środowiska wykonawczego w każdym interfejsie. Gdy zadanie wymaga pobierania informacji lub uruchamiania kodu, odróżniaj wynik zwrócony przez rzeczywiste narzędzie od proponowanego działania w tekście modelu. Ten opis nie ustanawia, jakie narzędzia udostępnia inna aplikacja.
Programowanie na podstawie obrazu
Qwen opisuje udoskonalone programowanie wykorzystujące materiał wizualny. Użyteczne żądanie może łączyć zrzut ekranu lub układ z wymaganiami funkcjonalnymi i prosić o edytowalny kod. Określ framework lub formę wyjścia, stany interakcji i ograniczenia w dostarczonym zadaniu. Poproś o wygenerowany rezultat oddzielnie od wyjaśnienia, aby mógł zostać oceniony lub wyrenderowany w procesie programistycznym.
W przypadku istniejącego interfejsu wskaż zamierzoną zmianę i odpowiedni kontekst kodu zamiast prosić o niepowiązane przeprojektowanie. Model może połączyć wymaganie wizualne z propozycją kodu; ta propozycja nie dowodzi, że interfejs wyrenderowano lub działa poprawnie. Te przykłady zadań wykorzystują zakres programowania wizualnego producenta bez dodawania gwarancji wykonania.
Rozumowanie i bezpośrednie odpowiedzi
Przewodnik producenta po obsługiwanych modelach wymienia Qwen3.7 Flash jako rodzinę hybrydowego rozumowania z domyślnie włączonym rozumowaniem. Udokumentowany proces hybrydowy może wyłączyć rozumowanie dla bezpośredniej odpowiedzi. Oddzielaj wyjście rozumowania od odpowiedzi końcowej, gdy interfejs dostarcza oba. Ustawień osobno nazwanego modelu Qwen-Omni lub otwartego modelu gęstego nie należy przenosić wyłącznie dlatego, że dzielą nazwę Qwen.
Używaj głębszej analizy do pytania wizualnego łączącego kilka obserwacji; proś o wynik bezpośredni przy prostym opisie. Określ sprawdzalną strukturę końcową, taką jak tabela obserwacji, zwięzły wniosek lub pliki kodu, zamiast polegać na długości odpowiedzi jako sygnale jakości.
Limity i przygotowanie wejścia
Dedykowana strona Alibaba Qwen3.7-Flash podaje kontekst 1,000,000 tokenów, maksymalne wejście 991,808 tokenów dla odpowiedzi bezpośrednich lub 983,616 dla rozumowania oraz maksymalne wyjście 131,072 w obu trybach. Osobno wymienia maksymalną długość chain-of-thought 262,144 tokenów. Zachowaj czytelność odpowiednich szczegółów wizualnych, przytnij niepowiązany materiał i zarezerwuj miejsce na wymagany wynik. Sprawdź etykiety obiektów, wnioski przestrzenne, wyodrębniony tekst i propozycje kodu względem dostarczonych dowodów. Użyteczny opis to konkretny zakres percepcji, agentów i programowania wizualnego producenta, z zachowaniem hybrydowego trybu odpowiedzi.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.7-flash | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00026 / 1K tokenów Wejście · Odczyt cache $0.000012 / 1K tokenów Wejście · Zapis do cache $0.000076 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie32 000 | Opłata Wejście · Tokeny wejściowe $0.00006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00026 / 1K tokenów Wejście · Odczyt cache $0.000012 / 1K tokenów Wejście · Zapis do cache $0.000076 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż32 000 | Tokeny kontekstu, do podanej wartości włącznie256 000 | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0.00004 / 1K tokenów Wejście · Zapis do cache $0.00025 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPróg długości żądania 3 | Tabela stawek— | Tokeny kontekstu, więcej niż256 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0016 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache $0.0005 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen/qwen3.7-flash
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.