Qwen-Long é a linha de processamento documental da Qwen para encontrar informação, comparar materiais e responder a perguntas sobre um grande corpus textual. A sua característica distintiva é um processo documentado de carregamento de ficheiros e utilização de referências que trata até 10 milhões de tokens. A tarefa não consiste apenas em produzir uma resposta de chat mais longa: consiste em manter disponível uma coleção substancial de documentos-fonte enquanto se fazem perguntas específicas sobre eles.
Como funciona o processo documental
O fabricante descreve duas etapas. Primeiro, carregue os ficheiros selecionados e aguarde que o analisador de documentos termine. As referências obtidas identificam os documentos preparados. Depois, faça uma pergunta e inclua as referências ao material que deve ser considerado. O modelo realiza a inferência sobre o texto associado a esses documentos. Isto separa a preparação documental da pergunta e evita reenviar o ficheiro completo em cada turno da conversa.
Prepare um único documento quando o objetivo for um resumo, a explicação de uma secção ou a extração de condições específicas. Identifique as secções importantes e peça um resultado com uma finalidade observável. Por exemplo: forneça uma especificação de produto, peça as condições de funcionamento que esta enumera explicitamente e solicite uma tabela breve com a condição, a secção da fonte e quaisquer pormenores em falta. Estes nomes de campos são um exemplo de estrutura para o resultado, não um esquema fixo incorporado.
Vários documentos e perguntas de seguimento
O processo documentado aceita vários ficheiros preparados no mesmo pedido. Isto permite comparar documentos: identificar uma característica em cada especificação, distinguir as afirmações comuns das diferenças e reunir as questões por resolver. Um pedido pode incluir até 100 referências de ficheiros. Selecione os ficheiros relevantes para a pergunta, em vez de presumir que a existência de um contexto extenso define o que deve ser comparado.
O fabricante também demonstra a adição de um novo documento após uma resposta inicial. Mantenha a resposta anterior na conversa, acrescente a nova fonte e faça uma pergunta de seguimento, como em que diferem as duas descrições. Numa aplicação, distinga a resposta anterior dos novos elementos de prova fornecidos. Um resultado útil pode ser uma tabela comparativa com colunas separadas para cada documento e uma explicação das divergências, em vez de um resumo combinado que perde a fonte de cada afirmação.
A entrada de texto simples é outra via documentada. Os materiais mais pequenos podem ser fornecidos diretamente como texto, em vez de referências a ficheiros carregados. O guia do fabricante exige a via baseada em referências quando o conteúdo documental incluído diretamente excede 1 milhão de tokens, devido aos limites de tamanho dos pedidos. Este limiar é distinto do contexto documental de 10 milhões de tokens: a aceitação de um corpus grande não promete que seja aceite um único volume de texto em bruto igualmente grande.
Formatos, contexto e saída
O serviço documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, bem como BMP, PNG, JPG/JPEG e GIF. Os ficheiros de imagem carregados estão limitados a 20 MB; os restantes ficheiros suportados estão limitados a 150 MB. São limites do processo de preparação documental do fabricante, não uma afirmação de que o modelo de linguagem raciocina diretamente sobre cada formato binário sem análise prévia.
A especificação publicada indica um contexto e uma entrada máxima de 10 000 000 tokens, com até 32 768 tokens de saída. No formato de conversa documentado com referências de ficheiros, a pergunta do utilizador tem um limite separado de 9 000 tokens quando uma segunda mensagem de sistema fornece os documentos. Mantenha a pergunta concisa e reserve a maior parte do contexto documental para as fontes. Uma entrada de contexto longo e o comprimento da resposta resolvem problemas diferentes: um corpus grande pode continuar a exigir um resultado curto e rigorosamente estruturado.
As perguntas frequentes do fabricante documentam a saída estruturada baseada em JSON Schema para Qwen-Long e as suas versões datadas. Isto é útil para tarefas de extração repetidas que precisam dos mesmos campos em toda uma coleção. Especifique a informação necessária, o tipo de cada campo e o que fazer quando a fonte não contém um valor. O serviço também documenta o processamento assíncrono em lote, que constitui uma alternativa de envio e não um modo de raciocínio adicional.
Uma comparação documental prática
Prepare as especificações relevantes e identifique os seus papéis antes de perguntar: qual é a descrição existente, qual é a substituição proposta e quais os requisitos obrigatórios. Peça um resultado com condições comuns, afirmações contraditórias, informação em falta e localizações nas fontes. Uma pergunta posterior pode pedir ao modelo que transforme esse resultado numa explicação concisa para um colega, preservando as distinções originais.
Limites importantes da preparação
A análise tem de terminar antes de os ficheiros preparados serem utilizados; documentos maiores podem exigir mais tempo de análise. A inferência documentada do modelo utiliza texto extraído, pelo que a completude e a legibilidade desse conteúdo preparado são importantes. Torne explícitos a seleção de ficheiros, a pergunta e o resultado exigido. A capacidade documental de Qwen-Long não deve substituir os limites de outra edição Qwen, de um pedido com texto em bruto incluído diretamente ou da resposta final.
", "aboutText": "Qwen-Long é a linha de processamento documental da Qwen para encontrar informação, comparar materiais e responder a perguntas sobre um grande corpus textual. A sua característica distintiva é um processo documentado de carregamento de ficheiros e utilização de referências que trata até 10 milhões de tokens. A tarefa não consiste apenas em produzir uma resposta de chat mais longa: consiste em manter disponível uma coleção substancial de documentos-fonte enquanto se fazem perguntas específicas sobre eles.\n\nComo funciona o processo documental\n\nO fabricante descreve duas etapas. Primeiro, carregue os ficheiros selecionados e aguarde que o analisador de documentos termine. As referências obtidas identificam os documentos preparados. Depois, faça uma pergunta e inclua as referências ao material que deve ser considerado. O modelo realiza a inferência sobre o texto associado a esses documentos. Isto separa a preparação documental da pergunta e evita reenviar o ficheiro completo em cada turno da conversa.\n\nPrepare um único documento quando o objetivo for um resumo, a explicação de uma secção ou a extração de condições específicas. Identifique as secções importantes e peça um resultado com uma finalidade observável. Por exemplo: forneça uma especificação de produto, peça as condições de funcionamento que esta enumera explicitamente e solicite uma tabela breve com a condição, a secção da fonte e quaisquer pormenores em falta. Estes nomes de campos são um exemplo de estrutura para o resultado, não um esquema fixo incorporado.\n\nVários documentos e perguntas de seguimento\n\nO processo documentado aceita vários ficheiros preparados no mesmo pedido. Isto permite comparar documentos: identificar uma característica em cada especificação, distinguir as afirmações comuns das diferenças e reunir as questões por resolver. Um pedido pode incluir até 100 referências de ficheiros. Selecione os ficheiros relevantes para a pergunta, em vez de presumir que a existência de um contexto extenso define o que deve ser comparado.\n\nO fabricante também demonstra a adição de um novo documento após uma resposta inicial. Mantenha a resposta anterior na conversa, acrescente a nova fonte e faça uma pergunta de seguimento, como em que diferem as duas descrições. Numa aplicação, distinga a resposta anterior dos novos elementos de prova fornecidos. Um resultado útil pode ser uma tabela comparativa com colunas separadas para cada documento e uma explicação das divergências, em vez de um resumo combinado que perde a fonte de cada afirmação.\n\nA entrada de texto simples é outra via documentada. Os materiais mais pequenos podem ser fornecidos diretamente como texto, em vez de referências a ficheiros carregados. O guia do fabricante exige a via baseada em referências quando o conteúdo documental incluído diretamente excede 1 milhão de tokens, devido aos limites de tamanho dos pedidos. Este limiar é distinto do contexto documental de 10 milhões de tokens: a aceitação de um corpus grande não promete que seja aceite um único volume de texto em bruto igualmente grande.\n\nFormatos, contexto e saída\n\nO serviço documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, bem como BMP, PNG, JPG/JPEG e GIF. Os ficheiros de imagem carregados estão limitados a 20 MB; os restantes ficheiros suportados estão limitados a 150 MB. São limites do processo de preparação documental do fabricante, não uma afirmação de que o modelo de linguagem raciocina diretamente sobre cada formato binário sem análise prévia.\n\nA especificação publicada indica um contexto e uma entrada máxima de 10 000 000 tokens, com até 32 768 tokens de saída. No formato de conversa documentado com referências de ficheiros, a pergunta do utilizador tem um limite separado de 9 000 tokens quando uma segunda mensagem de sistema fornece os documentos. Mantenha a pergunta concisa e reserve a maior parte do contexto documental para as fontes. Uma entrada de contexto longo e o comprimento da resposta resolvem problemas diferentes: um corpus grande pode continuar a exigir um resultado curto e rigorosamente estruturado.\n\nAs perguntas frequentes do fabricante documentam a saída estruturada baseada em JSON Schema para Qwen-Long e as suas versões datadas. Isto é útil para tarefas de extração repetidas que precisam dos mesmos campos em toda uma coleção. Especifique a informação necessária, o tipo de cada campo e o que fazer quando a fonte não contém um valor. O serviço também documenta o processamento assíncrono em lote, que constitui uma alternativa de envio e não um modo de raciocínio adicional.\n\nUma comparação documental prática\n\nPrepare as especificações relevantes e identifique os seus papéis antes de perguntar: qual é a descrição existente, qual é a substituição proposta e quais os requisitos obrigatórios. Peça um resultado com condições comuns, afirmações contraditórias, informação em falta e localizações nas fontes. Uma pergunta posterior pode pedir ao modelo que transforme esse resultado numa explicação concisa para um colega, preservando as distinções originais.\n\nLimites importantes da preparação\n\nA análise tem de terminar antes de os ficheiros preparados serem utilizados; documentos maiores podem exigir mais tempo de análise. A inferência documentada do modelo utiliza texto extraído, pelo que a completude e a legibilidade desse conteúdo preparado são importantes. Torne explícitos a seleção de ficheiros, a pergunta e o resultado exigido. A capacidade documental de Qwen-Long não deve substituir os limites de outra edição Qwen, de um pedido com texto em bruto incluído diretamente ou da resposta final.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 foi concebido para perguntas sobre grandes coleções de documentos. O fabricante documenta um processo de carregamento de ficheiros e utilização de referências com até 10 milhões de tokens de contexto documental, comparação entre ficheiros e respostas textuais estruturadas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-Long é a linha de processamento documental da Qwen para encontrar informação, comparar materiais e responder a perguntas sobre um grande corpus textual. A sua característica distintiva é um processo documentado de carregamento de ficheiros e utilização de referências que trata até 10 milhões de tokens. A tarefa não consiste apenas em produzir uma resposta de chat mais longa: consiste em manter disponível uma coleção substancial de documentos-fonte enquanto se fazem perguntas específicas sobre eles.
Como funciona o processo documental
O fabricante descreve duas etapas. Primeiro, carregue os ficheiros selecionados e aguarde que o analisador de documentos termine. As referências obtidas identificam os documentos preparados. Depois, faça uma pergunta e inclua as referências ao material que deve ser considerado. O modelo realiza a inferência sobre o texto associado a esses documentos. Isto separa a preparação documental da pergunta e evita reenviar o ficheiro completo em cada turno da conversa.
Prepare um único documento quando o objetivo for um resumo, a explicação de uma secção ou a extração de condições específicas. Identifique as secções importantes e peça um resultado com uma finalidade observável. Por exemplo: forneça uma especificação de produto, peça as condições de funcionamento que esta enumera explicitamente e solicite uma tabela breve com a condição, a secção da fonte e quaisquer pormenores em falta. Estes nomes de campos são um exemplo de estrutura para o resultado, não um esquema fixo incorporado.
Vários documentos e perguntas de seguimento
O processo documentado aceita vários ficheiros preparados no mesmo pedido. Isto permite comparar documentos: identificar uma característica em cada especificação, distinguir as afirmações comuns das diferenças e reunir as questões por resolver. Um pedido pode incluir até 100 referências de ficheiros. Selecione os ficheiros relevantes para a pergunta, em vez de presumir que a existência de um contexto extenso define o que deve ser comparado.
O fabricante também demonstra a adição de um novo documento após uma resposta inicial. Mantenha a resposta anterior na conversa, acrescente a nova fonte e faça uma pergunta de seguimento, como em que diferem as duas descrições. Numa aplicação, distinga a resposta anterior dos novos elementos de prova fornecidos. Um resultado útil pode ser uma tabela comparativa com colunas separadas para cada documento e uma explicação das divergências, em vez de um resumo combinado que perde a fonte de cada afirmação.
A entrada de texto simples é outra via documentada. Os materiais mais pequenos podem ser fornecidos diretamente como texto, em vez de referências a ficheiros carregados. O guia do fabricante exige a via baseada em referências quando o conteúdo documental incluído diretamente excede 1 milhão de tokens, devido aos limites de tamanho dos pedidos. Este limiar é distinto do contexto documental de 10 milhões de tokens: a aceitação de um corpus grande não promete que seja aceite um único volume de texto em bruto igualmente grande.
Formatos, contexto e saída
O serviço documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, bem como BMP, PNG, JPG/JPEG e GIF. Os ficheiros de imagem carregados estão limitados a 20 MB; os restantes ficheiros suportados estão limitados a 150 MB. São limites do processo de preparação documental do fabricante, não uma afirmação de que o modelo de linguagem raciocina diretamente sobre cada formato binário sem análise prévia.
A especificação publicada indica um contexto e uma entrada máxima de 10 000 000 tokens, com até 32 768 tokens de saída. No formato de conversa documentado com referências de ficheiros, a pergunta do utilizador tem um limite separado de 9 000 tokens quando uma segunda mensagem de sistema fornece os documentos. Mantenha a pergunta concisa e reserve a maior parte do contexto documental para as fontes. Uma entrada de contexto longo e o comprimento da resposta resolvem problemas diferentes: um corpus grande pode continuar a exigir um resultado curto e rigorosamente estruturado.
As perguntas frequentes do fabricante documentam a saída estruturada baseada em JSON Schema para Qwen-Long e as suas versões datadas. Isto é útil para tarefas de extração repetidas que precisam dos mesmos campos em toda uma coleção. Especifique a informação necessária, o tipo de cada campo e o que fazer quando a fonte não contém um valor. O serviço também documenta o processamento assíncrono em lote, que constitui uma alternativa de envio e não um modo de raciocínio adicional.
Uma comparação documental prática
Prepare as especificações relevantes e identifique os seus papéis antes de perguntar: qual é a descrição existente, qual é a substituição proposta e quais os requisitos obrigatórios. Peça um resultado com condições comuns, afirmações contraditórias, informação em falta e localizações nas fontes. Uma pergunta posterior pode pedir ao modelo que transforme esse resultado numa explicação concisa para um colega, preservando as distinções originais.
Limites importantes da preparação
A análise tem de terminar antes de os ficheiros preparados serem utilizados; documentos maiores podem exigir mais tempo de análise. A inferência documentada do modelo utiliza texto extraído, pelo que a completude e a legibilidade desse conteúdo preparado são importantes. Torne explícitos a seleção de ficheiros, a pergunta e o resultado exigido. A capacidade documental de Qwen-Long não deve substituir os limites de outra edição Qwen, de um pedido com texto em bruto incluído diretamente ou da resposta final.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-long | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.000144 / 1K tokens Saída · Tokens de saída $0.000572 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen-long
Use os caminhos dos métodos indicados acima.
qwen-longQwen-Long foi concebido para perguntas sobre grandes coleções de documentos. O fabricante documenta um processo de carregamento de ficheiros e utilização de referências com até 10 milhões de tokens de contexto documental, comparação entre ficheiros e respostas textuais estruturadas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-Long é a linha de processamento documental da Qwen para encontrar informação, comparar materiais e responder a perguntas sobre um grande corpus textual. A sua característica distintiva é um processo documentado de carregamento de ficheiros e utilização de referências que trata até 10 milhões de tokens. A tarefa não consiste apenas em produzir uma resposta de chat mais longa: consiste em manter disponível uma coleção substancial de documentos-fonte enquanto se fazem perguntas específicas sobre eles.
Como funciona o processo documental
O fabricante descreve duas etapas. Primeiro, carregue os ficheiros selecionados e aguarde que o analisador de documentos termine. As referências obtidas identificam os documentos preparados. Depois, faça uma pergunta e inclua as referências ao material que deve ser considerado. O modelo realiza a inferência sobre o texto associado a esses documentos. Isto separa a preparação documental da pergunta e evita reenviar o ficheiro completo em cada turno da conversa.
Prepare um único documento quando o objetivo for um resumo, a explicação de uma secção ou a extração de condições específicas. Identifique as secções importantes e peça um resultado com uma finalidade observável. Por exemplo: forneça uma especificação de produto, peça as condições de funcionamento que esta enumera explicitamente e solicite uma tabela breve com a condição, a secção da fonte e quaisquer pormenores em falta. Estes nomes de campos são um exemplo de estrutura para o resultado, não um esquema fixo incorporado.
Vários documentos e perguntas de seguimento
O processo documentado aceita vários ficheiros preparados no mesmo pedido. Isto permite comparar documentos: identificar uma característica em cada especificação, distinguir as afirmações comuns das diferenças e reunir as questões por resolver. Um pedido pode incluir até 100 referências de ficheiros. Selecione os ficheiros relevantes para a pergunta, em vez de presumir que a existência de um contexto extenso define o que deve ser comparado.
O fabricante também demonstra a adição de um novo documento após uma resposta inicial. Mantenha a resposta anterior na conversa, acrescente a nova fonte e faça uma pergunta de seguimento, como em que diferem as duas descrições. Numa aplicação, distinga a resposta anterior dos novos elementos de prova fornecidos. Um resultado útil pode ser uma tabela comparativa com colunas separadas para cada documento e uma explicação das divergências, em vez de um resumo combinado que perde a fonte de cada afirmação.
A entrada de texto simples é outra via documentada. Os materiais mais pequenos podem ser fornecidos diretamente como texto, em vez de referências a ficheiros carregados. O guia do fabricante exige a via baseada em referências quando o conteúdo documental incluído diretamente excede 1 milhão de tokens, devido aos limites de tamanho dos pedidos. Este limiar é distinto do contexto documental de 10 milhões de tokens: a aceitação de um corpus grande não promete que seja aceite um único volume de texto em bruto igualmente grande.
Formatos, contexto e saída
O serviço documental enumera TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV e JSON, bem como BMP, PNG, JPG/JPEG e GIF. Os ficheiros de imagem carregados estão limitados a 20 MB; os restantes ficheiros suportados estão limitados a 150 MB. São limites do processo de preparação documental do fabricante, não uma afirmação de que o modelo de linguagem raciocina diretamente sobre cada formato binário sem análise prévia.
A especificação publicada indica um contexto e uma entrada máxima de 10 000 000 tokens, com até 32 768 tokens de saída. No formato de conversa documentado com referências de ficheiros, a pergunta do utilizador tem um limite separado de 9 000 tokens quando uma segunda mensagem de sistema fornece os documentos. Mantenha a pergunta concisa e reserve a maior parte do contexto documental para as fontes. Uma entrada de contexto longo e o comprimento da resposta resolvem problemas diferentes: um corpus grande pode continuar a exigir um resultado curto e rigorosamente estruturado.
As perguntas frequentes do fabricante documentam a saída estruturada baseada em JSON Schema para Qwen-Long e as suas versões datadas. Isto é útil para tarefas de extração repetidas que precisam dos mesmos campos em toda uma coleção. Especifique a informação necessária, o tipo de cada campo e o que fazer quando a fonte não contém um valor. O serviço também documenta o processamento assíncrono em lote, que constitui uma alternativa de envio e não um modo de raciocínio adicional.
Uma comparação documental prática
Prepare as especificações relevantes e identifique os seus papéis antes de perguntar: qual é a descrição existente, qual é a substituição proposta e quais os requisitos obrigatórios. Peça um resultado com condições comuns, afirmações contraditórias, informação em falta e localizações nas fontes. Uma pergunta posterior pode pedir ao modelo que transforme esse resultado numa explicação concisa para um colega, preservando as distinções originais.
Limites importantes da preparação
A análise tem de terminar antes de os ficheiros preparados serem utilizados; documentos maiores podem exigir mais tempo de análise. A inferência documentada do modelo utiliza texto extraído, pelo que a completude e a legibilidade desse conteúdo preparado são importantes. Torne explícitos a seleção de ficheiros, a pergunta e o resultado exigido. A capacidade documental de Qwen-Long não deve substituir os limites de outra edição Qwen, de um pedido com texto em bruto incluído diretamente ou da resposta final.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-long | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.000144 / 1K tokens Saída · Tokens de saída $0.000572 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen-long
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.