Qwen Turbo 2024-11-01 é a versão fixa Qwen-Turbo da Alibaba, da geração Qwen2.5. Recebe instruções escritas e contexto em texto e produz uma resposta em texto. Entre as tarefas úteis estão perguntas sobre documentos fornecidos, resumos que relacionam várias fontes, explicações de uma base de código e extração para JSON. Mantenha o nome datado do modelo junto do prompt ao comparar resultados entre edições.
A apresentação de Qwen2.5-Turbo da Qwen demonstra a leitura de narrativas longas e de vários artigos relacionados. O resultado útil depende da pergunta: uma visão geral pode explicar a relação entre os trabalhos, enquanto uma comparação específica pode distinguir as suas abordagens e os elementos que as sustentam. Forneça texto claramente etiquetado e peça as distinções importantes para o leitor. Um conjunto de instruções original pode pedir a proposta principal de cada documento, a passagem que a sustenta e quaisquer divergências entre os documentos. Peça a resposta na língua de que o público precisa e mantenha as citações ligadas à respetiva fonte.
O fabricante demonstra também a leitura de um repositório reunido num ficheiro de texto, explicando primeiro a sua finalidade e localizando depois as classes e os respetivos caminhos de ficheiro. Prepare o código preservando os limites entre ficheiros, os nomes e as definições relevantes que os rodeiam. Peça um mapa de um componente antes de pedir uma explicação mais específica de como as suas partes se relacionam. A explicação ou a lista de localizações resultante pode orientar a inspeção dos ficheiros originais; confira essas localizações com o código fornecido.
No processo de texto documentado pelo fabricante, uma mensagem de sistema estabelece o papel e as regras da tarefa, uma mensagem de utilizador fornece a pergunta e o material e o modelo responde como assistente. Identifique explicitamente o resultado pretendido: um resumo, uma tabela comparativa, uma explicação concisa ou campos extraídos. Para uma tarefa sobre documentos, distinga o texto a ler da instrução que descreve o que fazer com ele. Inclua a terminologia, a língua de saída e qualquer regra para tratar informação que a fonte não fornece.
O processo Chat Completions do fabricante não mantém estado: para continuar a discussão, é necessário fornecer o histórico da conversa com a pergunta seguinte. Acrescente as mensagens anteriores do utilizador e do assistente quando o pedido de seguimento depender delas. Um primeiro turno pode estabelecer o argumento de um documento; um segundo pode perguntar que passagem sustenta uma conclusão. Mantenha disponível o contexto de origem necessário, em vez de presumir que uma resposta anterior dá memória permanente ao modelo. À medida que a discussão cresce, preserve os turnos recentes e os factos importantes das fontes ou use um resumo revisto do material anterior. Remover ou comprimir o histórico pode eliminar detalhes necessários à resposta seguinte.
A Alibaba inclui explicitamente qwen-turbo-2024-11-01 no seu suporte de JSON Object. No processo do fabricante, o formato da resposta é definido como json_object e uma instrução de sistema ou de utilizador tem de conter a palavra JSON. Especifique os nomes dos campos e o tratamento da informação em falta. Por exemplo, as instruções de extração podem pedir o título de um documento, o autor identificado pelo nome e uma passagem que os sustente, com uma convenção definida para a ausência de autor.
O modo JSON Object visa uma sintaxe JSON válida; não impõe um esquema específico, nomes de campos estáveis nem tipos de campos. Inspecione o objeto devolvido quanto aos campos e valores que a tarefa exige antes de o utilizar nas etapas seguintes. Um resultado interrompido antes de estar concluído também pode ser JSON inválido. Preserve o objeto completo e o seu texto de origem para distinguir um problema de formatação de uma extração incorreta.
A apresentação da Qwen identifica instabilidade em tarefas exigentes com sequências longas. Uma grande quantidade de texto fornecido não garante que todos os detalhes sejam recuperados ou que todas as relações sejam interpretadas corretamente. Confira as afirmações importantes, as referências e as localizações de código com o material original, sobretudo quando a conclusão relaciona passagens distantes. Preserve a fonte, o prompt exato e a resposta selecionada como resultado de trabalho. O mapeamento de versões da Alibaba distingue esta versão de Qwen-Turbo-2025-04-28, pelo que uma comparação entre edições deve manter ambos os nomes dos modelos e a mesma tarefa.
", "aboutText": "Qwen Turbo 2024-11-01 é a versão fixa Qwen-Turbo da Alibaba, da geração Qwen2.5. Recebe instruções escritas e contexto em texto e produz uma resposta em texto. Entre as tarefas úteis estão perguntas sobre documentos fornecidos, resumos que relacionam várias fontes, explicações de uma base de código e extração para JSON. Mantenha o nome datado do modelo junto do prompt ao comparar resultados entre edições.\n\n### Leia material relacionado com uma pergunta específica\n\nA apresentação de Qwen2.5-Turbo da Qwen demonstra a leitura de narrativas longas e de vários artigos relacionados. O resultado útil depende da pergunta: uma visão geral pode explicar a relação entre os trabalhos, enquanto uma comparação específica pode distinguir as suas abordagens e os elementos que as sustentam. Forneça texto claramente etiquetado e peça as distinções importantes para o leitor. Um conjunto de instruções original pode pedir a proposta principal de cada documento, a passagem que a sustenta e quaisquer divergências entre os documentos. Peça a resposta na língua de que o público precisa e mantenha as citações ligadas à respetiva fonte.\n\n### Compreenda um repositório através do seu texto\n\nO fabricante demonstra também a leitura de um repositório reunido num ficheiro de texto, explicando primeiro a sua finalidade e localizando depois as classes e os respetivos caminhos de ficheiro. Prepare o código preservando os limites entre ficheiros, os nomes e as definições relevantes que os rodeiam. Peça um mapa de um componente antes de pedir uma explicação mais específica de como as suas partes se relacionam. A explicação ou a lista de localizações resultante pode orientar a inspeção dos ficheiros originais; confira essas localizações com o código fornecido.\n\n### Forneça instruções e material como mensagens\n\nNo processo de texto documentado pelo fabricante, uma mensagem de sistema estabelece o papel e as regras da tarefa, uma mensagem de utilizador fornece a pergunta e o material e o modelo responde como assistente. Identifique explicitamente o resultado pretendido: um resumo, uma tabela comparativa, uma explicação concisa ou campos extraídos. Para uma tarefa sobre documentos, distinga o texto a ler da instrução que descreve o que fazer com ele. Inclua a terminologia, a língua de saída e qualquer regra para tratar informação que a fonte não fornece.\n\n### Continue uma conversa com o histórico relevante\n\nO processo Chat Completions do fabricante não mantém estado: para continuar a discussão, é necessário fornecer o histórico da conversa com a pergunta seguinte. Acrescente as mensagens anteriores do utilizador e do assistente quando o pedido de seguimento depender delas. Um primeiro turno pode estabelecer o argumento de um documento; um segundo pode perguntar que passagem sustenta uma conclusão. Mantenha disponível o contexto de origem necessário, em vez de presumir que uma resposta anterior dá memória permanente ao modelo. À medida que a discussão cresce, preserve os turnos recentes e os factos importantes das fontes ou use um resumo revisto do material anterior. Remover ou comprimir o histórico pode eliminar detalhes necessários à resposta seguinte.\n\n### Extraia informação com o modo JSON Object\n\nA Alibaba inclui explicitamente qwen-turbo-2024-11-01 no seu suporte de JSON Object. No processo do fabricante, o formato da resposta é definido como json_object e uma instrução de sistema ou de utilizador tem de conter a palavra JSON. Especifique os nomes dos campos e o tratamento da informação em falta. Por exemplo, as instruções de extração podem pedir o título de um documento, o autor identificado pelo nome e uma passagem que os sustente, com uma convenção definida para a ausência de autor.\n\nO modo JSON Object visa uma sintaxe JSON válida; não impõe um esquema específico, nomes de campos estáveis nem tipos de campos. Inspecione o objeto devolvido quanto aos campos e valores que a tarefa exige antes de o utilizar nas etapas seguintes. Um resultado interrompido antes de estar concluído também pode ser JSON inválido. Preserve o objeto completo e o seu texto de origem para distinguir um problema de formatação de uma extração incorreta.\n\n### Confira a resposta com o material original\n\nA apresentação da Qwen identifica instabilidade em tarefas exigentes com sequências longas. Uma grande quantidade de texto fornecido não garante que todos os detalhes sejam recuperados ou que todas as relações sejam interpretadas corretamente. Confira as afirmações importantes, as referências e as localizações de código com o material original, sobretudo quando a conclusão relaciona passagens distantes. Preserve a fonte, o prompt exato e a resposta selecionada como resultado de trabalho. O mapeamento de versões da Alibaba distingue esta versão de Qwen-Turbo-2025-04-28, pelo que uma comparação entre edições deve manter ambos os nomes dos modelos e a mesma tarefa.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 da Alibaba é uma versão fixa de um modelo de texto para responder a perguntas sobre material fornecido, resumir documentos relacionados e ler código-fonte. Suporta também o modo JSON Object do fabricante para extrair informação para um resultado que pode ser analisado sintaticamente.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen Turbo 2024-11-01 é a versão fixa Qwen-Turbo da Alibaba, da geração Qwen2.5. Recebe instruções escritas e contexto em texto e produz uma resposta em texto. Entre as tarefas úteis estão perguntas sobre documentos fornecidos, resumos que relacionam várias fontes, explicações de uma base de código e extração para JSON. Mantenha o nome datado do modelo junto do prompt ao comparar resultados entre edições.
A apresentação de Qwen2.5-Turbo da Qwen demonstra a leitura de narrativas longas e de vários artigos relacionados. O resultado útil depende da pergunta: uma visão geral pode explicar a relação entre os trabalhos, enquanto uma comparação específica pode distinguir as suas abordagens e os elementos que as sustentam. Forneça texto claramente etiquetado e peça as distinções importantes para o leitor. Um conjunto de instruções original pode pedir a proposta principal de cada documento, a passagem que a sustenta e quaisquer divergências entre os documentos. Peça a resposta na língua de que o público precisa e mantenha as citações ligadas à respetiva fonte.
O fabricante demonstra também a leitura de um repositório reunido num ficheiro de texto, explicando primeiro a sua finalidade e localizando depois as classes e os respetivos caminhos de ficheiro. Prepare o código preservando os limites entre ficheiros, os nomes e as definições relevantes que os rodeiam. Peça um mapa de um componente antes de pedir uma explicação mais específica de como as suas partes se relacionam. A explicação ou a lista de localizações resultante pode orientar a inspeção dos ficheiros originais; confira essas localizações com o código fornecido.
No processo de texto documentado pelo fabricante, uma mensagem de sistema estabelece o papel e as regras da tarefa, uma mensagem de utilizador fornece a pergunta e o material e o modelo responde como assistente. Identifique explicitamente o resultado pretendido: um resumo, uma tabela comparativa, uma explicação concisa ou campos extraídos. Para uma tarefa sobre documentos, distinga o texto a ler da instrução que descreve o que fazer com ele. Inclua a terminologia, a língua de saída e qualquer regra para tratar informação que a fonte não fornece.
O processo Chat Completions do fabricante não mantém estado: para continuar a discussão, é necessário fornecer o histórico da conversa com a pergunta seguinte. Acrescente as mensagens anteriores do utilizador e do assistente quando o pedido de seguimento depender delas. Um primeiro turno pode estabelecer o argumento de um documento; um segundo pode perguntar que passagem sustenta uma conclusão. Mantenha disponível o contexto de origem necessário, em vez de presumir que uma resposta anterior dá memória permanente ao modelo. À medida que a discussão cresce, preserve os turnos recentes e os factos importantes das fontes ou use um resumo revisto do material anterior. Remover ou comprimir o histórico pode eliminar detalhes necessários à resposta seguinte.
A Alibaba inclui explicitamente qwen-turbo-2024-11-01 no seu suporte de JSON Object. No processo do fabricante, o formato da resposta é definido como json_object e uma instrução de sistema ou de utilizador tem de conter a palavra JSON. Especifique os nomes dos campos e o tratamento da informação em falta. Por exemplo, as instruções de extração podem pedir o título de um documento, o autor identificado pelo nome e uma passagem que os sustente, com uma convenção definida para a ausência de autor.
O modo JSON Object visa uma sintaxe JSON válida; não impõe um esquema específico, nomes de campos estáveis nem tipos de campos. Inspecione o objeto devolvido quanto aos campos e valores que a tarefa exige antes de o utilizar nas etapas seguintes. Um resultado interrompido antes de estar concluído também pode ser JSON inválido. Preserve o objeto completo e o seu texto de origem para distinguir um problema de formatação de uma extração incorreta.
A apresentação da Qwen identifica instabilidade em tarefas exigentes com sequências longas. Uma grande quantidade de texto fornecido não garante que todos os detalhes sejam recuperados ou que todas as relações sejam interpretadas corretamente. Confira as afirmações importantes, as referências e as localizações de código com o material original, sobretudo quando a conclusão relaciona passagens distantes. Preserve a fonte, o prompt exato e a resposta selecionada como resultado de trabalho. O mapeamento de versões da Alibaba distingue esta versão de Qwen-Turbo-2025-04-28, pelo que uma comparação entre edições deve manter ambos os nomes dos modelos e a mesma tarefa.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokens Saída · Tokens de saída $0.00018 / 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-turbo-2024-11-01", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-turbo-2024-11-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-turbo-2024-11-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-turbo-2024-11-01
Use os caminhos dos métodos indicados acima.
qwen-turbo-2024-11-01Qwen Turbo 2024-11-01 da Alibaba é uma versão fixa de um modelo de texto para responder a perguntas sobre material fornecido, resumir documentos relacionados e ler código-fonte. Suporta também o modo JSON Object do fabricante para extrair informação para um resultado que pode ser analisado sintaticamente.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen Turbo 2024-11-01 é a versão fixa Qwen-Turbo da Alibaba, da geração Qwen2.5. Recebe instruções escritas e contexto em texto e produz uma resposta em texto. Entre as tarefas úteis estão perguntas sobre documentos fornecidos, resumos que relacionam várias fontes, explicações de uma base de código e extração para JSON. Mantenha o nome datado do modelo junto do prompt ao comparar resultados entre edições.
A apresentação de Qwen2.5-Turbo da Qwen demonstra a leitura de narrativas longas e de vários artigos relacionados. O resultado útil depende da pergunta: uma visão geral pode explicar a relação entre os trabalhos, enquanto uma comparação específica pode distinguir as suas abordagens e os elementos que as sustentam. Forneça texto claramente etiquetado e peça as distinções importantes para o leitor. Um conjunto de instruções original pode pedir a proposta principal de cada documento, a passagem que a sustenta e quaisquer divergências entre os documentos. Peça a resposta na língua de que o público precisa e mantenha as citações ligadas à respetiva fonte.
O fabricante demonstra também a leitura de um repositório reunido num ficheiro de texto, explicando primeiro a sua finalidade e localizando depois as classes e os respetivos caminhos de ficheiro. Prepare o código preservando os limites entre ficheiros, os nomes e as definições relevantes que os rodeiam. Peça um mapa de um componente antes de pedir uma explicação mais específica de como as suas partes se relacionam. A explicação ou a lista de localizações resultante pode orientar a inspeção dos ficheiros originais; confira essas localizações com o código fornecido.
No processo de texto documentado pelo fabricante, uma mensagem de sistema estabelece o papel e as regras da tarefa, uma mensagem de utilizador fornece a pergunta e o material e o modelo responde como assistente. Identifique explicitamente o resultado pretendido: um resumo, uma tabela comparativa, uma explicação concisa ou campos extraídos. Para uma tarefa sobre documentos, distinga o texto a ler da instrução que descreve o que fazer com ele. Inclua a terminologia, a língua de saída e qualquer regra para tratar informação que a fonte não fornece.
O processo Chat Completions do fabricante não mantém estado: para continuar a discussão, é necessário fornecer o histórico da conversa com a pergunta seguinte. Acrescente as mensagens anteriores do utilizador e do assistente quando o pedido de seguimento depender delas. Um primeiro turno pode estabelecer o argumento de um documento; um segundo pode perguntar que passagem sustenta uma conclusão. Mantenha disponível o contexto de origem necessário, em vez de presumir que uma resposta anterior dá memória permanente ao modelo. À medida que a discussão cresce, preserve os turnos recentes e os factos importantes das fontes ou use um resumo revisto do material anterior. Remover ou comprimir o histórico pode eliminar detalhes necessários à resposta seguinte.
A Alibaba inclui explicitamente qwen-turbo-2024-11-01 no seu suporte de JSON Object. No processo do fabricante, o formato da resposta é definido como json_object e uma instrução de sistema ou de utilizador tem de conter a palavra JSON. Especifique os nomes dos campos e o tratamento da informação em falta. Por exemplo, as instruções de extração podem pedir o título de um documento, o autor identificado pelo nome e uma passagem que os sustente, com uma convenção definida para a ausência de autor.
O modo JSON Object visa uma sintaxe JSON válida; não impõe um esquema específico, nomes de campos estáveis nem tipos de campos. Inspecione o objeto devolvido quanto aos campos e valores que a tarefa exige antes de o utilizar nas etapas seguintes. Um resultado interrompido antes de estar concluído também pode ser JSON inválido. Preserve o objeto completo e o seu texto de origem para distinguir um problema de formatação de uma extração incorreta.
A apresentação da Qwen identifica instabilidade em tarefas exigentes com sequências longas. Uma grande quantidade de texto fornecido não garante que todos os detalhes sejam recuperados ou que todas as relações sejam interpretadas corretamente. Confira as afirmações importantes, as referências e as localizações de código com o material original, sobretudo quando a conclusão relaciona passagens distantes. Preserve a fonte, o prompt exato e a resposta selecionada como resultado de trabalho. O mapeamento de versões da Alibaba distingue esta versão de Qwen-Turbo-2025-04-28, pelo que uma comparação entre edições deve manter ambos os nomes dos modelos e a mesma tarefa.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-turbo-2024-11-01 | 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 $0.0001 / 1K tokens Saída · Tokens de saída $0.00018 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen-turbo-2024-11-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-turbo-2024-11-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-turbo-2024-11-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-turbo-2024-11-01
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Map a component from supplied code text\n\nMap this miniature repository. File reader.py: class CsvReader exposes read(path). File service.py: class ImportService receives a reader and calls reader.read(path) inside import_file(path). Explain each class’s role, identify where file loading occurs and list the supplied paths. Do not invent validation, storage or error handling absent from the excerpts.A two-component map, the read call location and an explicit list of unspecified behavior.Check that file loading is attributed to CsvReader.read and orchestration to ImportService.import_file, using the supplied paths only.