Qwen-Long (2025-01-25) är den daterade Qwen-Long-profilen för bearbetning av extremt lång kontext. Tillverkaren beskriver samtal på kinesiska, engelska och andra språk, med dokumenttjänster som parsar källfiler för frågesvar och diskussion. Resultatet är ett textsvar baserat på det tillhandahållna materialet.
Ge uppgiften ett konkret mål: jämför klausuler, hitta ett angivet villkor eller förklara hur två avsnitt i ett dokument hänger samman. Behåll dokumentnamn, rubriker och sidbeteckningar så att svaret kan hänvisa tillbaka till rätt källa. Om flera filer beskriver samma ämne, ange deras prioritet och be om att motsägelser identifieras i stället för att lösas utan att det framgår.
En granskningsuppgift kan begära det relevanta påståendet från varje dokument, en förklaring av skillnaderna och de frågor som fortfarande är öppna. En extraktionsuppgift kan definiera vilka fält som ska returneras och hur saknade värden ska hanteras. Dessa krav på utdata gör en lång källsamling användbar för ett specifikt beslut.
Tillverkaren listar textfiler, däribland TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown och CSV. De integrerade dokumenttjänsterna parsar även bildfiler som BMP, PNG, JPG/JPEG och GIF samt skannade PDF-filer. Filparsningen förbereder material för samtalet; den är ett steg i tjänsten som är skilt från genereringen av textsvaret. Behåll läsbara källfiler och kontrollera extraherad notation eller tabeller när dessa detaljer avgör slutsatsen.
Den dokumenterade vägen genom dokumenttjänsten hanterar upp till 10 miljoner token. HTTP-begäranden stöder upp till 1 miljon token, och tillverkaren rekommenderar att filer skickas in för längre innehåll. Den sparade profilen för den driftade modellen med just denna daterade identifierare listar också en kontext på 1 miljon token. Dokumenttjänstens större tal fastställer därför inte kapaciteten för en direkt textbegäran genom ett annat gränssnitt.
Välj den väg som integrationen erbjuder och behåll identifierarna för de dokument som används i uppgiften. En längre källa är användbar när dess relevanta samband behöver beaktas tillsammans; en fokuserad passage räcker när frågan gäller ett avsnitt. Ange önskad svarslängd så att modellen returnerar en förklaring, jämförelse eller extraherat resultat som passar uppgiften.
Be modellen skilja uttryckliga påståenden från slutsatser och identifiera en fråga som de tillhandahållna dokumenten inte avgör. Kontrollera viktiga namn, siffror och villkor mot originalkällorna. En följdfråga kan undersöka en klausul eller ändra utdatas form med samma dokumentbeteckningar och beslutskriterier bevarade.
", "aboutText": "Qwen-Long (2025-01-25) är den daterade Qwen-Long-profilen för bearbetning av extremt lång kontext. Tillverkaren beskriver samtal på kinesiska, engelska och andra språk, med dokumenttjänster som parsar källfiler för frågesvar och diskussion. Resultatet är ett textsvar baserat på det tillhandahållna materialet.\n\n### Ställ en fråga över flera dokument\n\nGe uppgiften ett konkret mål: jämför klausuler, hitta ett angivet villkor eller förklara hur två avsnitt i ett dokument hänger samman. Behåll dokumentnamn, rubriker och sidbeteckningar så att svaret kan hänvisa tillbaka till rätt källa. Om flera filer beskriver samma ämne, ange deras prioritet och be om att motsägelser identifieras i stället för att lösas utan att det framgår.\n\nEn granskningsuppgift kan begära det relevanta påståendet från varje dokument, en förklaring av skillnaderna och de frågor som fortfarande är öppna. En extraktionsuppgift kan definiera vilka fält som ska returneras och hur saknade värden ska hanteras. Dessa krav på utdata gör en lång källsamling användbar för ett specifikt beslut.\n\n### Arbeta med de dokumenterade filtyperna\n\nTillverkaren listar textfiler, däribland TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown och CSV. De integrerade dokumenttjänsterna parsar även bildfiler som BMP, PNG, JPG/JPEG och GIF samt skannade PDF-filer. Filparsningen förbereder material för samtalet; den är ett steg i tjänsten som är skilt från genereringen av textsvaret. Behåll läsbara källfiler och kontrollera extraherad notation eller tabeller när dessa detaljer avgör slutsatsen.\n\n### Skilj mellan de två kontextvägarna\n\nDen dokumenterade vägen genom dokumenttjänsten hanterar upp till 10 miljoner token. HTTP-begäranden stöder upp till 1 miljon token, och tillverkaren rekommenderar att filer skickas in för längre innehåll. Den sparade profilen för den driftade modellen med just denna daterade identifierare listar också en kontext på 1 miljon token. Dokumenttjänstens större tal fastställer därför inte kapaciteten för en direkt textbegäran genom ett annat gränssnitt.\n\nVälj den väg som integrationen erbjuder och behåll identifierarna för de dokument som används i uppgiften. En längre källa är användbar när dess relevanta samband behöver beaktas tillsammans; en fokuserad passage räcker när frågan gäller ett avsnitt. Ange önskad svarslängd så att modellen returnerar en förklaring, jämförelse eller extraherat resultat som passar uppgiften.\n\n### Behåll svarets koppling till underlaget\n\nBe modellen skilja uttryckliga påståenden från slutsatser och identifiera en fråga som de tillhandahållna dokumenten inte avgör. Kontrollera viktiga namn, siffror och villkor mot originalkällorna. En följdfråga kan undersöka en klausul eller ändra utdatas form med samma dokumentbeteckningar och beslutskriterier bevarade.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Locate conflicting document conditions\n\nCompare these labelled document excerpts. [Guide, section 2] Return cartons in lots of 10. [Warehouse note, section 4] Accept mixed lots of 5 when pre-approved. [Email E-3] Customer wants to send 15 cartons without approval. State the general rule, the exception and the unresolved condition for this request. Do not silently give either document priority.A source-linked rule and exception summary with the approval question made explicit.Verify the exception retains its pre-approval condition and 15 cartons is not automatically accepted.qwen-long-2025-01-25Qwen-Long (2025-01-25) är en Qwen-modell för dokumentkonversationer med extremt lång kontext på kinesiska, engelska och andra språk. Tillverkaren beskriver upp till 10 miljoner token via dokumenttjänster, medan HTTP-begäranden begränsas till 1 miljon token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-Long (2025-01-25) är den daterade Qwen-Long-profilen för bearbetning av extremt lång kontext. Tillverkaren beskriver samtal på kinesiska, engelska och andra språk, med dokumenttjänster som parsar källfiler för frågesvar och diskussion. Resultatet är ett textsvar baserat på det tillhandahållna materialet.
Ge uppgiften ett konkret mål: jämför klausuler, hitta ett angivet villkor eller förklara hur två avsnitt i ett dokument hänger samman. Behåll dokumentnamn, rubriker och sidbeteckningar så att svaret kan hänvisa tillbaka till rätt källa. Om flera filer beskriver samma ämne, ange deras prioritet och be om att motsägelser identifieras i stället för att lösas utan att det framgår.
En granskningsuppgift kan begära det relevanta påståendet från varje dokument, en förklaring av skillnaderna och de frågor som fortfarande är öppna. En extraktionsuppgift kan definiera vilka fält som ska returneras och hur saknade värden ska hanteras. Dessa krav på utdata gör en lång källsamling användbar för ett specifikt beslut.
Tillverkaren listar textfiler, däribland TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown och CSV. De integrerade dokumenttjänsterna parsar även bildfiler som BMP, PNG, JPG/JPEG och GIF samt skannade PDF-filer. Filparsningen förbereder material för samtalet; den är ett steg i tjänsten som är skilt från genereringen av textsvaret. Behåll läsbara källfiler och kontrollera extraherad notation eller tabeller när dessa detaljer avgör slutsatsen.
Den dokumenterade vägen genom dokumenttjänsten hanterar upp till 10 miljoner token. HTTP-begäranden stöder upp till 1 miljon token, och tillverkaren rekommenderar att filer skickas in för längre innehåll. Den sparade profilen för den driftade modellen med just denna daterade identifierare listar också en kontext på 1 miljon token. Dokumenttjänstens större tal fastställer därför inte kapaciteten för en direkt textbegäran genom ett annat gränssnitt.
Välj den väg som integrationen erbjuder och behåll identifierarna för de dokument som används i uppgiften. En längre källa är användbar när dess relevanta samband behöver beaktas tillsammans; en fokuserad passage räcker när frågan gäller ett avsnitt. Ange önskad svarslängd så att modellen returnerar en förklaring, jämförelse eller extraherat resultat som passar uppgiften.
Be modellen skilja uttryckliga påståenden från slutsatser och identifiera en fråga som de tillhandahållna dokumenten inte avgör. Kontrollera viktiga namn, siffror och villkor mot originalkällorna. En följdfråga kan undersöka en klausul eller ändra utdatas form med samma dokumentbeteckningar och beslutskriterier bevarade.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-long-2025-01-25 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000144 / 1K token Utdata · Utdatatoken $0.000572 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-long-2025-01-25", "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-2025-01-25',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-2025-01-25',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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen-long-2025-01-25
Använd metodsökvägarna som visas ovan.
qwen-long-2025-01-25Qwen-Long (2025-01-25) är en Qwen-modell för dokumentkonversationer med extremt lång kontext på kinesiska, engelska och andra språk. Tillverkaren beskriver upp till 10 miljoner token via dokumenttjänster, medan HTTP-begäranden begränsas till 1 miljon token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-Long (2025-01-25) är den daterade Qwen-Long-profilen för bearbetning av extremt lång kontext. Tillverkaren beskriver samtal på kinesiska, engelska och andra språk, med dokumenttjänster som parsar källfiler för frågesvar och diskussion. Resultatet är ett textsvar baserat på det tillhandahållna materialet.
Ge uppgiften ett konkret mål: jämför klausuler, hitta ett angivet villkor eller förklara hur två avsnitt i ett dokument hänger samman. Behåll dokumentnamn, rubriker och sidbeteckningar så att svaret kan hänvisa tillbaka till rätt källa. Om flera filer beskriver samma ämne, ange deras prioritet och be om att motsägelser identifieras i stället för att lösas utan att det framgår.
En granskningsuppgift kan begära det relevanta påståendet från varje dokument, en förklaring av skillnaderna och de frågor som fortfarande är öppna. En extraktionsuppgift kan definiera vilka fält som ska returneras och hur saknade värden ska hanteras. Dessa krav på utdata gör en lång källsamling användbar för ett specifikt beslut.
Tillverkaren listar textfiler, däribland TXT, DOCX, PDF, XLSX, EPUB, MOBI, Markdown och CSV. De integrerade dokumenttjänsterna parsar även bildfiler som BMP, PNG, JPG/JPEG och GIF samt skannade PDF-filer. Filparsningen förbereder material för samtalet; den är ett steg i tjänsten som är skilt från genereringen av textsvaret. Behåll läsbara källfiler och kontrollera extraherad notation eller tabeller när dessa detaljer avgör slutsatsen.
Den dokumenterade vägen genom dokumenttjänsten hanterar upp till 10 miljoner token. HTTP-begäranden stöder upp till 1 miljon token, och tillverkaren rekommenderar att filer skickas in för längre innehåll. Den sparade profilen för den driftade modellen med just denna daterade identifierare listar också en kontext på 1 miljon token. Dokumenttjänstens större tal fastställer därför inte kapaciteten för en direkt textbegäran genom ett annat gränssnitt.
Välj den väg som integrationen erbjuder och behåll identifierarna för de dokument som används i uppgiften. En längre källa är användbar när dess relevanta samband behöver beaktas tillsammans; en fokuserad passage räcker när frågan gäller ett avsnitt. Ange önskad svarslängd så att modellen returnerar en förklaring, jämförelse eller extraherat resultat som passar uppgiften.
Be modellen skilja uttryckliga påståenden från slutsatser och identifiera en fråga som de tillhandahållna dokumenten inte avgör. Kontrollera viktiga namn, siffror och villkor mot originalkällorna. En följdfråga kan undersöka en klausul eller ändra utdatas form med samma dokumentbeteckningar och beslutskriterier bevarade.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-long-2025-01-25 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000144 / 1K token Utdata · Utdatatoken $0.000572 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen-long-2025-01-25",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2025-01-25', '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-2025-01-25', '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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen-long-2025-01-25
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Locate conflicting document conditions\n\nCompare these labelled document excerpts. [Guide, section 2] Return cartons in lots of 10. [Warehouse note, section 4] Accept mixed lots of 5 when pre-approved. [Email E-3] Customer wants to send 15 cartons without approval. State the general rule, the exception and the unresolved condition for this request. Do not silently give either document priority.A source-linked rule and exception summary with the approval question made explicit.Verify the exception retains its pre-approval condition and 15 cartons is not automatically accepted.