Qwen-Long är Qwens modellserie för dokumentbearbetning: att hitta information, jämföra material och besvara frågor över en stor textkorpus. Dess särskilda egenskap är ett dokumenterat arbetsflöde med filuppladdning och referenser som hanterar upp till 10 miljoner token. Uppgiften är inte bara att producera ett längre chattsvar, utan att hålla en omfattande samling källdokument tillgänglig medan du ställer fokuserade frågor om dem.
Så fungerar dokumentflödet
Tillverkaren beskriver två steg. Ladda först upp de valda filerna och låt dokumentparsningen bli klar. Referenserna som skapas identifierar de förberedda dokumenten. Ställ därefter en fråga och inkludera referenserna till det material som ska beaktas. Modellen utför inferens över texten som är kopplad till dessa dokument. Det skiljer dokumentförberedelsen från frågan och gör att hela filen inte behöver skickas om i varje samtalstur.
Förbered ett enda dokument när målet är en sammanfattning, en förklaring av ett avsnitt eller extraktion av specifika villkor. Namnge de viktiga avsnitten och begär utdata med ett tydligt, observerbart syfte. Till exempel: tillhandahåll en produktspecifikation, fråga efter de driftsförhållanden den uttryckligen listar och begär en kort tabell med villkoret, källavsnittet och eventuella saknade uppgifter. Dessa fältnamn är ett illustrativt upplägg för resultatet, inte ett inbyggt fast schema.
Flera dokument och följdfrågor
Det dokumenterade arbetsflödet accepterar flera förberedda filer i samma begäran. Det stöder jämförelser mellan dokument: identifiera en egenskap i varje specifikation, skilj gemensamma påståenden från skillnader och samla obesvarade frågor. Upp till 100 filreferenser kan inkluderas i en begäran. Välj de filer som är relevanta för frågan i stället för att anta att tillgång till en stor kontext avgör vad som ska jämföras.
Tillverkaren visar också hur ett nytt dokument kan läggas till efter ett första svar. Behåll det tidigare svaret i konversationen, lägg till den nya källan och ställ en följdfråga, till exempel hur de två beskrivningarna skiljer sig. Skilj i en applikation det tidigare svaret från det nytillförda underlaget. Ett användbart resultat kan vara en jämförelsetabell med separata kolumner för varje dokument och en förklaring av motsägelser, snarare än en sammanslagen sammanfattning som tappar källan till varje påstående.
Inmatning av ren text är en annan dokumenterad väg. Mindre material kan tillhandahållas direkt som text i stället för referenser till uppladdade filer. Tillverkarens guide kräver den referensbaserade vägen när dokumentinnehåll som läggs direkt i begäran överstiger 1 miljon token, på grund av gränser för begärans storlek. Den gränsen är skild från dokumentkontexten på 10 miljoner token: stöd för en stor korpus är inte ett löfte om att en lika stor enskild råtextbegäran accepteras.
Format, kontext och utdata
Dokumenttjänsten listar TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV och JSON samt BMP, PNG, JPG/JPEG och GIF. Uppladdade bildfiler är begränsade till 20 MB; andra stödda filer är begränsade till 150 MB. Detta är gränser för tillverkarens arbetsflöde för dokumentförberedelse, inte ett påstående om att språkmodellen resonerar direkt över varje binärt format utan parsning.
Den publicerade specifikationen anger en kontext och maximal indata på 10 000 000 token, med upp till 32 768 token i utdata. I det dokumenterade samtalsformatet med filreferenser har användarens fråga en separat gräns på 9 000 token när ett andra systemmeddelande tillhandahåller dokumenten. Håll frågan kort och reservera huvuddelen av dokumentkontexten för källmaterialet. Lång kontext för indata och svarslängd löser olika problem: även en stor korpus kan kräva ett kort, noggrant strukturerat resultat.
Tillverkarens vanliga frågor dokumenterar strukturerade utdata baserade på JSON Schema för Qwen-Long och dess daterade versioner. Det är användbart för återkommande extraktionsuppgifter som behöver samma fält över en samling. Ange den information som krävs, typen för varje fält och vad som ska göras när källan saknar ett värde. Tjänsten dokumenterar också asynkron batchbearbetning, vilket är ett alternativt arbetsflöde för inskickning snarare än ett ytterligare resonemangsläge.
En praktisk dokumentjämförelse
Förbered de relevanta specifikationerna och identifiera deras roller innan du frågar: vilken är den befintliga beskrivningen, vilken är den föreslagna ersättningen och vilka krav är obligatoriska? Begär ett resultat med gemensamma villkor, motstridiga påståenden, saknad information och källpositioner. En senare fråga kan be modellen att omvandla resultatet till en kort förklaring för en kollega med de ursprungliga åtskillnaderna bevarade.
Viktiga gränser för förberedelsen
Dokumentparsningen måste bli klar innan de förberedda filerna används; större dokument kan behöva längre tid för parsning. Modellens dokumenterade inferens använder extraherad text, så det förberedda innehållets fullständighet och läsbarhet spelar roll. Gör filvalet, frågan och de begärda utdata tydliga. Qwen-Longs dokumentkapacitet ska inte användas i stället för gränserna för en annan Qwen-utgåva, en direkt begäran med råtext eller det slutliga svaret.
", "aboutText": "Qwen-Long är Qwens modellserie för dokumentbearbetning: att hitta information, jämföra material och besvara frågor över en stor textkorpus. Dess särskilda egenskap är ett dokumenterat arbetsflöde med filuppladdning och referenser som hanterar upp till 10 miljoner token. Uppgiften är inte bara att producera ett längre chattsvar, utan att hålla en omfattande samling källdokument tillgänglig medan du ställer fokuserade frågor om dem.\n\nSå fungerar dokumentflödet\n\nTillverkaren beskriver två steg. Ladda först upp de valda filerna och låt dokumentparsningen bli klar. Referenserna som skapas identifierar de förberedda dokumenten. Ställ därefter en fråga och inkludera referenserna till det material som ska beaktas. Modellen utför inferens över texten som är kopplad till dessa dokument. Det skiljer dokumentförberedelsen från frågan och gör att hela filen inte behöver skickas om i varje samtalstur.\n\nFörbered ett enda dokument när målet är en sammanfattning, en förklaring av ett avsnitt eller extraktion av specifika villkor. Namnge de viktiga avsnitten och begär utdata med ett tydligt, observerbart syfte. Till exempel: tillhandahåll en produktspecifikation, fråga efter de driftsförhållanden den uttryckligen listar och begär en kort tabell med villkoret, källavsnittet och eventuella saknade uppgifter. Dessa fältnamn är ett illustrativt upplägg för resultatet, inte ett inbyggt fast schema.\n\nFlera dokument och följdfrågor\n\nDet dokumenterade arbetsflödet accepterar flera förberedda filer i samma begäran. Det stöder jämförelser mellan dokument: identifiera en egenskap i varje specifikation, skilj gemensamma påståenden från skillnader och samla obesvarade frågor. Upp till 100 filreferenser kan inkluderas i en begäran. Välj de filer som är relevanta för frågan i stället för att anta att tillgång till en stor kontext avgör vad som ska jämföras.\n\nTillverkaren visar också hur ett nytt dokument kan läggas till efter ett första svar. Behåll det tidigare svaret i konversationen, lägg till den nya källan och ställ en följdfråga, till exempel hur de två beskrivningarna skiljer sig. Skilj i en applikation det tidigare svaret från det nytillförda underlaget. Ett användbart resultat kan vara en jämförelsetabell med separata kolumner för varje dokument och en förklaring av motsägelser, snarare än en sammanslagen sammanfattning som tappar källan till varje påstående.\n\nInmatning av ren text är en annan dokumenterad väg. Mindre material kan tillhandahållas direkt som text i stället för referenser till uppladdade filer. Tillverkarens guide kräver den referensbaserade vägen när dokumentinnehåll som läggs direkt i begäran överstiger 1 miljon token, på grund av gränser för begärans storlek. Den gränsen är skild från dokumentkontexten på 10 miljoner token: stöd för en stor korpus är inte ett löfte om att en lika stor enskild råtextbegäran accepteras.\n\nFormat, kontext och utdata\n\nDokumenttjänsten listar TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV och JSON samt BMP, PNG, JPG/JPEG och GIF. Uppladdade bildfiler är begränsade till 20 MB; andra stödda filer är begränsade till 150 MB. Detta är gränser för tillverkarens arbetsflöde för dokumentförberedelse, inte ett påstående om att språkmodellen resonerar direkt över varje binärt format utan parsning.\n\nDen publicerade specifikationen anger en kontext och maximal indata på 10 000 000 token, med upp till 32 768 token i utdata. I det dokumenterade samtalsformatet med filreferenser har användarens fråga en separat gräns på 9 000 token när ett andra systemmeddelande tillhandahåller dokumenten. Håll frågan kort och reservera huvuddelen av dokumentkontexten för källmaterialet. Lång kontext för indata och svarslängd löser olika problem: även en stor korpus kan kräva ett kort, noggrant strukturerat resultat.\n\nTillverkarens vanliga frågor dokumenterar strukturerade utdata baserade på JSON Schema för Qwen-Long och dess daterade versioner. Det är användbart för återkommande extraktionsuppgifter som behöver samma fält över en samling. Ange den information som krävs, typen för varje fält och vad som ska göras när källan saknar ett värde. Tjänsten dokumenterar också asynkron batchbearbetning, vilket är ett alternativt arbetsflöde för inskickning snarare än ett ytterligare resonemangsläge.\n\nEn praktisk dokumentjämförelse\n\nFörbered de relevanta specifikationerna och identifiera deras roller innan du frågar: vilken är den befintliga beskrivningen, vilken är den föreslagna ersättningen och vilka krav är obligatoriska? Begär ett resultat med gemensamma villkor, motstridiga påståenden, saknad information och källpositioner. En senare fråga kan be modellen att omvandla resultatet till en kort förklaring för en kollega med de ursprungliga åtskillnaderna bevarade.\n\nViktiga gränser för förberedelsen\n\nDokumentparsningen måste bli klar innan de förberedda filerna används; större dokument kan behöva längre tid för parsning. Modellens dokumenterade inferens använder extraherad text, så det förberedda innehållets fullständighet och läsbarhet spelar roll. Gör filvalet, frågan och de begärda utdata tydliga. Qwen-Longs dokumentkapacitet ska inte användas i stället för gränserna för en annan Qwen-utgåva, en direkt begäran med råtext eller det slutliga svaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är byggd för frågor över stora dokumentsamlingar. Tillverkaren dokumenterar ett arbetsflöde med filuppladdning och referenser, upp till 10 miljoner token i dokumentkontext, jämförelser mellan filer och strukturerade textsvar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-Long är Qwens modellserie för dokumentbearbetning: att hitta information, jämföra material och besvara frågor över en stor textkorpus. Dess särskilda egenskap är ett dokumenterat arbetsflöde med filuppladdning och referenser som hanterar upp till 10 miljoner token. Uppgiften är inte bara att producera ett längre chattsvar, utan att hålla en omfattande samling källdokument tillgänglig medan du ställer fokuserade frågor om dem.
Så fungerar dokumentflödet
Tillverkaren beskriver två steg. Ladda först upp de valda filerna och låt dokumentparsningen bli klar. Referenserna som skapas identifierar de förberedda dokumenten. Ställ därefter en fråga och inkludera referenserna till det material som ska beaktas. Modellen utför inferens över texten som är kopplad till dessa dokument. Det skiljer dokumentförberedelsen från frågan och gör att hela filen inte behöver skickas om i varje samtalstur.
Förbered ett enda dokument när målet är en sammanfattning, en förklaring av ett avsnitt eller extraktion av specifika villkor. Namnge de viktiga avsnitten och begär utdata med ett tydligt, observerbart syfte. Till exempel: tillhandahåll en produktspecifikation, fråga efter de driftsförhållanden den uttryckligen listar och begär en kort tabell med villkoret, källavsnittet och eventuella saknade uppgifter. Dessa fältnamn är ett illustrativt upplägg för resultatet, inte ett inbyggt fast schema.
Flera dokument och följdfrågor
Det dokumenterade arbetsflödet accepterar flera förberedda filer i samma begäran. Det stöder jämförelser mellan dokument: identifiera en egenskap i varje specifikation, skilj gemensamma påståenden från skillnader och samla obesvarade frågor. Upp till 100 filreferenser kan inkluderas i en begäran. Välj de filer som är relevanta för frågan i stället för att anta att tillgång till en stor kontext avgör vad som ska jämföras.
Tillverkaren visar också hur ett nytt dokument kan läggas till efter ett första svar. Behåll det tidigare svaret i konversationen, lägg till den nya källan och ställ en följdfråga, till exempel hur de två beskrivningarna skiljer sig. Skilj i en applikation det tidigare svaret från det nytillförda underlaget. Ett användbart resultat kan vara en jämförelsetabell med separata kolumner för varje dokument och en förklaring av motsägelser, snarare än en sammanslagen sammanfattning som tappar källan till varje påstående.
Inmatning av ren text är en annan dokumenterad väg. Mindre material kan tillhandahållas direkt som text i stället för referenser till uppladdade filer. Tillverkarens guide kräver den referensbaserade vägen när dokumentinnehåll som läggs direkt i begäran överstiger 1 miljon token, på grund av gränser för begärans storlek. Den gränsen är skild från dokumentkontexten på 10 miljoner token: stöd för en stor korpus är inte ett löfte om att en lika stor enskild råtextbegäran accepteras.
Format, kontext och utdata
Dokumenttjänsten listar TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV och JSON samt BMP, PNG, JPG/JPEG och GIF. Uppladdade bildfiler är begränsade till 20 MB; andra stödda filer är begränsade till 150 MB. Detta är gränser för tillverkarens arbetsflöde för dokumentförberedelse, inte ett påstående om att språkmodellen resonerar direkt över varje binärt format utan parsning.
Den publicerade specifikationen anger en kontext och maximal indata på 10 000 000 token, med upp till 32 768 token i utdata. I det dokumenterade samtalsformatet med filreferenser har användarens fråga en separat gräns på 9 000 token när ett andra systemmeddelande tillhandahåller dokumenten. Håll frågan kort och reservera huvuddelen av dokumentkontexten för källmaterialet. Lång kontext för indata och svarslängd löser olika problem: även en stor korpus kan kräva ett kort, noggrant strukturerat resultat.
Tillverkarens vanliga frågor dokumenterar strukturerade utdata baserade på JSON Schema för Qwen-Long och dess daterade versioner. Det är användbart för återkommande extraktionsuppgifter som behöver samma fält över en samling. Ange den information som krävs, typen för varje fält och vad som ska göras när källan saknar ett värde. Tjänsten dokumenterar också asynkron batchbearbetning, vilket är ett alternativt arbetsflöde för inskickning snarare än ett ytterligare resonemangsläge.
En praktisk dokumentjämförelse
Förbered de relevanta specifikationerna och identifiera deras roller innan du frågar: vilken är den befintliga beskrivningen, vilken är den föreslagna ersättningen och vilka krav är obligatoriska? Begär ett resultat med gemensamma villkor, motstridiga påståenden, saknad information och källpositioner. En senare fråga kan be modellen att omvandla resultatet till en kort förklaring för en kollega med de ursprungliga åtskillnaderna bevarade.
Viktiga gränser för förberedelsen
Dokumentparsningen måste bli klar innan de förberedda filerna används; större dokument kan behöva längre tid för parsning. Modellens dokumenterade inferens använder extraherad text, så det förberedda innehållets fullständighet och läsbarhet spelar roll. Gör filvalet, frågan och de begärda utdata tydliga. Qwen-Longs dokumentkapacitet ska inte användas i stället för gränserna för en annan Qwen-utgåva, en direkt begäran med råtext eller det slutliga svaret.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-long | 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", "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 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
Använd metodsökvägarna som visas ovan.
qwen-longQwen-Long är byggd för frågor över stora dokumentsamlingar. Tillverkaren dokumenterar ett arbetsflöde med filuppladdning och referenser, upp till 10 miljoner token i dokumentkontext, jämförelser mellan filer och strukturerade textsvar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-Long är Qwens modellserie för dokumentbearbetning: att hitta information, jämföra material och besvara frågor över en stor textkorpus. Dess särskilda egenskap är ett dokumenterat arbetsflöde med filuppladdning och referenser som hanterar upp till 10 miljoner token. Uppgiften är inte bara att producera ett längre chattsvar, utan att hålla en omfattande samling källdokument tillgänglig medan du ställer fokuserade frågor om dem.
Så fungerar dokumentflödet
Tillverkaren beskriver två steg. Ladda först upp de valda filerna och låt dokumentparsningen bli klar. Referenserna som skapas identifierar de förberedda dokumenten. Ställ därefter en fråga och inkludera referenserna till det material som ska beaktas. Modellen utför inferens över texten som är kopplad till dessa dokument. Det skiljer dokumentförberedelsen från frågan och gör att hela filen inte behöver skickas om i varje samtalstur.
Förbered ett enda dokument när målet är en sammanfattning, en förklaring av ett avsnitt eller extraktion av specifika villkor. Namnge de viktiga avsnitten och begär utdata med ett tydligt, observerbart syfte. Till exempel: tillhandahåll en produktspecifikation, fråga efter de driftsförhållanden den uttryckligen listar och begär en kort tabell med villkoret, källavsnittet och eventuella saknade uppgifter. Dessa fältnamn är ett illustrativt upplägg för resultatet, inte ett inbyggt fast schema.
Flera dokument och följdfrågor
Det dokumenterade arbetsflödet accepterar flera förberedda filer i samma begäran. Det stöder jämförelser mellan dokument: identifiera en egenskap i varje specifikation, skilj gemensamma påståenden från skillnader och samla obesvarade frågor. Upp till 100 filreferenser kan inkluderas i en begäran. Välj de filer som är relevanta för frågan i stället för att anta att tillgång till en stor kontext avgör vad som ska jämföras.
Tillverkaren visar också hur ett nytt dokument kan läggas till efter ett första svar. Behåll det tidigare svaret i konversationen, lägg till den nya källan och ställ en följdfråga, till exempel hur de två beskrivningarna skiljer sig. Skilj i en applikation det tidigare svaret från det nytillförda underlaget. Ett användbart resultat kan vara en jämförelsetabell med separata kolumner för varje dokument och en förklaring av motsägelser, snarare än en sammanslagen sammanfattning som tappar källan till varje påstående.
Inmatning av ren text är en annan dokumenterad väg. Mindre material kan tillhandahållas direkt som text i stället för referenser till uppladdade filer. Tillverkarens guide kräver den referensbaserade vägen när dokumentinnehåll som läggs direkt i begäran överstiger 1 miljon token, på grund av gränser för begärans storlek. Den gränsen är skild från dokumentkontexten på 10 miljoner token: stöd för en stor korpus är inte ett löfte om att en lika stor enskild råtextbegäran accepteras.
Format, kontext och utdata
Dokumenttjänsten listar TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV och JSON samt BMP, PNG, JPG/JPEG och GIF. Uppladdade bildfiler är begränsade till 20 MB; andra stödda filer är begränsade till 150 MB. Detta är gränser för tillverkarens arbetsflöde för dokumentförberedelse, inte ett påstående om att språkmodellen resonerar direkt över varje binärt format utan parsning.
Den publicerade specifikationen anger en kontext och maximal indata på 10 000 000 token, med upp till 32 768 token i utdata. I det dokumenterade samtalsformatet med filreferenser har användarens fråga en separat gräns på 9 000 token när ett andra systemmeddelande tillhandahåller dokumenten. Håll frågan kort och reservera huvuddelen av dokumentkontexten för källmaterialet. Lång kontext för indata och svarslängd löser olika problem: även en stor korpus kan kräva ett kort, noggrant strukturerat resultat.
Tillverkarens vanliga frågor dokumenterar strukturerade utdata baserade på JSON Schema för Qwen-Long och dess daterade versioner. Det är användbart för återkommande extraktionsuppgifter som behöver samma fält över en samling. Ange den information som krävs, typen för varje fält och vad som ska göras när källan saknar ett värde. Tjänsten dokumenterar också asynkron batchbearbetning, vilket är ett alternativt arbetsflöde för inskickning snarare än ett ytterligare resonemangsläge.
En praktisk dokumentjämförelse
Förbered de relevanta specifikationerna och identifiera deras roller innan du frågar: vilken är den befintliga beskrivningen, vilken är den föreslagna ersättningen och vilka krav är obligatoriska? Begär ett resultat med gemensamma villkor, motstridiga påståenden, saknad information och källpositioner. En senare fråga kan be modellen att omvandla resultatet till en kort förklaring för en kollega med de ursprungliga åtskillnaderna bevarade.
Viktiga gränser för förberedelsen
Dokumentparsningen måste bli klar innan de förberedda filerna används; större dokument kan behöva längre tid för parsning. Modellens dokumenterade inferens använder extraherad text, så det förberedda innehållets fullständighet och läsbarhet spelar roll. Gör filvalet, frågan och de begärda utdata tydliga. Qwen-Longs dokumentkapacitet ska inte användas i stället för gränserna för en annan Qwen-utgåva, en direkt begäran med råtext eller det slutliga svaret.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-long | 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 $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.