Qwen-Long là dòng xử lý tài liệu của Qwen để tìm thông tin, so sánh nội dung và trả lời câu hỏi trên một kho văn bản lớn. Điểm khác biệt là quy trình tải tệp lên và sử dụng tham chiếu được mô tả trong tài liệu, có thể xử lý tối đa 10 triệu token. Nhiệm vụ không chỉ là tạo một câu trả lời trò chuyện dài hơn: mục tiêu là giữ một tập tài liệu nguồn đáng kể ở trạng thái có thể tham chiếu, đồng thời đặt các câu hỏi có trọng tâm về chúng.
Cách hoạt động của quy trình tài liệu
Nhà phát triển mô tả hai giai đoạn. Trước tiên, tải các tệp đã chọn lên và đợi bộ phân tích tài liệu xử lý xong. Các tham chiếu nhận được xác định những tài liệu đã được chuẩn bị. Sau đó, đặt câu hỏi kèm tham chiếu đến những nội dung cần xem xét. Mô hình thực hiện suy luận trên văn bản gắn với các tài liệu đó. Cách này tách bước chuẩn bị tài liệu khỏi câu hỏi và tránh phải gửi lại toàn bộ tệp ở mỗi lượt trò chuyện.
Chuẩn bị một tài liệu khi mục tiêu là tóm tắt, giải thích một mục hoặc trích xuất các điều kiện cụ thể. Nêu các mục quan trọng và yêu cầu đầu ra có mục đích rõ ràng. Ví dụ: cung cấp bản thông số sản phẩm, hỏi các điều kiện vận hành được nêu rõ trong đó và yêu cầu một bảng ngắn gồm điều kiện, mục nguồn và chi tiết còn thiếu. Các tên trường này là ví dụ thiết kế cho kết quả, không phải một lược đồ cố định được tích hợp sẵn.
Nhiều tài liệu và câu hỏi tiếp theo
Quy trình được mô tả chấp nhận nhiều tệp đã chuẩn bị trong cùng một yêu cầu. Nhờ đó có thể so sánh giữa các tài liệu: xác định một đặc điểm trong từng bản thông số, phân biệt các phát biểu chung với những điểm khác nhau và tập hợp các câu hỏi chưa được giải quyết. Mỗi yêu cầu có thể chứa tối đa 100 tham chiếu tệp. Chọn các tệp liên quan đến câu hỏi thay vì cho rằng việc có ngữ cảnh lớn tự nó xác định nội dung cần so sánh.
Nhà phát triển cũng minh họa việc thêm tài liệu mới sau câu trả lời ban đầu. Giữ câu trả lời trước trong cuộc trò chuyện, thêm nguồn mới rồi hỏi tiếp, chẳng hạn hai bản mô tả khác nhau như thế nào. Trong ứng dụng, phân biệt câu trả lời trước với bằng chứng mới được cung cấp. Một kết quả hữu ích có thể là bảng so sánh với cột riêng cho từng tài liệu và phần giải thích các điểm bất đồng, thay vì bản tóm tắt gộp làm mất nguồn của từng phát biểu.
Nhập văn bản thuần trực tiếp là một cách khác được mô tả trong tài liệu. Nội dung ngắn hơn có thể được cung cấp trực tiếp dưới dạng văn bản thay vì tham chiếu đến tệp đã tải lên. Do giới hạn kích thước yêu cầu, hướng dẫn của nhà phát triển yêu cầu sử dụng cách dựa trên tham chiếu khi nội dung tài liệu đưa trực tiếp vào yêu cầu vượt quá 1 triệu token. Ngưỡng này tách biệt với ngữ cảnh tài liệu 10 triệu token: khả năng hỗ trợ một kho văn bản lớn không bảo đảm rằng một yêu cầu chứa văn bản thô có kích thước tương đương sẽ được chấp nhận.
Định dạng, ngữ cảnh và đầu ra
Dịch vụ tài liệu liệt kê TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV và JSON, cùng với BMP, PNG, JPG/JPEG và GIF. Tệp hình ảnh tải lên được giới hạn ở 20 MB; các tệp được hỗ trợ khác được giới hạn ở 150 MB. Đây là giới hạn của quy trình chuẩn bị tài liệu của nhà phát triển, không phải tuyên bố rằng mô hình ngôn ngữ suy luận trực tiếp trên mọi định dạng nhị phân mà không cần phân tích tệp.
Thông số công bố nêu ngữ cảnh và đầu vào tối đa là 10.000.000 token, với đầu ra tối đa 32.768 token. Trong định dạng hội thoại dùng tham chiếu tệp được mô tả, câu hỏi của người dùng có giới hạn riêng là 9.000 token khi thông điệp hệ thống thứ hai cung cấp tài liệu. Viết câu hỏi ngắn gọn và dành phần lớn ngữ cảnh tài liệu cho nội dung nguồn. Đầu vào ngữ cảnh dài và độ dài câu trả lời giải quyết hai vấn đề khác nhau: ngay cả một kho văn bản lớn cũng có thể cần kết quả ngắn, có cấu trúc chặt chẽ.
Mục FAQ của nhà phát triển mô tả đầu ra có cấu trúc dựa trên JSON Schema cho Qwen-Long và các bản snapshot của nó. Cách này hữu ích cho các nhiệm vụ trích xuất lặp lại cần cùng những trường trên một tập tài liệu. Chỉ rõ thông tin cần lấy, kiểu của từng trường và cách xử lý khi nguồn không chứa giá trị. Dịch vụ cũng mô tả xử lý theo lô bất đồng bộ, vốn là một quy trình gửi yêu cầu thay thế chứ không phải chế độ suy luận bổ sung.
So sánh tài liệu trong thực tế
Chuẩn bị các bản thông số liên quan và xác định vai trò của chúng trước khi hỏi: đâu là bản mô tả hiện tại, đâu là bản thay thế được đề xuất và những yêu cầu nào là bắt buộc. Yêu cầu kết quả gồm các điều kiện chung, phát biểu mâu thuẫn, thông tin còn thiếu và vị trí trong nguồn. Một câu hỏi tiếp theo có thể yêu cầu mô hình chuyển kết quả đó thành lời giải thích ngắn gọn cho đồng nghiệp, đồng thời giữ nguyên các phân biệt ban đầu.
Những giới hạn quan trọng khi chuẩn bị
Quá trình phân tích tệp phải hoàn tất trước khi sử dụng các tệp đã chuẩn bị; tài liệu lớn hơn có thể cần nhiều thời gian phân tích hơn. Quy trình suy luận được mô tả của mô hình sử dụng văn bản đã trích xuất, vì vậy mức độ đầy đủ và dễ đọc của nội dung đã chuẩn bị rất quan trọng. Chỉ rõ tệp được chọn, câu hỏi và đầu ra cần có. Không nên dùng dung lượng tài liệu của Qwen-Long để thay thế giới hạn của một phiên bản Qwen khác, một yêu cầu chứa văn bản thô trực tiếp hoặc câu trả lời cuối cùng.
", "aboutText": "Qwen-Long là dòng xử lý tài liệu của Qwen để tìm thông tin, so sánh nội dung và trả lời câu hỏi trên một kho văn bản lớn. Điểm khác biệt là quy trình tải tệp lên và sử dụng tham chiếu được mô tả trong tài liệu, có thể xử lý tối đa 10 triệu token. Nhiệm vụ không chỉ là tạo một câu trả lời trò chuyện dài hơn: mục tiêu là giữ một tập tài liệu nguồn đáng kể ở trạng thái có thể tham chiếu, đồng thời đặt các câu hỏi có trọng tâm về chúng.\n\nCách hoạt động của quy trình tài liệu\n\nNhà phát triển mô tả hai giai đoạn. Trước tiên, tải các tệp đã chọn lên và đợi bộ phân tích tài liệu xử lý xong. Các tham chiếu nhận được xác định những tài liệu đã được chuẩn bị. Sau đó, đặt câu hỏi kèm tham chiếu đến những nội dung cần xem xét. Mô hình thực hiện suy luận trên văn bản gắn với các tài liệu đó. Cách này tách bước chuẩn bị tài liệu khỏi câu hỏi và tránh phải gửi lại toàn bộ tệp ở mỗi lượt trò chuyện.\n\nChuẩn bị một tài liệu khi mục tiêu là tóm tắt, giải thích một mục hoặc trích xuất các điều kiện cụ thể. Nêu các mục quan trọng và yêu cầu đầu ra có mục đích rõ ràng. Ví dụ: cung cấp bản thông số sản phẩm, hỏi các điều kiện vận hành được nêu rõ trong đó và yêu cầu một bảng ngắn gồm điều kiện, mục nguồn và chi tiết còn thiếu. Các tên trường này là ví dụ thiết kế cho kết quả, không phải một lược đồ cố định được tích hợp sẵn.\n\nNhiều tài liệu và câu hỏi tiếp theo\n\nQuy trình được mô tả chấp nhận nhiều tệp đã chuẩn bị trong cùng một yêu cầu. Nhờ đó có thể so sánh giữa các tài liệu: xác định một đặc điểm trong từng bản thông số, phân biệt các phát biểu chung với những điểm khác nhau và tập hợp các câu hỏi chưa được giải quyết. Mỗi yêu cầu có thể chứa tối đa 100 tham chiếu tệp. Chọn các tệp liên quan đến câu hỏi thay vì cho rằng việc có ngữ cảnh lớn tự nó xác định nội dung cần so sánh.\n\nNhà phát triển cũng minh họa việc thêm tài liệu mới sau câu trả lời ban đầu. Giữ câu trả lời trước trong cuộc trò chuyện, thêm nguồn mới rồi hỏi tiếp, chẳng hạn hai bản mô tả khác nhau như thế nào. Trong ứng dụng, phân biệt câu trả lời trước với bằng chứng mới được cung cấp. Một kết quả hữu ích có thể là bảng so sánh với cột riêng cho từng tài liệu và phần giải thích các điểm bất đồng, thay vì bản tóm tắt gộp làm mất nguồn của từng phát biểu.\n\nNhập văn bản thuần trực tiếp là một cách khác được mô tả trong tài liệu. Nội dung ngắn hơn có thể được cung cấp trực tiếp dưới dạng văn bản thay vì tham chiếu đến tệp đã tải lên. Do giới hạn kích thước yêu cầu, hướng dẫn của nhà phát triển yêu cầu sử dụng cách dựa trên tham chiếu khi nội dung tài liệu đưa trực tiếp vào yêu cầu vượt quá 1 triệu token. Ngưỡng này tách biệt với ngữ cảnh tài liệu 10 triệu token: khả năng hỗ trợ một kho văn bản lớn không bảo đảm rằng một yêu cầu chứa văn bản thô có kích thước tương đương sẽ được chấp nhận.\n\nĐịnh dạng, ngữ cảnh và đầu ra\n\nDịch vụ tài liệu liệt kê TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV và JSON, cùng với BMP, PNG, JPG/JPEG và GIF. Tệp hình ảnh tải lên được giới hạn ở 20 MB; các tệp được hỗ trợ khác được giới hạn ở 150 MB. Đây là giới hạn của quy trình chuẩn bị tài liệu của nhà phát triển, không phải tuyên bố rằng mô hình ngôn ngữ suy luận trực tiếp trên mọi định dạng nhị phân mà không cần phân tích tệp.\n\nThông số công bố nêu ngữ cảnh và đầu vào tối đa là 10.000.000 token, với đầu ra tối đa 32.768 token. Trong định dạng hội thoại dùng tham chiếu tệp được mô tả, câu hỏi của người dùng có giới hạn riêng là 9.000 token khi thông điệp hệ thống thứ hai cung cấp tài liệu. Viết câu hỏi ngắn gọn và dành phần lớn ngữ cảnh tài liệu cho nội dung nguồn. Đầu vào ngữ cảnh dài và độ dài câu trả lời giải quyết hai vấn đề khác nhau: ngay cả một kho văn bản lớn cũng có thể cần kết quả ngắn, có cấu trúc chặt chẽ.\n\nMục FAQ của nhà phát triển mô tả đầu ra có cấu trúc dựa trên JSON Schema cho Qwen-Long và các bản snapshot của nó. Cách này hữu ích cho các nhiệm vụ trích xuất lặp lại cần cùng những trường trên một tập tài liệu. Chỉ rõ thông tin cần lấy, kiểu của từng trường và cách xử lý khi nguồn không chứa giá trị. Dịch vụ cũng mô tả xử lý theo lô bất đồng bộ, vốn là một quy trình gửi yêu cầu thay thế chứ không phải chế độ suy luận bổ sung.\n\nSo sánh tài liệu trong thực tế\n\nChuẩn bị các bản thông số liên quan và xác định vai trò của chúng trước khi hỏi: đâu là bản mô tả hiện tại, đâu là bản thay thế được đề xuất và những yêu cầu nào là bắt buộc. Yêu cầu kết quả gồm các điều kiện chung, phát biểu mâu thuẫn, thông tin còn thiếu và vị trí trong nguồn. Một câu hỏi tiếp theo có thể yêu cầu mô hình chuyển kết quả đó thành lời giải thích ngắn gọn cho đồng nghiệp, đồng thời giữ nguyên các phân biệt ban đầu.\n\nNhững giới hạn quan trọng khi chuẩn bị\n\nQuá trình phân tích tệp phải hoàn tất trước khi sử dụng các tệp đã chuẩn bị; tài liệu lớn hơn có thể cần nhiều thời gian phân tích hơn. Quy trình suy luận được mô tả của mô hình sử dụng văn bản đã trích xuất, vì vậy mức độ đầy đủ và dễ đọc của nội dung đã chuẩn bị rất quan trọng. Chỉ rõ tệp được chọn, câu hỏi và đầu ra cần có. Không nên dùng dung lượng tài liệu của Qwen-Long để thay thế giới hạn của một phiên bản Qwen khác, một yêu cầu chứa văn bản thô trực tiếp hoặc câu trả lời cuối cùng.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
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 được xây dựng để trả lời câu hỏi trên các tập tài liệu lớn. Nhà phát triển mô tả quy trình tải tệp lên và sử dụng tham chiếu, với ngữ cảnh tài liệu tối đa 10 triệu token, so sánh giữa các tệp và câu trả lời văn bản có cấu trúc.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen-Long là dòng xử lý tài liệu của Qwen để tìm thông tin, so sánh nội dung và trả lời câu hỏi trên một kho văn bản lớn. Điểm khác biệt là quy trình tải tệp lên và sử dụng tham chiếu được mô tả trong tài liệu, có thể xử lý tối đa 10 triệu token. Nhiệm vụ không chỉ là tạo một câu trả lời trò chuyện dài hơn: mục tiêu là giữ một tập tài liệu nguồn đáng kể ở trạng thái có thể tham chiếu, đồng thời đặt các câu hỏi có trọng tâm về chúng.
Cách hoạt động của quy trình tài liệu
Nhà phát triển mô tả hai giai đoạn. Trước tiên, tải các tệp đã chọn lên và đợi bộ phân tích tài liệu xử lý xong. Các tham chiếu nhận được xác định những tài liệu đã được chuẩn bị. Sau đó, đặt câu hỏi kèm tham chiếu đến những nội dung cần xem xét. Mô hình thực hiện suy luận trên văn bản gắn với các tài liệu đó. Cách này tách bước chuẩn bị tài liệu khỏi câu hỏi và tránh phải gửi lại toàn bộ tệp ở mỗi lượt trò chuyện.
Chuẩn bị một tài liệu khi mục tiêu là tóm tắt, giải thích một mục hoặc trích xuất các điều kiện cụ thể. Nêu các mục quan trọng và yêu cầu đầu ra có mục đích rõ ràng. Ví dụ: cung cấp bản thông số sản phẩm, hỏi các điều kiện vận hành được nêu rõ trong đó và yêu cầu một bảng ngắn gồm điều kiện, mục nguồn và chi tiết còn thiếu. Các tên trường này là ví dụ thiết kế cho kết quả, không phải một lược đồ cố định được tích hợp sẵn.
Nhiều tài liệu và câu hỏi tiếp theo
Quy trình được mô tả chấp nhận nhiều tệp đã chuẩn bị trong cùng một yêu cầu. Nhờ đó có thể so sánh giữa các tài liệu: xác định một đặc điểm trong từng bản thông số, phân biệt các phát biểu chung với những điểm khác nhau và tập hợp các câu hỏi chưa được giải quyết. Mỗi yêu cầu có thể chứa tối đa 100 tham chiếu tệp. Chọn các tệp liên quan đến câu hỏi thay vì cho rằng việc có ngữ cảnh lớn tự nó xác định nội dung cần so sánh.
Nhà phát triển cũng minh họa việc thêm tài liệu mới sau câu trả lời ban đầu. Giữ câu trả lời trước trong cuộc trò chuyện, thêm nguồn mới rồi hỏi tiếp, chẳng hạn hai bản mô tả khác nhau như thế nào. Trong ứng dụng, phân biệt câu trả lời trước với bằng chứng mới được cung cấp. Một kết quả hữu ích có thể là bảng so sánh với cột riêng cho từng tài liệu và phần giải thích các điểm bất đồng, thay vì bản tóm tắt gộp làm mất nguồn của từng phát biểu.
Nhập văn bản thuần trực tiếp là một cách khác được mô tả trong tài liệu. Nội dung ngắn hơn có thể được cung cấp trực tiếp dưới dạng văn bản thay vì tham chiếu đến tệp đã tải lên. Do giới hạn kích thước yêu cầu, hướng dẫn của nhà phát triển yêu cầu sử dụng cách dựa trên tham chiếu khi nội dung tài liệu đưa trực tiếp vào yêu cầu vượt quá 1 triệu token. Ngưỡng này tách biệt với ngữ cảnh tài liệu 10 triệu token: khả năng hỗ trợ một kho văn bản lớn không bảo đảm rằng một yêu cầu chứa văn bản thô có kích thước tương đương sẽ được chấp nhận.
Định dạng, ngữ cảnh và đầu ra
Dịch vụ tài liệu liệt kê TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV và JSON, cùng với BMP, PNG, JPG/JPEG và GIF. Tệp hình ảnh tải lên được giới hạn ở 20 MB; các tệp được hỗ trợ khác được giới hạn ở 150 MB. Đây là giới hạn của quy trình chuẩn bị tài liệu của nhà phát triển, không phải tuyên bố rằng mô hình ngôn ngữ suy luận trực tiếp trên mọi định dạng nhị phân mà không cần phân tích tệp.
Thông số công bố nêu ngữ cảnh và đầu vào tối đa là 10.000.000 token, với đầu ra tối đa 32.768 token. Trong định dạng hội thoại dùng tham chiếu tệp được mô tả, câu hỏi của người dùng có giới hạn riêng là 9.000 token khi thông điệp hệ thống thứ hai cung cấp tài liệu. Viết câu hỏi ngắn gọn và dành phần lớn ngữ cảnh tài liệu cho nội dung nguồn. Đầu vào ngữ cảnh dài và độ dài câu trả lời giải quyết hai vấn đề khác nhau: ngay cả một kho văn bản lớn cũng có thể cần kết quả ngắn, có cấu trúc chặt chẽ.
Mục FAQ của nhà phát triển mô tả đầu ra có cấu trúc dựa trên JSON Schema cho Qwen-Long và các bản snapshot của nó. Cách này hữu ích cho các nhiệm vụ trích xuất lặp lại cần cùng những trường trên một tập tài liệu. Chỉ rõ thông tin cần lấy, kiểu của từng trường và cách xử lý khi nguồn không chứa giá trị. Dịch vụ cũng mô tả xử lý theo lô bất đồng bộ, vốn là một quy trình gửi yêu cầu thay thế chứ không phải chế độ suy luận bổ sung.
So sánh tài liệu trong thực tế
Chuẩn bị các bản thông số liên quan và xác định vai trò của chúng trước khi hỏi: đâu là bản mô tả hiện tại, đâu là bản thay thế được đề xuất và những yêu cầu nào là bắt buộc. Yêu cầu kết quả gồm các điều kiện chung, phát biểu mâu thuẫn, thông tin còn thiếu và vị trí trong nguồn. Một câu hỏi tiếp theo có thể yêu cầu mô hình chuyển kết quả đó thành lời giải thích ngắn gọn cho đồng nghiệp, đồng thời giữ nguyên các phân biệt ban đầu.
Những giới hạn quan trọng khi chuẩn bị
Quá trình phân tích tệp phải hoàn tất trước khi sử dụng các tệp đã chuẩn bị; tài liệu lớn hơn có thể cần nhiều thời gian phân tích hơn. Quy trình suy luận được mô tả của mô hình sử dụng văn bản đã trích xuất, vì vậy mức độ đầy đủ và dễ đọc của nội dung đã chuẩn bị rất quan trọng. Chỉ rõ tệp được chọn, câu hỏi và đầu ra cần có. Không nên dùng dung lượng tài liệu của Qwen-Long để thay thế giới hạn của một phiên bản Qwen khác, một yêu cầu chứa văn bản thô trực tiếp hoặc câu trả lời cuối cùng.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen-long | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.000144 / 1K token Đầu ra · Token đầu ra $0.000572 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen-long
Dùng các đường dẫn phương thức hiển thị ở trên.
qwen-longQwen-Long được xây dựng để trả lời câu hỏi trên các tập tài liệu lớn. Nhà phát triển mô tả quy trình tải tệp lên và sử dụng tham chiếu, với ngữ cảnh tài liệu tối đa 10 triệu token, so sánh giữa các tệp và câu trả lời văn bản có cấu trúc.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen-Long là dòng xử lý tài liệu của Qwen để tìm thông tin, so sánh nội dung và trả lời câu hỏi trên một kho văn bản lớn. Điểm khác biệt là quy trình tải tệp lên và sử dụng tham chiếu được mô tả trong tài liệu, có thể xử lý tối đa 10 triệu token. Nhiệm vụ không chỉ là tạo một câu trả lời trò chuyện dài hơn: mục tiêu là giữ một tập tài liệu nguồn đáng kể ở trạng thái có thể tham chiếu, đồng thời đặt các câu hỏi có trọng tâm về chúng.
Cách hoạt động của quy trình tài liệu
Nhà phát triển mô tả hai giai đoạn. Trước tiên, tải các tệp đã chọn lên và đợi bộ phân tích tài liệu xử lý xong. Các tham chiếu nhận được xác định những tài liệu đã được chuẩn bị. Sau đó, đặt câu hỏi kèm tham chiếu đến những nội dung cần xem xét. Mô hình thực hiện suy luận trên văn bản gắn với các tài liệu đó. Cách này tách bước chuẩn bị tài liệu khỏi câu hỏi và tránh phải gửi lại toàn bộ tệp ở mỗi lượt trò chuyện.
Chuẩn bị một tài liệu khi mục tiêu là tóm tắt, giải thích một mục hoặc trích xuất các điều kiện cụ thể. Nêu các mục quan trọng và yêu cầu đầu ra có mục đích rõ ràng. Ví dụ: cung cấp bản thông số sản phẩm, hỏi các điều kiện vận hành được nêu rõ trong đó và yêu cầu một bảng ngắn gồm điều kiện, mục nguồn và chi tiết còn thiếu. Các tên trường này là ví dụ thiết kế cho kết quả, không phải một lược đồ cố định được tích hợp sẵn.
Nhiều tài liệu và câu hỏi tiếp theo
Quy trình được mô tả chấp nhận nhiều tệp đã chuẩn bị trong cùng một yêu cầu. Nhờ đó có thể so sánh giữa các tài liệu: xác định một đặc điểm trong từng bản thông số, phân biệt các phát biểu chung với những điểm khác nhau và tập hợp các câu hỏi chưa được giải quyết. Mỗi yêu cầu có thể chứa tối đa 100 tham chiếu tệp. Chọn các tệp liên quan đến câu hỏi thay vì cho rằng việc có ngữ cảnh lớn tự nó xác định nội dung cần so sánh.
Nhà phát triển cũng minh họa việc thêm tài liệu mới sau câu trả lời ban đầu. Giữ câu trả lời trước trong cuộc trò chuyện, thêm nguồn mới rồi hỏi tiếp, chẳng hạn hai bản mô tả khác nhau như thế nào. Trong ứng dụng, phân biệt câu trả lời trước với bằng chứng mới được cung cấp. Một kết quả hữu ích có thể là bảng so sánh với cột riêng cho từng tài liệu và phần giải thích các điểm bất đồng, thay vì bản tóm tắt gộp làm mất nguồn của từng phát biểu.
Nhập văn bản thuần trực tiếp là một cách khác được mô tả trong tài liệu. Nội dung ngắn hơn có thể được cung cấp trực tiếp dưới dạng văn bản thay vì tham chiếu đến tệp đã tải lên. Do giới hạn kích thước yêu cầu, hướng dẫn của nhà phát triển yêu cầu sử dụng cách dựa trên tham chiếu khi nội dung tài liệu đưa trực tiếp vào yêu cầu vượt quá 1 triệu token. Ngưỡng này tách biệt với ngữ cảnh tài liệu 10 triệu token: khả năng hỗ trợ một kho văn bản lớn không bảo đảm rằng một yêu cầu chứa văn bản thô có kích thước tương đương sẽ được chấp nhận.
Định dạng, ngữ cảnh và đầu ra
Dịch vụ tài liệu liệt kê TXT, DOCX, PDF, XLSX, EPUB, MOBI, MD, CSV và JSON, cùng với BMP, PNG, JPG/JPEG và GIF. Tệp hình ảnh tải lên được giới hạn ở 20 MB; các tệp được hỗ trợ khác được giới hạn ở 150 MB. Đây là giới hạn của quy trình chuẩn bị tài liệu của nhà phát triển, không phải tuyên bố rằng mô hình ngôn ngữ suy luận trực tiếp trên mọi định dạng nhị phân mà không cần phân tích tệp.
Thông số công bố nêu ngữ cảnh và đầu vào tối đa là 10.000.000 token, với đầu ra tối đa 32.768 token. Trong định dạng hội thoại dùng tham chiếu tệp được mô tả, câu hỏi của người dùng có giới hạn riêng là 9.000 token khi thông điệp hệ thống thứ hai cung cấp tài liệu. Viết câu hỏi ngắn gọn và dành phần lớn ngữ cảnh tài liệu cho nội dung nguồn. Đầu vào ngữ cảnh dài và độ dài câu trả lời giải quyết hai vấn đề khác nhau: ngay cả một kho văn bản lớn cũng có thể cần kết quả ngắn, có cấu trúc chặt chẽ.
Mục FAQ của nhà phát triển mô tả đầu ra có cấu trúc dựa trên JSON Schema cho Qwen-Long và các bản snapshot của nó. Cách này hữu ích cho các nhiệm vụ trích xuất lặp lại cần cùng những trường trên một tập tài liệu. Chỉ rõ thông tin cần lấy, kiểu của từng trường và cách xử lý khi nguồn không chứa giá trị. Dịch vụ cũng mô tả xử lý theo lô bất đồng bộ, vốn là một quy trình gửi yêu cầu thay thế chứ không phải chế độ suy luận bổ sung.
So sánh tài liệu trong thực tế
Chuẩn bị các bản thông số liên quan và xác định vai trò của chúng trước khi hỏi: đâu là bản mô tả hiện tại, đâu là bản thay thế được đề xuất và những yêu cầu nào là bắt buộc. Yêu cầu kết quả gồm các điều kiện chung, phát biểu mâu thuẫn, thông tin còn thiếu và vị trí trong nguồn. Một câu hỏi tiếp theo có thể yêu cầu mô hình chuyển kết quả đó thành lời giải thích ngắn gọn cho đồng nghiệp, đồng thời giữ nguyên các phân biệt ban đầu.
Những giới hạn quan trọng khi chuẩn bị
Quá trình phân tích tệp phải hoàn tất trước khi sử dụng các tệp đã chuẩn bị; tài liệu lớn hơn có thể cần nhiều thời gian phân tích hơn. Quy trình suy luận được mô tả của mô hình sử dụng văn bản đã trích xuất, vì vậy mức độ đầy đủ và dễ đọc của nội dung đã chuẩn bị rất quan trọng. Chỉ rõ tệp được chọn, câu hỏi và đầu ra cần có. Không nên dùng dung lượng tài liệu của Qwen-Long để thay thế giới hạn của một phiên bản Qwen khác, một yêu cầu chứa văn bản thô trực tiếp hoặc câu trả lời cuối cùng.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen-long | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.000144 / 1K token Đầu ra · Token đầu ra $0.000572 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen-long
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
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.