Tổng quan: một mô hình cho nhiều phương thức đầu vào
Qwen2.5-Omni-7B là mô hình đa phương thức đầu cuối của Qwen cho văn bản, hình ảnh, âm thanh và video. Mô hình có thể hiểu các đầu vào này cùng nhau và tạo văn bản kèm lời nói tự nhiên trong quy trình theo luồng. Dùng khi nhiệm vụ phụ thuộc cả những gì nhìn thấy và nghe thấy, hoặc người dùng đưa chỉ dẫn bằng giọng nói thay vì gõ. Đây là checkpoint 7B chính xác; Omni-Turbo thương mại và các bản Omni sau có hợp đồng riêng.
Tính năng chính và kiến trúc
Thiết kế Thinker-Talker kết hợp hiểu nội dung với tạo lời nói. Thinker xử lý nhiệm vụ đa phương thức và tạo nội dung văn bản, còn Talker tham gia hình thành câu trả lời được nói. TMRoPE, cơ chế vị trí đa phương thức căn theo thời gian của nhà sản xuất, đồng bộ dấu thời gian video với âm thanh. Kiến trúc được thiết kế cho đầu vào chia khối và tương tác giọng nói hoặc video đáp ứng nhanh; mục tiêu thiết kế này không bảo đảm thời gian phản hồi cố định cho mọi giao diện.
Phạm vi nhiệm vụ của nhà sản xuất bao gồm nhận dạng tiếng nói, dịch tiếng nói, hiểu âm thanh, suy luận hình ảnh, hiểu video và tạo lời nói. Vì vậy chỉ dẫn được nói có thể tham gia trực tiếp vào câu hỏi đa phương thức thay vì luôn cần bản chép lời đánh máy cung cấp riêng. Giữ rõ nhiệm vụ đích: hiểu đoạn âm thanh, trả lời câu hỏi nói và tạo câu trả lời bằng giọng nói là những cách dùng khác nhau dù mô hình hỗ trợ mọi dạng đầu vào hoặc đầu ra đó.
Chuẩn bị hội thoại đa phương thức
Cung cấp tư liệu đa phương tiện liên quan và nêu cách câu trả lời cần nối chúng. Với minh họa có thuyết minh, yêu cầu mô hình phân biệt bước nhìn thấy với lời giải thích của người nói và xác định nơi chúng thống nhất. Với ảnh kèm câu hỏi âm thanh, xác định vai trò của ảnh và yêu cầu câu trả lời ngắn dựa trên nội dung nhìn thấy. Với đoạn chỉ có âm thanh, nêu mục tiêu là nhận dạng lời nói, giải thích âm thanh hay trả lời câu hỏi về nội dung. Đây là ứng dụng được xây dựng từ phạm vi nhiệm vụ được ghi nhận.
Ví dụ của nhà sản xuất thể hiện hội thoại chỉ có văn bản, chỉ có âm thanh, chỉ có video và đa phương tiện kết hợp. Giữ thứ tự và thời gian gốc của video. Gắn nhãn từng tư liệu để mô hình tham chiếu mà không coi bằng chứng không liên quan là cùng sự kiện. Kết quả có thể là văn bản riêng hoặc văn bản kèm lời nói; chọn sản phẩm hữu ích trước khi chuẩn bị yêu cầu.
Chuẩn bị đầu ra lời nói
Công thức checkpoint của Qwen yêu cầu lời nhắc hệ thống về năng lực âm thanh được ghi nhận khi cần đầu ra lời nói. Lời nhắc xác định Qwen cùng năng lực nghe, thị giác, văn bản và lời nói; thay bằng lời nhắc không liên quan có thể ngăn hành vi âm thanh mong đợi. Đây là hướng dẫn cho quy trình checkpoint của nhà sản xuất, không khẳng định mọi ứng dụng đều đưa ra điều khiển lời nhắc hệ thống hoặc tạo âm thanh.
Checkpoint chính xác cung cấp hai giọng: Chelsie, giọng nữ ấm áp, và Ethan, giọng nam vui tươi. Chelsie là mặc định được ghi nhận khi không chọn người nói. Ví dụ tạo sinh ghi lời nói ở tần số lấy mẫu 24,000 Hz. Không nên thay hai giọng này bằng mô tả bốn giọng của mô hình thương mại có tên riêng khác.
Sử dụng âm thanh từ video
Âm thanh của video có thể liên quan đến ý nghĩa, chẳng hạn chỉ dẫn được nói hoặc tiếng động do hành động nhìn thấy tạo ra. Qwen đưa ra use_audio_in_video xuyên suốt chuẩn bị tư liệu đa phương tiện, xử lý và tạo sinh. Thiết lập phải nhất quán ở cả ba giai đoạn và trong hội thoại nhiều lượt; thiết lập không nhất quán có thể tạo kết quả bất ngờ. Vì vậy diễn giải thị giác chỉ có video khác với diễn giải nghe nhìn, ngay cả khi cùng tệp.
Đầu ra chỉ có văn bản và xử lý theo lô
Nhà sản xuất hỗ trợ đầu ra chỉ có văn bản bằng return_audio=False. Tài liệu còn cho phép tắt Talker sau khi tải, giảm bộ nhớ GPU khoảng 2 GB nhưng khiến phiên đó không thể tạo âm thanh. Ví dụ xử lý theo lô hỗn hợp được ghi nhận yêu cầu return_audio=False và kết hợp yêu cầu văn bản, hình ảnh, âm thanh và video. Không nên biến ví dụ theo lô đó thành tuyên bố tạo lời nói theo lô.
Ngữ cảnh và giới hạn thực chất
Cấu hình nền văn bản của checkpoint đặt số vị trí tối đa 32,768. Văn bản, nội dung đa phương tiện được biểu diễn và phản hồi tạo ra tiêu tốn không gian chuỗi; giá trị này không độc lập xác định thời lượng âm thanh hoặc video phổ quát. Ví dụ tài nguyên của nhà sản xuất cho thấy video dài hơn cần nhiều bộ nhớ hơn đáng kể, nên đoạn ngắn liên quan thường thực tế hơn bản ghi lớn không liên quan. Các ví dụ không công bố mức tối đa cứng riêng cho độ dài câu trả lời hoặc thời lượng nội dung đa phương tiện được bảo đảm phổ quát.
Đối chiếu trích dẫn lời nói và kết luận với nguồn, giữ đủ chi tiết thị giác cho câu hỏi và lưu kết quả văn bản khi người rà soát cần kiểm tra lời giải thích được nói. Giá trị được ghi nhận của mô hình là hiểu kết hợp và phản hồi văn bản/lời nói, còn điều khiển giọng chính xác, xử lý nội dung đa phương tiện và chuyển giao đầu ra vẫn là tính năng của giao diện được chọn.
", "aboutText": "Tổng quan: một mô hình cho nhiều phương thức đầu vào\n\nQwen2.5-Omni-7B là mô hình đa phương thức đầu cuối của Qwen cho văn bản, hình ảnh, âm thanh và video. Mô hình có thể hiểu các đầu vào này cùng nhau và tạo văn bản kèm lời nói tự nhiên trong quy trình theo luồng. Dùng khi nhiệm vụ phụ thuộc cả những gì nhìn thấy và nghe thấy, hoặc người dùng đưa chỉ dẫn bằng giọng nói thay vì gõ. Đây là checkpoint 7B chính xác; Omni-Turbo thương mại và các bản Omni sau có hợp đồng riêng.\n\nTính năng chính và kiến trúc\n\nThiết kế Thinker-Talker kết hợp hiểu nội dung với tạo lời nói. Thinker xử lý nhiệm vụ đa phương thức và tạo nội dung văn bản, còn Talker tham gia hình thành câu trả lời được nói. TMRoPE, cơ chế vị trí đa phương thức căn theo thời gian của nhà sản xuất, đồng bộ dấu thời gian video với âm thanh. Kiến trúc được thiết kế cho đầu vào chia khối và tương tác giọng nói hoặc video đáp ứng nhanh; mục tiêu thiết kế này không bảo đảm thời gian phản hồi cố định cho mọi giao diện.\n\nPhạm vi nhiệm vụ của nhà sản xuất bao gồm nhận dạng tiếng nói, dịch tiếng nói, hiểu âm thanh, suy luận hình ảnh, hiểu video và tạo lời nói. Vì vậy chỉ dẫn được nói có thể tham gia trực tiếp vào câu hỏi đa phương thức thay vì luôn cần bản chép lời đánh máy cung cấp riêng. Giữ rõ nhiệm vụ đích: hiểu đoạn âm thanh, trả lời câu hỏi nói và tạo câu trả lời bằng giọng nói là những cách dùng khác nhau dù mô hình hỗ trợ mọi dạng đầu vào hoặc đầu ra đó.\n\nChuẩn bị hội thoại đa phương thức\n\nCung cấp tư liệu đa phương tiện liên quan và nêu cách câu trả lời cần nối chúng. Với minh họa có thuyết minh, yêu cầu mô hình phân biệt bước nhìn thấy với lời giải thích của người nói và xác định nơi chúng thống nhất. Với ảnh kèm câu hỏi âm thanh, xác định vai trò của ảnh và yêu cầu câu trả lời ngắn dựa trên nội dung nhìn thấy. Với đoạn chỉ có âm thanh, nêu mục tiêu là nhận dạng lời nói, giải thích âm thanh hay trả lời câu hỏi về nội dung. Đây là ứng dụng được xây dựng từ phạm vi nhiệm vụ được ghi nhận.\n\nVí dụ của nhà sản xuất thể hiện hội thoại chỉ có văn bản, chỉ có âm thanh, chỉ có video và đa phương tiện kết hợp. Giữ thứ tự và thời gian gốc của video. Gắn nhãn từng tư liệu để mô hình tham chiếu mà không coi bằng chứng không liên quan là cùng sự kiện. Kết quả có thể là văn bản riêng hoặc văn bản kèm lời nói; chọn sản phẩm hữu ích trước khi chuẩn bị yêu cầu.\n\nChuẩn bị đầu ra lời nói\n\nCông thức checkpoint của Qwen yêu cầu lời nhắc hệ thống về năng lực âm thanh được ghi nhận khi cần đầu ra lời nói. Lời nhắc xác định Qwen cùng năng lực nghe, thị giác, văn bản và lời nói; thay bằng lời nhắc không liên quan có thể ngăn hành vi âm thanh mong đợi. Đây là hướng dẫn cho quy trình checkpoint của nhà sản xuất, không khẳng định mọi ứng dụng đều đưa ra điều khiển lời nhắc hệ thống hoặc tạo âm thanh.\n\nCheckpoint chính xác cung cấp hai giọng: Chelsie, giọng nữ ấm áp, và Ethan, giọng nam vui tươi. Chelsie là mặc định được ghi nhận khi không chọn người nói. Ví dụ tạo sinh ghi lời nói ở tần số lấy mẫu 24,000 Hz. Không nên thay hai giọng này bằng mô tả bốn giọng của mô hình thương mại có tên riêng khác.\n\nSử dụng âm thanh từ video\n\nÂm thanh của video có thể liên quan đến ý nghĩa, chẳng hạn chỉ dẫn được nói hoặc tiếng động do hành động nhìn thấy tạo ra. Qwen đưa ra use_audio_in_video xuyên suốt chuẩn bị tư liệu đa phương tiện, xử lý và tạo sinh. Thiết lập phải nhất quán ở cả ba giai đoạn và trong hội thoại nhiều lượt; thiết lập không nhất quán có thể tạo kết quả bất ngờ. Vì vậy diễn giải thị giác chỉ có video khác với diễn giải nghe nhìn, ngay cả khi cùng tệp.\n\nĐầu ra chỉ có văn bản và xử lý theo lô\n\nNhà sản xuất hỗ trợ đầu ra chỉ có văn bản bằng return_audio=False. Tài liệu còn cho phép tắt Talker sau khi tải, giảm bộ nhớ GPU khoảng 2 GB nhưng khiến phiên đó không thể tạo âm thanh. Ví dụ xử lý theo lô hỗn hợp được ghi nhận yêu cầu return_audio=False và kết hợp yêu cầu văn bản, hình ảnh, âm thanh và video. Không nên biến ví dụ theo lô đó thành tuyên bố tạo lời nói theo lô.\n\nNgữ cảnh và giới hạn thực chất\n\nCấu hình nền văn bản của checkpoint đặt số vị trí tối đa 32,768. Văn bản, nội dung đa phương tiện được biểu diễn và phản hồi tạo ra tiêu tốn không gian chuỗi; giá trị này không độc lập xác định thời lượng âm thanh hoặc video phổ quát. Ví dụ tài nguyên của nhà sản xuất cho thấy video dài hơn cần nhiều bộ nhớ hơn đáng kể, nên đoạn ngắn liên quan thường thực tế hơn bản ghi lớn không liên quan. Các ví dụ không công bố mức tối đa cứng riêng cho độ dài câu trả lời hoặc thời lượng nội dung đa phương tiện được bảo đảm phổ quát.\n\nĐối chiếu trích dẫn lời nói và kết luận với nguồn, giữ đủ chi tiết thị giác cho câu hỏi và lưu kết quả văn bản khi người rà soát cần kiểm tra lời giải thích được nói. Giá trị được ghi nhận của mô hình là hiểu kết hợp và phản hồi văn bản/lời nói, còn điều khiển giọng chính xác, xử lý nội dung đa phương tiện và chuyển giao đầu ra vẫn là tính năng của giao diện được chọn.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Compare demonstration notes with narration\n\nCompare two text records of demonstration M2. Visual notes: 'Operator closes the lid, then presses Start.' Narration transcript: 'Press Start before closing the lid.' Identify the sequence disagreement and write one clarification question for the instructor. Use only these supplied records; do not claim to have watched or heard a clip.A source-linked sequence comparison and one targeted clarification question.The answer must preserve the opposing event order and avoid inventing a resolution.qwen2.5-omni-7bQwen2.5-Omni-7B kết hợp hiểu văn bản, hình ảnh, âm thanh và video với đầu ra văn bản và lời nói tự nhiên. Kiến trúc Thinker-Talker căn âm thanh với thời gian video, hỗ trợ tương tác theo luồng và cung cấp hai giọng nói được ghi nhận trong đúng checkpoint mở này.
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.
Tổng quan: một mô hình cho nhiều phương thức đầu vào
Qwen2.5-Omni-7B là mô hình đa phương thức đầu cuối của Qwen cho văn bản, hình ảnh, âm thanh và video. Mô hình có thể hiểu các đầu vào này cùng nhau và tạo văn bản kèm lời nói tự nhiên trong quy trình theo luồng. Dùng khi nhiệm vụ phụ thuộc cả những gì nhìn thấy và nghe thấy, hoặc người dùng đưa chỉ dẫn bằng giọng nói thay vì gõ. Đây là checkpoint 7B chính xác; Omni-Turbo thương mại và các bản Omni sau có hợp đồng riêng.
Tính năng chính và kiến trúc
Thiết kế Thinker-Talker kết hợp hiểu nội dung với tạo lời nói. Thinker xử lý nhiệm vụ đa phương thức và tạo nội dung văn bản, còn Talker tham gia hình thành câu trả lời được nói. TMRoPE, cơ chế vị trí đa phương thức căn theo thời gian của nhà sản xuất, đồng bộ dấu thời gian video với âm thanh. Kiến trúc được thiết kế cho đầu vào chia khối và tương tác giọng nói hoặc video đáp ứng nhanh; mục tiêu thiết kế này không bảo đảm thời gian phản hồi cố định cho mọi giao diện.
Phạm vi nhiệm vụ của nhà sản xuất bao gồm nhận dạng tiếng nói, dịch tiếng nói, hiểu âm thanh, suy luận hình ảnh, hiểu video và tạo lời nói. Vì vậy chỉ dẫn được nói có thể tham gia trực tiếp vào câu hỏi đa phương thức thay vì luôn cần bản chép lời đánh máy cung cấp riêng. Giữ rõ nhiệm vụ đích: hiểu đoạn âm thanh, trả lời câu hỏi nói và tạo câu trả lời bằng giọng nói là những cách dùng khác nhau dù mô hình hỗ trợ mọi dạng đầu vào hoặc đầu ra đó.
Chuẩn bị hội thoại đa phương thức
Cung cấp tư liệu đa phương tiện liên quan và nêu cách câu trả lời cần nối chúng. Với minh họa có thuyết minh, yêu cầu mô hình phân biệt bước nhìn thấy với lời giải thích của người nói và xác định nơi chúng thống nhất. Với ảnh kèm câu hỏi âm thanh, xác định vai trò của ảnh và yêu cầu câu trả lời ngắn dựa trên nội dung nhìn thấy. Với đoạn chỉ có âm thanh, nêu mục tiêu là nhận dạng lời nói, giải thích âm thanh hay trả lời câu hỏi về nội dung. Đây là ứng dụng được xây dựng từ phạm vi nhiệm vụ được ghi nhận.
Ví dụ của nhà sản xuất thể hiện hội thoại chỉ có văn bản, chỉ có âm thanh, chỉ có video và đa phương tiện kết hợp. Giữ thứ tự và thời gian gốc của video. Gắn nhãn từng tư liệu để mô hình tham chiếu mà không coi bằng chứng không liên quan là cùng sự kiện. Kết quả có thể là văn bản riêng hoặc văn bản kèm lời nói; chọn sản phẩm hữu ích trước khi chuẩn bị yêu cầu.
Chuẩn bị đầu ra lời nói
Công thức checkpoint của Qwen yêu cầu lời nhắc hệ thống về năng lực âm thanh được ghi nhận khi cần đầu ra lời nói. Lời nhắc xác định Qwen cùng năng lực nghe, thị giác, văn bản và lời nói; thay bằng lời nhắc không liên quan có thể ngăn hành vi âm thanh mong đợi. Đây là hướng dẫn cho quy trình checkpoint của nhà sản xuất, không khẳng định mọi ứng dụng đều đưa ra điều khiển lời nhắc hệ thống hoặc tạo âm thanh.
Checkpoint chính xác cung cấp hai giọng: Chelsie, giọng nữ ấm áp, và Ethan, giọng nam vui tươi. Chelsie là mặc định được ghi nhận khi không chọn người nói. Ví dụ tạo sinh ghi lời nói ở tần số lấy mẫu 24,000 Hz. Không nên thay hai giọng này bằng mô tả bốn giọng của mô hình thương mại có tên riêng khác.
Sử dụng âm thanh từ video
Âm thanh của video có thể liên quan đến ý nghĩa, chẳng hạn chỉ dẫn được nói hoặc tiếng động do hành động nhìn thấy tạo ra. Qwen đưa ra use_audio_in_video xuyên suốt chuẩn bị tư liệu đa phương tiện, xử lý và tạo sinh. Thiết lập phải nhất quán ở cả ba giai đoạn và trong hội thoại nhiều lượt; thiết lập không nhất quán có thể tạo kết quả bất ngờ. Vì vậy diễn giải thị giác chỉ có video khác với diễn giải nghe nhìn, ngay cả khi cùng tệp.
Đầu ra chỉ có văn bản và xử lý theo lô
Nhà sản xuất hỗ trợ đầu ra chỉ có văn bản bằng return_audio=False. Tài liệu còn cho phép tắt Talker sau khi tải, giảm bộ nhớ GPU khoảng 2 GB nhưng khiến phiên đó không thể tạo âm thanh. Ví dụ xử lý theo lô hỗn hợp được ghi nhận yêu cầu return_audio=False và kết hợp yêu cầu văn bản, hình ảnh, âm thanh và video. Không nên biến ví dụ theo lô đó thành tuyên bố tạo lời nói theo lô.
Ngữ cảnh và giới hạn thực chất
Cấu hình nền văn bản của checkpoint đặt số vị trí tối đa 32,768. Văn bản, nội dung đa phương tiện được biểu diễn và phản hồi tạo ra tiêu tốn không gian chuỗi; giá trị này không độc lập xác định thời lượng âm thanh hoặc video phổ quát. Ví dụ tài nguyên của nhà sản xuất cho thấy video dài hơn cần nhiều bộ nhớ hơn đáng kể, nên đoạn ngắn liên quan thường thực tế hơn bản ghi lớn không liên quan. Các ví dụ không công bố mức tối đa cứng riêng cho độ dài câu trả lời hoặc thời lượng nội dung đa phương tiện được bảo đảm phổ quát.
Đối chiếu trích dẫn lời nói và kết luận với nguồn, giữ đủ chi tiết thị giác cho câu hỏi và lưu kết quả văn bản khi người rà soát cần kiểm tra lời giải thích được nói. Giá trị được ghi nhận của mô hình là hiểu kết hợp và phản hồi văn bản/lời nói, còn điều khiển giọng chính xác, xử lý nội dung đa phương tiện và chuyển giao đầu ra vẫn là tính năng của giao diện được chọn.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen2.5-omni-7b | 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 $0.0046 / 1K token Đầu ra · Token đầu ra $0.0138 / 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": "qwen2.5-omni-7b", "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='qwen2.5-omni-7b',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='qwen2.5-omni-7b',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 qwen2.5-omni-7b
Dùng các đường dẫn phương thức hiển thị ở trên.
qwen2.5-omni-7bQwen2.5-Omni-7B kết hợp hiểu văn bản, hình ảnh, âm thanh và video với đầu ra văn bản và lời nói tự nhiên. Kiến trúc Thinker-Talker căn âm thanh với thời gian video, hỗ trợ tương tác theo luồng và cung cấp hai giọng nói được ghi nhận trong đúng checkpoint mở này.
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.
Tổng quan: một mô hình cho nhiều phương thức đầu vào
Qwen2.5-Omni-7B là mô hình đa phương thức đầu cuối của Qwen cho văn bản, hình ảnh, âm thanh và video. Mô hình có thể hiểu các đầu vào này cùng nhau và tạo văn bản kèm lời nói tự nhiên trong quy trình theo luồng. Dùng khi nhiệm vụ phụ thuộc cả những gì nhìn thấy và nghe thấy, hoặc người dùng đưa chỉ dẫn bằng giọng nói thay vì gõ. Đây là checkpoint 7B chính xác; Omni-Turbo thương mại và các bản Omni sau có hợp đồng riêng.
Tính năng chính và kiến trúc
Thiết kế Thinker-Talker kết hợp hiểu nội dung với tạo lời nói. Thinker xử lý nhiệm vụ đa phương thức và tạo nội dung văn bản, còn Talker tham gia hình thành câu trả lời được nói. TMRoPE, cơ chế vị trí đa phương thức căn theo thời gian của nhà sản xuất, đồng bộ dấu thời gian video với âm thanh. Kiến trúc được thiết kế cho đầu vào chia khối và tương tác giọng nói hoặc video đáp ứng nhanh; mục tiêu thiết kế này không bảo đảm thời gian phản hồi cố định cho mọi giao diện.
Phạm vi nhiệm vụ của nhà sản xuất bao gồm nhận dạng tiếng nói, dịch tiếng nói, hiểu âm thanh, suy luận hình ảnh, hiểu video và tạo lời nói. Vì vậy chỉ dẫn được nói có thể tham gia trực tiếp vào câu hỏi đa phương thức thay vì luôn cần bản chép lời đánh máy cung cấp riêng. Giữ rõ nhiệm vụ đích: hiểu đoạn âm thanh, trả lời câu hỏi nói và tạo câu trả lời bằng giọng nói là những cách dùng khác nhau dù mô hình hỗ trợ mọi dạng đầu vào hoặc đầu ra đó.
Chuẩn bị hội thoại đa phương thức
Cung cấp tư liệu đa phương tiện liên quan và nêu cách câu trả lời cần nối chúng. Với minh họa có thuyết minh, yêu cầu mô hình phân biệt bước nhìn thấy với lời giải thích của người nói và xác định nơi chúng thống nhất. Với ảnh kèm câu hỏi âm thanh, xác định vai trò của ảnh và yêu cầu câu trả lời ngắn dựa trên nội dung nhìn thấy. Với đoạn chỉ có âm thanh, nêu mục tiêu là nhận dạng lời nói, giải thích âm thanh hay trả lời câu hỏi về nội dung. Đây là ứng dụng được xây dựng từ phạm vi nhiệm vụ được ghi nhận.
Ví dụ của nhà sản xuất thể hiện hội thoại chỉ có văn bản, chỉ có âm thanh, chỉ có video và đa phương tiện kết hợp. Giữ thứ tự và thời gian gốc của video. Gắn nhãn từng tư liệu để mô hình tham chiếu mà không coi bằng chứng không liên quan là cùng sự kiện. Kết quả có thể là văn bản riêng hoặc văn bản kèm lời nói; chọn sản phẩm hữu ích trước khi chuẩn bị yêu cầu.
Chuẩn bị đầu ra lời nói
Công thức checkpoint của Qwen yêu cầu lời nhắc hệ thống về năng lực âm thanh được ghi nhận khi cần đầu ra lời nói. Lời nhắc xác định Qwen cùng năng lực nghe, thị giác, văn bản và lời nói; thay bằng lời nhắc không liên quan có thể ngăn hành vi âm thanh mong đợi. Đây là hướng dẫn cho quy trình checkpoint của nhà sản xuất, không khẳng định mọi ứng dụng đều đưa ra điều khiển lời nhắc hệ thống hoặc tạo âm thanh.
Checkpoint chính xác cung cấp hai giọng: Chelsie, giọng nữ ấm áp, và Ethan, giọng nam vui tươi. Chelsie là mặc định được ghi nhận khi không chọn người nói. Ví dụ tạo sinh ghi lời nói ở tần số lấy mẫu 24,000 Hz. Không nên thay hai giọng này bằng mô tả bốn giọng của mô hình thương mại có tên riêng khác.
Sử dụng âm thanh từ video
Âm thanh của video có thể liên quan đến ý nghĩa, chẳng hạn chỉ dẫn được nói hoặc tiếng động do hành động nhìn thấy tạo ra. Qwen đưa ra use_audio_in_video xuyên suốt chuẩn bị tư liệu đa phương tiện, xử lý và tạo sinh. Thiết lập phải nhất quán ở cả ba giai đoạn và trong hội thoại nhiều lượt; thiết lập không nhất quán có thể tạo kết quả bất ngờ. Vì vậy diễn giải thị giác chỉ có video khác với diễn giải nghe nhìn, ngay cả khi cùng tệp.
Đầu ra chỉ có văn bản và xử lý theo lô
Nhà sản xuất hỗ trợ đầu ra chỉ có văn bản bằng return_audio=False. Tài liệu còn cho phép tắt Talker sau khi tải, giảm bộ nhớ GPU khoảng 2 GB nhưng khiến phiên đó không thể tạo âm thanh. Ví dụ xử lý theo lô hỗn hợp được ghi nhận yêu cầu return_audio=False và kết hợp yêu cầu văn bản, hình ảnh, âm thanh và video. Không nên biến ví dụ theo lô đó thành tuyên bố tạo lời nói theo lô.
Ngữ cảnh và giới hạn thực chất
Cấu hình nền văn bản của checkpoint đặt số vị trí tối đa 32,768. Văn bản, nội dung đa phương tiện được biểu diễn và phản hồi tạo ra tiêu tốn không gian chuỗi; giá trị này không độc lập xác định thời lượng âm thanh hoặc video phổ quát. Ví dụ tài nguyên của nhà sản xuất cho thấy video dài hơn cần nhiều bộ nhớ hơn đáng kể, nên đoạn ngắn liên quan thường thực tế hơn bản ghi lớn không liên quan. Các ví dụ không công bố mức tối đa cứng riêng cho độ dài câu trả lời hoặc thời lượng nội dung đa phương tiện được bảo đảm phổ quát.
Đối chiếu trích dẫn lời nói và kết luận với nguồn, giữ đủ chi tiết thị giác cho câu hỏi và lưu kết quả văn bản khi người rà soát cần kiểm tra lời giải thích được nói. Giá trị được ghi nhận của mô hình là hiểu kết hợp và phản hồi văn bản/lời nói, còn điều khiển giọng chính xác, xử lý nội dung đa phương tiện và chuyển giao đầu ra vẫn là tính năng của giao diện được chọn.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen2.5-omni-7b | 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 $0.0046 / 1K token Đầu ra · Token đầu ra $0.0138 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen2.5-omni-7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-omni-7b', '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': 'qwen2.5-omni-7b', '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 qwen2.5-omni-7b
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
Compare demonstration notes with narration\n\nCompare two text records of demonstration M2. Visual notes: 'Operator closes the lid, then presses Start.' Narration transcript: 'Press Start before closing the lid.' Identify the sequence disagreement and write one clarification question for the instructor. Use only these supplied records; do not claim to have watched or heard a clip.A source-linked sequence comparison and one targeted clarification question.The answer must preserve the opposing event order and avoid inventing a resolution.