Alibaba Cloud Model Studio:ディープシンキング

Python

サンプルコード

from openai import OpenAI
import os

# OpenAI クライアントを初期化します。
client = OpenAI(
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数が設定されていない場合は、Model Studio API キーを直接指定してください：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 構成はリージョンによって異なります。ご利用のリージョンに基づいて base_url を変更してください。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "Who are you"}]

completion = client.chat.completions.create(
    model="qwen3.8-max",  # 必要に応じて、他のディープシンキングモデルに置き換えることができます。
    messages=messages,
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完全な思考プロセス
answer_content = ""  # 完全なレスポンス
is_answering = False  # レスポンスフェーズが開始したかどうかを追跡します
print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n使用量:")
        print(chunk.usage)
        continue

    delta = chunk.choices[0].delta

    # 思考コンテンツのみを収集します。
    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)
        reasoning_content += delta.reasoning_content

    # コンテンツが受信されたら、応答を開始します。
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完全なレスポンス" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

レスポンス

====================思考プロセス====================

ユーザーのクエリ「あなたは誰ですか？」には、正確でフレンドリーな応答が必要です。回答では、まず私が Alibaba Cloud の Tongyi Lab によって開発された Qwen であるというアイデンティティを確立します。次に、質疑応答、テキスト生成、論理的推論などの主要な機能を概説します。言語はシンプルで、親しみやすいトーンでなければなりません。対話を促すために、ユーザーにさらに質問するように促します。最後に、私の名前 (Qwen) と開発者を含むすべての重要な詳細が存在することを確認し、包括的な回答を提供します。
====================完全なレスポンス====================

こんにちは！私は Qwen、Alibaba Group の Tongyi Lab によって開発された大規模言語モデルです。私は質問に答えたり、テキストを生成したり、論理的推論を行ったり、コードを書いたりするなど、高品質な情報とサービスを提供できます。Qwen と呼んでください。何かお手伝いできることはありますか？

Node.js

サンプルコード

import OpenAI from "openai";
import process from 'process';

// OpenAI クライアントを初期化します。
const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY, // 環境変数から読み取ります。
    // 以下はシンガポールリージョンのベース URL です。米国 (バージニア) リージョンのモデルを使用する場合は、ベース URL を https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1 に変更してください。ベース URL はリージョンによって異なります。デプロイメントのリージョンに合わせて更新してください。
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = '';
let answerContent = '';
let isAnswering = false;

async function main() {
    try {
        const messages = [{ role: 'user', content: 'Who are you' }];
        const stream = await openai.chat.completions.create({
            model: 'qwen-plus',
            messages,
            stream: true,
            enable_thinking: true
        });
        console.log('\n' + '='.repeat(20) + '思考プロセス' + '='.repeat(20) + '\n');

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\n使用量:');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;

            // 思考コンテンツのみを収集します。
            if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
                if (!isAnswering) {
                    process.stdout.write(delta.reasoning_content);
                }
                reasoningContent += delta.reasoning_content;
            }

            // コンテンツが受信されたら、応答を開始します。
            if (delta.content !== undefined && delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + '完全なレスポンス' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('エラー:', error);
    }
}

main();

レスポンス

====================思考プロセス====================

ユーザーの直接的なクエリ「あなたは誰ですか？」には、簡潔で明確な応答が必要です。回答では、私のアイデンティティが Alibaba Cloud の大規模言語モデルである Qwen であることを述べます。質疑応答、テキスト生成、論理的推論などの主要な機能に言及し、多言語サポート (中国語、英語) を強調します。簡潔さを保つため、ユースケースについては、もし言及するとしても簡潔に触れます。トーンはフレンドリーにし、応答はさらなる質問を促す形で締めくくります。最後に、バージョン番号などの不要な詳細を含まずに正確性を確認します。
====================完全なレスポンス====================

私は Qwen、Alibaba Group の Tongyi Lab によって開発された大規模言語モデルです。質疑応答、テキスト生成、論理的推論、コーディングなど、さまざまなタスクを実行でき、中国語や英語を含む複数の言語をサポートしています。ご質問やお手伝いが必要な場合は、いつでもお気軽にお尋ねください！

HTTP

サンプルコード

# ======= 重要 =======
# 以下の URL はシンガポールリージョン用です。中国 (北京) リージョンの場合は、URL を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# 米国 (バージニア) リージョンの場合は、https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.8-max",
    "messages": [
        {
            "role": "user",
            "content": "Who are you"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true
}'

レスポンス

data: {"choices":[{"delta":{"content":null,"role":"assistant","reasoning_content":""},"index":0,"logprobs":null,"finish_reason":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

.....

data: {"choices":[{"finish_reason":"stop","delta":{"content":"","reasoning_content":null},"index":0,"logprobs":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: {"choices":[],"object":"chat.completion.chunk","usage":{"prompt_tokens":10,"completion_tokens":360,"total_tokens":370},"created":1745485391,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: [DONE]

Python

サンプルコード

import os
from dashscope import MultiModalConversation
import dashscope

# 構成はリージョンによって異なります。ご利用のリージョンに基づいてこの値を変更してください。
dashscope.base_http_api_url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1"

# リクエストパラメーターを初期化します
messages = [{"role": "user", "content": [{"text": "Who are you?"}]}]

completion = MultiModalConversation.call(
    # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください：api_key = "sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.8-max",
    messages=messages,
    enable_thinking=True,
    stream=True,
    incremental_output=True,
)

# 完全な思考プロセス
reasoning_content = ""
# 完全なレスポンス
answer_content = ""
# レスポンスフェーズが開始したかどうかを追跡します。
is_answering = False

print("=" * 20 + "思考プロセス" + "=" * 20)

for chunk in completion:
    # 思考コンテンツとレスポンスコンテンツの両方が空の場合、チャンクを無視します。
    content = chunk.output.choices[0].message.content
    reasoning = chunk.output.choices[0].message.reasoning_content
    if not content and reasoning == "":
        pass
    else:
        # 現在のチャンクが思考プロセスの一部である場合。
        if reasoning != "" and not content:
            print(reasoning, end="", flush=True)
            reasoning_content += reasoning
        # 現在のチャンクがレスポンスの一部である場合。
        elif content:
            if not is_answering:
                print("\n" + "=" * 20 + "完全なレスポンス" + "=" * 20)
                is_answering = True
            print(content[0]["text"], end="", flush=True)
            answer_content += content[0]["text"]

# 完全な思考プロセスと完全なレスポンスを印刷するには、次のコードのコメントを解除してください。
# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(f"{reasoning_content}")
# print("=" * 20 + "完全なレスポンス" + "=" * 20 + "\n")
# print(f"{answer_content}")

レスポンス

====================思考プロセス====================
クエリ「あなたは誰ですか？」に答えるには、レスポンスで私のアイデンティティが Alibaba Cloud の大規模言語モデルである Qwen であることを述べる必要があります。次に、質疑応答、テキスト生成、論理的推論などの主要な機能を概説することで、役立つアシスタントとしての私の目的を説明します。レスポンスは、専門用語を避け、会話的なトーンを維持します。さらなるエンゲージメントを促すために、自由形式の質問で締めくくります。最後に、フレンドリーでプロフェッショナルなトーンのバランスを取りながら、明確さ、簡潔さを確認します。
====================完全なレスポンス====================
こんにちは！私は Qwen、Alibaba Cloud によって開発された大規模言語モデルです。私は質問に答えたり、テキストを生成したり、論理的推論を行ったり、コードを書いたりするなど、ヘルプとサポートを提供できます。日常生活に関する質問でも、専門的なトピックに関する質問でも、最善を尽くしてお手伝いします。何かお手伝いできることはありますか？

Java

サンプルコード

// DashScope SDK のバージョンは 2.19.4 以降である必要があります。
import java.util.Arrays;
import java.util.Collections;
import java.util.List;
import java.util.Map;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import io.reactivex.Flowable;
import java.lang.System;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
        // 以下の base_url はシンガポールリージョン用です。バージニアリージョンのモデルを使用する場合は、base_url を https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1 に変更する必要があります。
        // 構成はリージョンによって異なります。実際のリージョンに基づいて構成を変更してください。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
    }
    private static final Logger logger = LoggerFactory.getLogger(Main.class);
    private static StringBuilder reasoningContent = new StringBuilder();
    private static StringBuilder finalContent = new StringBuilder();
    private static boolean isFirstPrint = true;

    private static void handleMultiModalConversationResult(MultiModalConversationResult message) {
        String reasoning = message.getOutput().getChoices().get(0).getMessage().getReasoningContent();
        List<Map<String, Object>> contentList = (List<Map<String, Object>>) message.getOutput().getChoices().get(0).getMessage().getContent();
        String content = (contentList != null && !contentList.isEmpty()) ? (String) contentList.get(0).get("text") : "";

        if (!reasoning.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }

        if (!content.isEmpty()) {
            finalContent.append(content);
            if (!isFirstPrint) {
                System.out.println("\n====================完全なレスポンス====================");
                isFirstPrint = true;
            }
            System.out.print(content);
        }
    }
    private static MultiModalConversationParam buildMultiModalConversationParam(MultiModalMessage userMsg) {
        return MultiModalConversationParam.builder()
                 // API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行を Alibaba Cloud Model Studio API キーに置き換えてください：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.8-max")
                .enableThinking(true)
                .incrementalOutput(true)
                .messages(Arrays.asList(userMsg))
                .build();
    }
    public static void streamCallWithMessage(MultiModalConversation conv, MultiModalMessage userMsg)
            throws NoApiKeyException, ApiException, InputRequiredException, UploadFileException {
        MultiModalConversationParam param = buildMultiModalConversationParam(userMsg);
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(message -> handleMultiModalConversationResult(message));
    }

    public static void main(String[] args) {
        try {
            MultiModalConversation conv = new MultiModalConversation();
            MultiModalMessage userMsg = MultiModalMessage.builder().role(Role.USER.getValue()).content(Arrays.asList(Collections.singletonMap("text", "Who are you?"))).build();
            streamCallWithMessage(conv, userMsg);
//             最終結果を印刷します。
//            if (reasoningContent.length() > 0) {
//                System.out.println("\n====================完全なレスポンス====================");
//                System.out.println(finalContent.toString());
//            }
        } catch (ApiException | NoApiKeyException | InputRequiredException | UploadFileException e) {
            logger.error("An exception occurred: {}", e.getMessage());
        }
        System.exit(0);
    }
}

レスポンス

====================思考プロセス====================
「あなたは誰ですか？」という質問への応答は、Alibaba Cloud の大規模言語モデルである Qwen という私の事前定義されたアイデンティティに基づいている必要があります。回答は会話的で、簡潔で、理解しやすいものにします。まず私のアイデンティティを述べ、次にテキスト作成、論理的推論、コーディング、多言語サポートなどの機能を説明します。トーンはフレンドリーにし、応答はユーザーに助けを求めるように促す形で締めくくり、さらなる対話を促します。
====================完全なレスポンス====================
こんにちは！私は Qwen、Alibaba Group の大規模言語モデルです。私は質問に答えたり、物語、公式文書、メール、スクリプトなどのテキストを作成したり、論理的推論を行ったり、コードを書いたり、意見を述べたり、さらにはゲームをしたりすることもできます。私は中国語、英語、ドイツ語、フランス語、スペイン語など、複数の言語に堪能です。何かお手伝いできることはありますか？

HTTP

サンプルコード

# ======= 重要 =======
# API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 以下はシンガポールリージョンの URL です。中国 (北京) リージョンの場合は、URL を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# 米国 (バージニア) リージョンの場合は、URL を https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# === 実行前にこのコメントを削除してください ===
curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "qwen3.8-max",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [{"text": "Who are you?"}]
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

レスポンス

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"Hmm","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":14,"input_tokens":11,"output_tokens":3},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:2
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":",","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":15,"input_tokens":11,"output_tokens":4},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:3
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"user","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":16,"input_tokens":11,"output_tokens":5},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:4
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"asks","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":17,"input_tokens":11,"output_tokens":6},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:5
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"“","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":18,"input_tokens":11,"output_tokens":7},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}
......

id:358
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"help","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":373,"input_tokens":11,"output_tokens":362},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:359
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":",","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":374,"input_tokens":11,"output_tokens":363},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:360
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"Please feel free","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":375,"input_tokens":11,"output_tokens":364},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:361
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"to","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":376,"input_tokens":11,"output_tokens":365},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:362
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"let me know","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":377,"input_tokens":11,"output_tokens":366},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:363
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"!","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":378,"input_tokens":11,"output_tokens":367},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:364
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"","role":"assistant"},"finish_reason":"stop"}]},"usage":{"total_tokens":378,"input_tokens":11,"output_tokens":367},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

Python

サンプルコード

from openai import OpenAI
import os

# OpenAI クライアントを初期化します。
client = OpenAI(
    # 環境変数が設定されていない場合は、値を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下の URL はシンガポールリージョン用です。呼び出す際に、WorkspaceId を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "Who are you?"}]
completion = client.chat.completions.create(
    model="qwen3.8-max",
    messages=messages,
    # extra_body で enable_thinking を設定して、思考プロセスを有効にします。
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完全な思考プロセス
answer_content = ""  # 完全なレスポンス
is_answering = False  # レスポンスフェーズが開始したかどうかを示します
print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n" + "=" * 20 + "トークン使用量" + "=" * 20 + "\n")
        print(chunk.usage)
        continue

    delta = chunk.choices[0].delta

    # 思考コンテンツのみを収集します。
    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)
        reasoning_content += delta.reasoning_content

    # コンテンツが受信されたら、レスポンスを開始します。
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完全なレスポンス" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

レスポンス

====================思考プロセス====================

ユーザーは「あなたは誰ですか？」と尋ねています。彼らが何を知りたいのかを判断する必要があります。彼らは初めて私と対話しているか、私のアイデンティティを確認したいのかもしれません。私は Tongyi Lab によって開発された Qwen として自己紹介すべきです。次に、質疑応答、テキスト作成、コーディングなどの私の能力を説明し、ユーザーが私がどのように役立つかを理解できるようにします。また、国際的なユーザーが異なる言語でコミュニケーションできることを知るために、私の多言語サポートについても言及すべきです。最後に、フレンドリーなトーンを保ち、さらなる対話を促すために質問するように誘います。説明は明確でシンプルで、専門用語を避ける必要があります。ユーザーは私の能力の簡単な概要を求めている可能性が高いので、私の機能とアプリケーションに焦点を当てます。また、Alibaba Group やより技術的な詳細など、情報が欠けていないかどうかも考慮すべきです。しかし、ユーザーはおそらく基本的な情報しか必要としていません。私は応答がフレンドリーでプロフェッショナルであり、会話を続けることを奨励するようにします。
====================完全なレスポンス====================

私は Qwen、Tongyi Lab によって開発された大規模言語モデルです。私は質問に答えたり、テキストを作成したり、コーディングしたり、意見を述べたりするのを手伝うことができます。私は複数の言語でのコミュニケーションをサポートしています。何かお手伝いできることはありますか？
====================トークン使用量====================

CompletionUsage(completion_tokens=221, prompt_tokens=10, total_tokens=231, completion_tokens_details=CompletionTokensDetails(accepted_prediction_tokens=None, audio_tokens=None, reasoning_tokens=172, rejected_prediction_tokens=None), prompt_tokens_details=PromptTokensDetails(audio_tokens=None, cached_tokens=0))

Node.js

サンプルコード

import OpenAI from "openai";
import process from 'process';

// OpenAI クライアントを初期化します。
const openai = new OpenAI({
    // 環境変数が設定されていない場合は、値を Model Studio API キーに置き換えてください：apiKey: "sk-xxx"
    apiKey: process.env.DASHSCOPE_API_KEY,
    // 構成はリージョンによって異なります。実際のリージョンに基づいてこれを変更してください。
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = ''; // 完全な思考プロセス
let answerContent = ''; // 完全なレスポンス
let isAnswering = false; // レスポンスフェーズが開始したかどうかを示します

async function main() {
    try {
        const messages = [{ role: 'user', content: 'Who are you?' }];

        const stream = await openai.chat.completions.create({
            model: 'qwen-plus',
            messages,
            // Node.js SDK では、enable_thinking などの非標準パラメーターはトップレベルのプロパティとして渡され、extra_body には不要です。
            enable_thinking: true,
            stream: true,
            stream_options: {
                include_usage: true
            },
        });

        console.log('\n' + '='.repeat(20) + '思考プロセス' + '='.repeat(20) + '\n');

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\n' + '='.repeat(20) + 'トークン使用量' + '='.repeat(20) + '\n');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;

            // 思考コンテンツのみを収集します。
            if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
                if (!isAnswering) {
                    process.stdout.write(delta.reasoning_content);
                }
                reasoningContent += delta.reasoning_content;
            }

            // コンテンツが受信されたら、レスポンスを開始します。
            if (delta.content !== undefined && delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + '完全なレスポンス' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('エラー:', error);
    }
}

main();

レスポンス

====================思考プロセス====================

ユーザーは「あなたは誰ですか？」と尋ねています。彼らが何を知りたいのかを判断する必要があります。彼らは初めて私と対話しているか、私のアイデンティティを確認したいのかもしれません。私は Qwen として自己紹介し、私の英語名も Qwen であることを言及すべきです。次に、私は Alibaba Group の Tongyi Lab によって独自に開発された大規模言語モデルであることを述べます。次に、質疑応答、テキスト作成、コーディング、意見表明などの私の能力をリストアップし、ユーザーが私の目的を理解できるようにします。また、国際的なユーザーにとって役立つ多言語サポートについても言及すべきです。最後に、フレンドリーでオープンな態度で質問するように誘います。私はシンプルで理解しやすい言語を使用し、過度な専門用語を避ける必要があります。ユーザーは助けが必要か、単に好奇心旺盛かもしれないので、応答は歓迎的で、さらなる対話を促すものであるべきです。また、ユーザーが私の能力をテストしたり、特定の助けを求めたりするなど、より深いニーズを持っているかどうかも考慮すべきですが、最初の応答は基本的な情報とガイダンスに焦点を当てます。私は会話的なトーンを保ち、効果的なコミュニケーションのために簡単な文を使用します。
====================完全なレスポンス====================

こんにちは！私は Qwen です。私は Alibaba Group の Tongyi Lab によって独自に開発された大規模言語モデルです。私は質問に答えたり、物語、公式文書、メール、スクリプトなどのテキストを作成したり、論理的推論を行ったり、コーディングしたり、さらには意見を述べたりゲームをしたりするのを手伝うことができます。私は中国語、英語、ドイツ語、フランス語、スペイン語など、複数の言語をサポートしています。

ご質問やお手伝いが必要な場合は、お気軽にお尋ねください！
====================トークン使用量====================

{
  prompt_tokens: 10,
  completion_tokens: 288,
  total_tokens: 298,
  completion_tokens_details: { reasoning_tokens: 188 },
  prompt_tokens_details: { cached_tokens: 0 }
}

HTTP

サンプルコード

# ======= 重要 =======
# API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# base_url はリージョンによって異なります。詳細については、https://www.alibabacloud.com/help/model-studio/regions/ をご参照ください
# === 実行前にこのコメントを削除してください ===
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.8-max",
    "messages": [
        {
            "role": "user",
            "content": "Who are you?"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true
}'

Python

サンプルコード

import os
from dashscope import MultiModalConversation
import dashscope

# 構成はリージョンによって異なります。必要に応じてこれを変更してください。
dashscope.base_http_api_url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/"

# リクエストパラメーターを初期化します。
messages = [{"role": "user", "content": [{"text": "Who are you?"}]}]

completion = MultiModalConversation.call(
    # 環境変数を設定していない場合は、これを Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/regions をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.8-max",
    messages=messages,
    enable_thinking=True,     # 思考プロセスを有効にします。
    stream=True,              # ストリーミング出力を有効にします。
    incremental_output=True,  # 増分出力を有効にします。
)

reasoning_content = ""  # 完全な思考プロセス
answer_content = ""     # 完全なレスポンス
is_answering = False    # モデルが回答フェーズにあるかどうかを示します。

print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    message = chunk.output.choices[0].message

    # 思考コンテンツのみを収集します。
    if message.reasoning_content:
        if not is_answering:
            print(message.reasoning_content, end="", flush=True)
        reasoning_content += message.reasoning_content

    # コンテンツが受信されたら、レスポンスの構築を開始します。
    if message.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完全なレスポンス" + "=" * 20 + "\n")
            is_answering = True
        print(message.content[0]["text"], end="", flush=True)
        answer_content += message.content[0]["text"]

print("\n" + "=" * 20 + "トークン使用量" + "=" * 20 + "\n")
print(chunk.usage)
# ループの後、reasoning_content および answer_content 変数には完全なコンテンツが含まれます。
# 必要に応じて、ここで後続の処理を実行できます。
# print(f"\n\n完全な思考プロセス:\n{reasoning_content}")
# print(f"\n完全なレスポンス:\n{answer_content}")

レスポンス

====================思考プロセス====================

さて、ユーザーは「あなたは誰ですか？」と尋ねています。彼らが何を知りたいのかを把握する必要があります。彼らは私に慣れていないか、単に私のアイデンティティを確認したいのかもしれません。まず、私は Qwen として自己紹介し、Tongyi Lab の大規模言語モデルであることを述べるべきです。次に、質疑応答、テキスト作成、コーディングなどの私の能力を説明し、ユーザーが私に何ができるかを知るようにします。また、国際的なユーザーのために私の多言語サポートについても言及すべきです。最後に、私はフレンドリーで、対話を促すためにさらに質問するように誘います。専門用語を避け、簡単な言葉を使うことが重要です。ユーザーは、私の能力をテストしたり、助けを得たりするなど、他のニーズを持っているかもしれませんが、物語、公式文書、メールの作成などの具体的な例を提供すると役立ちます。また、応答がよく構成されていることを確認する必要があります。私の機能をリストアップすることもできますが、箇条書きよりも自然な流れの方が良いかもしれません。また、誤解を避けるために、私は個人的な意識を持たない AI アシスタントであり、私の回答はトレーニングデータに基づいていることを明確にする必要があります。マルチモーダル機能や最近の更新など、重要な詳細を見逃していないか確認すべきですが、最初の応答で詳細すぎる必要はないでしょう。要するに、回答は包括的でありながら簡潔で、フレンドリーで役立つものであり、ユーザーが理解され、サポートされていると感じられるようにする必要があります。
====================完全なレスポンス====================

私は Qwen、Alibaba Group の Tongyi Lab によって開発された大規模言語モデルです。私は以下のことでお手伝いできます：

1. **質疑応答**：学術的、一般的な知識、またはドメイン固有の質問にお答えしようとします。
2. **テキスト作成**：物語、公式文書、メール、スクリプトなどの作成をお手伝いします。
3. **論理的推論**：論理的推論と問題解決をお手伝いします。
4. **プログラミング**：さまざまなプログラミング言語のコードを理解し、生成できます。
5. **多言語サポート**：中国語、英語、ドイツ語、フランス語、スペイン語など、複数の言語をサポートしています。

ご質問やお手伝いが必要な場合は、お気軽にお知らせください！
====================トークン使用量====================

{"input_tokens": 11, "output_tokens": 405, "total_tokens": 416, "output_tokens_details": {"reasoning_tokens": 256}, "prompt_tokens_details": {"cached_tokens": 0}}

Java

サンプルコード

// DashScope SDK v2.19.4 以降が必要です。
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import java.util.Collections;
import java.util.List;
import java.util.Map;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import com.alibaba.dashscope.exception.UploadFileException;
import io.reactivex.Flowable;
import java.lang.System;
import java.util.Arrays;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

public class Main {
    static {
        // ベース HTTP API URL はリージョンによって異なります。ご利用のリージョンに応じて変更してください。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
    }
    private static final Logger logger = LoggerFactory.getLogger(Main.class);
    private static StringBuilder reasoningContent = new StringBuilder();
    private static StringBuilder finalContent = new StringBuilder();
    private static boolean isFirstPrint = true;

    private static void handleMultiModalConversationResult(MultiModalConversationResult message) {
        String reasoning = message.getOutput().getChoices().get(0).getMessage().getReasoningContent();
        List<Map<String, Object>> contentList = (List<Map<String, Object>>) message.getOutput().getChoices().get(0).getMessage().getContent();
        String content = (contentList != null && !contentList.isEmpty()) ? (String) contentList.get(0).get("text") : "";

        if (!reasoning.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }

        if (!content.isEmpty()) {
            finalContent.append(content);
            if (!isFirstPrint) {
                System.out.println("\n====================完全なレスポンス====================");
                isFirstPrint = true;
            }
            System.out.print(content);
        }
    }
    private static MultiModalConversationParam buildMultiModalConversationParam(MultiModalMessage userMsg) {
        return MultiModalConversationParam.builder()
                // 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.8-max")
                .enableThinking(true)
                .incrementalOutput(true)
                .messages(Arrays.asList(userMsg))
                .build();
    }
    public static void streamCallWithMessage(MultiModalConversation conv, MultiModalMessage userMsg)
            throws NoApiKeyException, ApiException, InputRequiredException, UploadFileException {
        MultiModalConversationParam param = buildMultiModalConversationParam(userMsg);
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(message -> handleMultiModalConversationResult(message));
    }

    public static void main(String[] args) {
        try {
            MultiModalConversation conv = new MultiModalConversation();
            MultiModalMessage userMsg = MultiModalMessage.builder().role(Role.USER.getValue()).content(Arrays.asList(Collections.singletonMap("text", "Who are you?"))).build();
            streamCallWithMessage(conv, userMsg);
//             最終結果を印刷します。
//            if (reasoningContent.length() > 0) {
//                System.out.println("\n====================完全なレスポンス====================");
//                System.out.println(finalContent.toString());
//            }
        } catch (ApiException | NoApiKeyException | InputRequiredException | UploadFileException e) {
            logger.error("An exception occurred: {}", e.getMessage());
        }
        System.exit(0);
    }
}

レスポンス

====================思考プロセス====================
さて、ユーザーは「あなたは誰ですか？」と尋ねています。彼らが何を知りたいのかを把握する必要があります。彼らは私のアイデンティティを知りたいのか、単に私の応答をテストしているだけかもしれません。まず、私は Alibaba Group の大規模言語モデルである Qwen であることを明確に述べるべきです。次に、質疑応答、テキスト作成、コーディングなどの私の能力を簡単に紹介し、ユーザーが私に何ができるかを理解できるようにします。また、国際的なユーザーが異なる言語で私とコミュニケーションできることを知るために、私が複数の言語をサポートしていることにも言及すべきです。最後に、私はフレンドリーで、彼らが快適に感じ、さらに交流したいと思うように質問するように誘います。回答は長すぎず、包括的であるべきです。ユーザーは私の技術的な詳細やユースケースについてフォローアップの質問をするかもしれませんが、最初の回答はシンプルで明確であるべきです。すべてのユーザーが理解できるように、専門用語を使わないようにします。多言語サポートや私の機能の具体例など、重要な情報を見逃していないか確認します。よし、これでユーザーのニーズはカバーできるはずです。
====================完全なレスポンス====================
私は Qwen、Alibaba Group の大規模言語モデルです。私は質問に答えたり、テキスト (物語、公式文書、メール、スクリプトなど) を作成したり、論理的推論を行ったり、コーディングしたり、意見を述べたり、ゲームをしたりすることができます。また、中国語、英語、ドイツ語、フランス語、スペイン語など、多言語でのコミュニケーションもサポートしています。ご質問やお手伝いが必要な場合は、お気軽にお知らせください！

HTTP

サンプルコード

# ======= 重要 =======
# API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# base_url はリージョンによって異なります。必要に応じて変更してください。
# === 実行前にこのコメントを削除してください ===
curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "qwen3.8-max",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [{"text": "Who are you?"}]
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

レスポンス

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"Hmm","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":14,"input_tokens":11,"output_tokens":3},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:2
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":",","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":15,"input_tokens":11,"output_tokens":4},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:3
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"user","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":16,"input_tokens":11,"output_tokens":5},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:4
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":" asks","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":17,"input_tokens":11,"output_tokens":6},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:5
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":" \"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":18,"input_tokens":11,"output_tokens":7},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}
......

id:358
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"help","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":373,"input_tokens":11,"output_tokens":362},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:359
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":",","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":374,"input_tokens":11,"output_tokens":363},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:360
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":" feel free","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":375,"input_tokens":11,"output_tokens":364},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:361
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":" to","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":376,"input_tokens":11,"output_tokens":365},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:362
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":" let me know","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":377,"input_tokens":11,"output_tokens":366},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:363
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"!","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":378,"input_tokens":11,"output_tokens":367},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:364
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"","role":"assistant"},"finish_reason":"stop"}]},"usage":{"total_tokens":378,"input_tokens":11,"output_tokens":367},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

Python

サンプルコード

from openai import OpenAI
import os

# OpenAI クライアントを初期化します。
client = OpenAI(
    # 環境変数が設定されていない場合は、「sk-xxx」を Model Studio API キーに置き換えてください。
    # API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 構成はリージョンによって異なります。ご利用のリージョンに応じて base_url を変更してください。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "Who are you"}]

completion = client.chat.completions.create(
    model="qwen3.8-max",
    messages=messages,
    # enable_thinking パラメーターは思考プロセスを有効にし、thinking_budget はそのトークン制限を設定します。
    extra_body={
        "enable_thinking": True,
        "thinking_budget": 50
        },
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完全な思考プロセス
answer_content = ""  # 完全なレスポンス
is_answering = False  # レスポンスフェーズが開始したかどうかを追跡します
print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n使用量:")
        print(chunk.usage)
        continue

    delta = chunk.choices[0].delta

    # 思考コンテンツのみを収集します。
    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)
        reasoning_content += delta.reasoning_content

    # コンテンツが受信されると、レスポンスフェーズが始まります。
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完全なレスポンス" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

レスポンス

====================思考プロセス====================

さて、ユーザーは「あなたは誰ですか？」と尋ねています。明確でフレンドリーな応答を提供する必要があります。まず、Alibaba Group の Tongyi Lab によって開発された Qwen として私のアイデンティティを述べるべきです。次に、質問に答えるなどの私の主な機能を説明する必要があります
====================完全なレスポンス====================

私は Qwen、Alibaba Group の Tongyi Lab によって開発された大規模言語モデルです。私は質問に答えたり、テキストを作成したり、論理的推論を行ったり、コードを書いたりすることができます。

Node.js

サンプルコード

import OpenAI from "openai";
import process from 'process';

// OpenAI クライアントを初期化します。
const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY, // 環境変数から読み取ります。
    // 構成はリージョンによって異なります。ご利用のリージョンに応じて baseURL を変更してください。
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = '';
let answerContent = '';
let isAnswering = false;

async function main() {
    try {
        const messages = [{ role: 'user', content: 'Who are you' }];
        const stream = await openai.chat.completions.create({
            model: 'qwen-plus',
            messages,
            stream: true,
            // enable_thinking パラメーターは思考プロセスを有効にし、thinking_budget はそのトークン制限を設定します。
            enable_thinking: true,
            thinking_budget: 50
        });
        console.log('\n' + '='.repeat(20) + '思考プロセス' + '='.repeat(20) + '\n');

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\n使用量:');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;

            // 思考コンテンツのみを収集します。
            if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
                if (!isAnswering) {
                    process.stdout.write(delta.reasoning_content);
                }
                reasoningContent += delta.reasoning_content;
            }

            // コンテンツが受信されると、レスポンスフェーズが始まります。
            if (delta.content !== undefined && delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + '完全なレスポンス' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('エラー:', error);
    }
}

main();

レスポンス

====================思考プロセス====================

さて、ユーザーは「あなたは誰ですか？」と尋ねています。明確で正確な応答を提供する必要があります。まず、Alibaba Group の Tongyi Lab によって開発された Qwen として私のアイデンティティを述べるべきです。次に、質問に答えるなどの私の主な機能を説明する必要があります
====================完全なレスポンス====================

私は Qwen、Alibaba Group の Tongyi Lab によって開発された大規模言語モデルです。私は質問に答えたり、テキストを作成したり、論理的推論を行ったり、コードを書いたりすることができます。

HTTP

サンプルコード

# ======= 重要 =======
# 以下はシンガポールリージョンのベース URL です。中国 (北京) リージョンのモデルの場合は、URL を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# 米国 (バージニア) リージョンのモデルの場合は、URL を https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.8-max",
    "messages": [
        {
            "role": "user",
            "content": "Who are you"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true,
    "thinking_budget": 50
}'

レスポンス

data: {"choices":[{"delta":{"content":null,"role":"assistant","reasoning_content":""},"index":0,"logprobs":null,"finish_reason":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

.....

data: {"choices":[{"finish_reason":"stop","delta":{"content":"","reasoning_content":null},"index":0,"logprobs":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: {"choices":[],"object":"chat.completion.chunk","usage":{"prompt_tokens":10,"completion_tokens":360,"total_tokens":370},"created":1745485391,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: [DONE]

Python

サンプルコード

import os
from dashscope import MultiModalConversation
import dashscope

# 以下の URL はシンガポールリージョン用です。呼び出す際に、WorkspaceId を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/"

messages = [{"role": "user", "content": [{"text": "Who are you?"}]}]

completion = MultiModalConversation.call(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key = "sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.8-max",
    messages=messages,
    enable_thinking=True,
    # 思考プロセスのトークン制限を設定します。
    thinking_budget=50,
    stream=True,
    incremental_output=True,
)

# 完全な思考プロセスを保存します。
reasoning_content = ""
# 完全なレスポンスを保存します。
answer_content = ""
# レスポンスフェーズが開始したかどうかを追跡します。
is_answering = False

print("=" * 20 + "思考プロセス" + "=" * 20)

for chunk in completion:
    # 思考コンテンツとレスポンスコンテンツの両方が空のチャンクは無視します。
    content = chunk.output.choices[0].message.content
    reasoning = chunk.output.choices[0].message.reasoning_content
    if not content and reasoning == "":
        pass
    else:
        # 現在のチャンクに思考コンテンツが含まれている場合。
        if reasoning != "" and not content:
            print(reasoning, end="", flush=True)
            reasoning_content += reasoning
        # 現在のチャンクにレスポンスコンテンツが含まれている場合。
        elif content:
            if not is_answering:
                print("\n" + "=" * 20 + "完全なレスポンス" + "=" * 20)
                is_answering = True
            print(content[0]["text"], end="", flush=True)
            answer_content += content[0]["text"]

# 完全な思考プロセスとレスポンスを印刷するには、次のコードのコメントを解除して実行してください。
# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(f"{reasoning_content}")
# print("=" * 20 + "完全なレスポンス" + "=" * 20 + "\n")
# print(f"{answer_content}")

レスポンス

====================思考プロセス====================
さて、ユーザーは「あなたは誰ですか？」と尋ねています。明確でフレンドリーな応答を提供する必要があります。まず、Alibaba Group の Tongyi Lab によって開発された Qwen として自己紹介する必要があります。次に、私の主な機能を説明する必要があります
====================完全なレスポンス====================
私は Qwen、Alibaba Group の Tongyi Lab によって開発された大規模言語モデルです。私は質問に答えたり、テキストを作成したり、論理的推論を行ったり、コードを書いたりすることができます。

Java

サンプルコード

// DashScope SDK のバージョンは 2.19.4 以降である必要があります。
import java.util.Arrays;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import java.util.Collections;
import java.util.List;
import java.util.Map;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import io.reactivex.Flowable;
import com.alibaba.dashscope.exception.UploadFileException;
import java.lang.System;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
        // ベース HTTP API URL はリージョンによって異なります。ご利用のリージョンに応じて変更してください。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
    }
    private static final Logger logger = LoggerFactory.getLogger(Main.class);
    private static StringBuilder reasoningContent = new StringBuilder();
    private static StringBuilder finalContent = new StringBuilder();
    private static boolean isFirstPrint = true;

    private static void handleMultiModalConversationResult(MultiModalConversationResult message) {
        String reasoning = message.getOutput().getChoices().get(0).getMessage().getReasoningContent();
        List<Map<String, Object>> contentList = (List<Map<String, Object>>) message.getOutput().getChoices().get(0).getMessage().getContent();
        String content = (contentList != null && !contentList.isEmpty()) ? (String) contentList.get(0).get("text") : "";

        if (!reasoning.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }

        if (!content.isEmpty()) {
            finalContent.append(content);
            if (!isFirstPrint) {
                System.out.println("\n====================完全なレスポンス====================");
                isFirstPrint = true;
            }
            System.out.print(content);
        }
    }
    private static MultiModalConversationParam buildMultiModalConversationParam(MultiModalMessage userMsg) {
        return MultiModalConversationParam.builder()
                // 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.8-max")
                .enableThinking(true)
                .thinkingBudget(50)
                .incrementalOutput(true)
                .messages(Arrays.asList(userMsg))
                .build();
    }
    public static void streamCallWithMessage(MultiModalConversation conv, MultiModalMessage userMsg)
            throws NoApiKeyException, ApiException, InputRequiredException, UploadFileException {
        MultiModalConversationParam param = buildMultiModalConversationParam(userMsg);
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(message -> handleMultiModalConversationResult(message));
    }

    public static void main(String[] args) {
        try {
            MultiModalConversation conv = new MultiModalConversation();
            MultiModalMessage userMsg = MultiModalMessage.builder().role(Role.USER.getValue()).content(Arrays.asList(Collections.singletonMap("text", "Who are you?"))).build();
            streamCallWithMessage(conv, userMsg);
//             最終結果を印刷します。
//            if (reasoningContent.length() > 0) {
//                System.out.println("\n====================完全なレスポンス====================");
//                System.out.println(finalContent.toString());
//            }
        } catch (ApiException | NoApiKeyException | InputRequiredException | UploadFileException e) {
            logger.error("An exception occurred: {}", e.getMessage());
        }
        System.exit(0);
    }
}

レスポンス

====================思考プロセス====================
さて、ユーザーは「あなたは誰ですか？」と尋ねています。明確でフレンドリーな応答を提供する必要があります。まず、Alibaba Group の Tongyi Lab によって開発された Qwen として自己紹介する必要があります。次に、私の主な機能を説明する必要があります
====================完全なレスポンス====================
私は Qwen、Alibaba Group の Tongyi Lab によって開発された大規模言語モデルです。私は質問に答えたり、テキストを作成したり、論理的推論を行ったり、コードを書いたりすることができます。

HTTP

サンプルコード

# ======= 重要 =======
# API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
# エンドポイント URL はリージョンによって異なります。ご利用のリージョンに応じて変更してください。
# === 実行前にこのコメントを削除してください ===
curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "qwen3.8-max",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [{"text": "Who are you?"}]
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "thinking_budget": 50,
        "incremental_output": true,
        "result_format": "message"
    }
}'

レスポンス

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"Okay","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":14,"output_tokens":3,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":1}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

id:2
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":",","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":15,"output_tokens":4,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":2}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

......

id:133
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"!","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":149,"output_tokens":138,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":50}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

id:134
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"","role":"assistant"},"finish_reason":"stop"}]},"usage":{"total_tokens":149,"output_tokens":138,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":50}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

Python

サンプルコード

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 構成はリージョンによって異なります。実際のリージョンに基づいてこれを変更してください。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

# 会話の最初のターン
messages = [
    {"role": "user", "content": "1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。"}
]

first_reasoning = ""
first_content = ""
is_answering = False

completion = client.chat.completions.create(
    model="qwen3.8-max",
    messages=messages,
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={"include_usage": True},
)

print("=" * 20 + "最初のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    if not chunk.choices:
        continue
    delta = chunk.choices[0].delta
    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        first_reasoning += delta.reasoning_content
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "最初のターンのレスポンス" + "=" * 20)
            is_answering = True
        print(delta.content, end="", flush=True)
        first_content += delta.content

# 2番目のターン：思考プロセスを渡し、モデルが Kafka を除外した理由を尋ねる
messages = [
    {"role": "user", "content": "1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。"},
    {
        "role": "assistant",
        "content": first_content,
        "reasoning_content": first_reasoning,
    },
    {"role": "user", "content": "比較で Kafka を除外したのはなぜですか？"},
]

reasoning_content = ""
answer_content = ""
is_answering = False

# extra_body を介して preserve_thinking を渡す
completion = client.chat.completions.create(
    model="qwen3.8-max",
    messages=messages,
    extra_body={
        "enable_thinking": True,
        "preserve_thinking": True,
    },
    stream=True,
    stream_options={"include_usage": True},
)

print("\n" + "=" * 20 + "2番目のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    if not chunk.choices:
        continue
    delta = chunk.choices[0].delta
    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)
        reasoning_content += delta.reasoning_content
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "2番目のターンのレスポンス" + "=" * 20)
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

レスポンス

====================最初のターンの思考プロセス====================
ユーザーは、1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを必要としています。スループット、信頼性、遅延メッセージ、トランザクションサポートなどのディメンションに基づいて、主流のソリューションを比較します...

RocketMQ：Alibaba の E コマースシナリオで検証済みで、トランザクションメッセージと遅延メッセージをネイティブにサポートし、厳密なパーティションレベルの順序付けを提供します...
Kafka：非常に高いスループットですが、トランザクションメッセージと遅延メッセージのネイティブサポートがなく、カスタムの補償メカニズムが必要です...
RabbitMQ：低レイテンシーですが、クラスタースケーラビリティが限られており、ピーク TPS は数万です...
====================最初のターンのレスポンス====================
E コマースシナリオのコアニーズ (トランザクションメッセージ、遅延メッセージ、順序付け、ピーク処理) を考慮すると、Apache RocketMQ を推奨します。チームがすでに Kafka エコシステムを持っているか、強力なリアルタイム分析が必要な場合は、Kafka も実行可能なオプションです。
====================2番目のターンの思考プロセス====================
ユーザーは Kafka が除外された理由を尋ねています。私の過去の思考プロセスを確認すると、Kafka を除外していませんでした。4つ星の評価を付けました。以前の詳細な比較を参照して説明します...

最後のターンで、トランザクションメッセージ、遅延メッセージ、順序付けに関する RocketMQ と Kafka の違いを比較しました。Kafka の主な欠点は、E コマース固有のセマンティクスを補うために追加のアーキテクチャ設計が必要なことです...
====================2番目のターンのレスポンス====================
Kafka を除外したわけではありません。Kafka はスループットとエコシステムに優れています。RocketMQ がわずかに高い評価を受けた理由は、コアな E コマースワークフローにすぐに使える適合性が優れているためです。RocketMQ はトランザクションメッセージと遅延メッセージをネイティブにサポートしていますが、Kafka は Outbox パターンなどのアーキテクチャパターンを介して自己実装する必要があります。チームがすでに Kafka エコシステムを持っている場合、数千万件のメッセージを処理するシナリオに完全に対応できます。

Node.js

サンプルコード

import OpenAI from "openai";
import process from 'process';

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    // 構成はリージョンによって異なります。実際のリージョンに基づいてこれを変更してください。
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

async function main() {
    // 会話の最初のターン
    let firstReasoning = '';
    let firstContent = '';
    let isAnswering = false;

    const stream1 = await openai.chat.completions.create({
        model: 'qwen3.7-plus',
        messages: [{ role: 'user', content: '1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。' }],
        stream: true,
        enable_thinking: true
    });

    console.log('='.repeat(20) + '最初のターンの思考プロセス' + '='.repeat(20));

    for await (const chunk of stream1) {
        if (!chunk.choices?.length) continue;
        const delta = chunk.choices[0].delta;
        if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
            firstReasoning += delta.reasoning_content;
            if (!isAnswering) process.stdout.write(delta.reasoning_content);
        }
        if (delta.content !== undefined && delta.content) {
            if (!isAnswering) {
                console.log('\n' + '='.repeat(20) + '最初のターンのレスポンス' + '='.repeat(20));
                isAnswering = true;
            }
            process.stdout.write(delta.content);
            firstContent += delta.content;
        }
    }

    // 2番目のターン：思考プロセスを渡す
    let reasoningContent = '';
    let answerContent = '';
    isAnswering = false;

    const stream2 = await openai.chat.completions.create({
        model: 'qwen3.7-plus',
        messages: [
            { role: 'user', content: '1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。' },
            {
                role: 'assistant',
                content: firstContent,
                reasoning_content: firstReasoning
            },
            { role: 'user', content: '比較で Kafka を除外したのはなぜですか？' }
        ],
        stream: true,
        enable_thinking: true,
        // preserve_thinking をトップレベルのパラメーターとして渡す
        preserve_thinking: true
    });

    console.log('\n' + '='.repeat(20) + '2番目のターンの思考プロセス' + '='.repeat(20));

    for await (const chunk of stream2) {
        if (!chunk.choices?.length) continue;
        const delta = chunk.choices[0].delta;
        if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
            if (!isAnswering) process.stdout.write(delta.reasoning_content);
            reasoningContent += delta.reasoning_content;
        }
        if (delta.content !== undefined && delta.content) {
            if (!isAnswering) {
                console.log('\n' + '='.repeat(20) + '2番目のターンのレスポンス' + '='.repeat(20));
                isAnswering = true;
            }
            process.stdout.write(delta.content);
            answerContent += delta.content;
        }
    }
}

main();

レスポンス

====================最初のターンの思考プロセス====================
ユーザーは、1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを必要としています。スループット、信頼性、遅延メッセージ、トランザクションサポートなどのディメンションに基づいて、主流のソリューションを比較します...
====================最初のターンのレスポンス====================
E コマースシナリオのコアニーズを考慮すると、Apache RocketMQ を推奨します。チームがすでに Kafka エコシステムを持っている場合、Kafka も実行可能なオプションです。
====================2番目のターンの思考プロセス====================
ユーザーは Kafka が除外された理由を尋ねています。私の以前の思考プロセスを参照すると、Kafka を除外していませんでした...
====================2番目のターンのレスポンス====================
Kafka を除外したわけではありません。Kafka はスループットとエコシステムに優れています。RocketMQ がわずかに高い評価を受けた理由は、コアな E コマースワークフローにすぐに使える適合性が優れているためです。

HTTP

サンプルコード

# base_url はリージョンによって異なります。実際のリージョンに基づいて変更してください。
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.8-max",
    "messages": [
        {
            "role": "user",
            "content": "1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。"
        },
        {
            "role": "assistant",
            "content": "E コマースシナリオのコアニーズを考慮すると、Apache RocketMQ を推奨します。",
            "reasoning_content": "ユーザーは、1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを必要としています。RocketMQ はトランザクションメッセージと遅延メッセージをネイティブにサポートしており、E コマースシナリオにより適しています。Kafka は非常に高いスループットを持っていますが、カスタムの補償メカニズムが必要です。"
        },
        {
            "role": "user",
            "content": "比較で Kafka を除外したのはなぜですか？"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true,
    "preserve_thinking": true
}'

レスポンス

data: {"choices":[{"delta":{"content":null,"role":"assistant","reasoning_content":""},"index":0,"logprobs":null,"finish_reason":null}],"object":"chat.completion.chunk","usage":null,"created":1743523200,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-example-001"}

.....

data: {"choices":[{"finish_reason":"stop","delta":{"content":"","reasoning_content":null},"index":0,"logprobs":null}],"object":"chat.completion.chunk","usage":null,"created":1743523200,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-example-001"}

data: {"choices":[],"object":"chat.completion.chunk","usage":{"prompt_tokens":3463,"completion_tokens":2387,"total_tokens":5850},"created":1743523200,"system_fingerprint":null,"model":"qwen3.8-max","id":"chatcmpl-example-001"}

data: [DONE]

Python

サンプルコード

import os
from dashscope import MultiModalConversation
import dashscope

# 以下の URL はシンガポールリージョン用です。呼び出す際に、WorkspaceId を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/"

# 会話の最初のターン
messages = [
    {"role": "user", "content": [{"text": "1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。"}]}
]

first_reasoning = ""
first_content = ""
is_answering = False

completion = MultiModalConversation.call(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.8-max",
    messages=messages,
    enable_thinking=True,
    stream=True,
    incremental_output=True,
)

print("=" * 20 + "最初のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    content = chunk.output.choices[0].message.content
    reasoning = chunk.output.choices[0].message.reasoning_content
    if not content and reasoning == "":
        pass
    else:
        if reasoning != "" and not content:
            print(reasoning, end="", flush=True)
            first_reasoning += reasoning
        elif content:
            if not is_answering:
                print("\n" + "=" * 20 + "最初のターンのレスポンス" + "=" * 20)
                is_answering = True
            print(content[0]["text"], end="", flush=True)
            first_content += content[0]["text"]

# 2番目のターン：思考プロセスを渡す
messages = [
    {"role": "user", "content": [{"text": "1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。"}]},
    {
        "role": "assistant",
        "content": [{"text": first_content}],
        "reasoning_content": first_reasoning,
    },
    {"role": "user", "content": [{"text": "比較で Kafka を除外したのはなぜですか？"}]},
]

reasoning_content = ""
answer_content = ""
is_answering = False

completion = MultiModalConversation.call(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.8-max",
    messages=messages,
    enable_thinking=True,
    # 思考プロセスを渡す
    preserve_thinking=True,
    stream=True,
    incremental_output=True,
)

print("\n" + "=" * 20 + "2番目のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    content = chunk.output.choices[0].message.content
    reasoning = chunk.output.choices[0].message.reasoning_content
    if not content and reasoning == "":
        pass
    else:
        if reasoning != "" and not content:
            print(reasoning, end="", flush=True)
            reasoning_content += reasoning
        elif content:
            if not is_answering:
                print("\n" + "=" * 20 + "2番目のターンのレスポンス" + "=" * 20)
                is_answering = True
            print(content[0]["text"], end="", flush=True)
            answer_content += content[0]["text"]

): print(chunk.output.choices[0].message.reasoning_content, end="", flush=True) reasoning_content += chunk.output.choices[0].message.reasoning_content elif chunk.output.choices[0].message.content != "": if not is_answering: print("\n" + "=" * 20 + "2番目のターンのレスポンス" + "=" * 20) is_answering = True print(chunk.output.choices[0].message.content, end="", flush=True) answer_content += chunk.output.choices[0].message.content

レスポンス

====================最初のターンの思考プロセス====================
ユーザーは、1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを必要としています。スループット、信頼性、遅延メッセージ、トランザクションサポートなどのディメンションに基づいて、主流のソリューションを比較します...
====================最初のターンのレスポンス====================
E コマースシナリオのコアニーズを考慮すると、Apache RocketMQ を推奨します。チームがすでに Kafka エコシステムを持っている場合、Kafka も実行可能なオプションです。
====================2番目のターンの思考プロセス====================
ユーザーは Kafka が除外された理由を尋ねています。私の以前の思考プロセスを参照すると、Kafka を除外していませんでした...
====================2番目のターンのレスポンス====================
Kafka を除外したわけではありません。Kafka はスループットとエコシステムに優れています。RocketMQ がわずかに高い評価を受けた理由は、コアな E コマースワークフローにすぐに使える適合性が優れているためです。

HTTP

サンプルコード

# base_url はリージョンによって異なります。実際のリージョンに基づいて変更してください。
curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "qwen3.8-max",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [{"text": "1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを選択する必要があります。推奨事項を教えてください。"}]
            },
            {
                "role": "assistant",
                "content": [{"text": "E コマースシナリオのコアニーズを考慮すると、Apache RocketMQ を推奨します。"}],
                "reasoning_content": "ユーザーは、1日に数千万件のメッセージを処理する E コマースシステム用のメッセージキューを必要としています。RocketMQ はトランザクションメッセージと遅延メッセージをネイティブにサポートしており、E コマースシナリオにより適しています。Kafka は非常に高いスループットを持っていますが、カスタムの補償メカニズムが必要です。"
            },
            {
                "role": "user",
                "content": [{"text": "比較で Kafka を除外したのはなぜですか？"}]
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "preserve_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

レスポンス

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"user"},"role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":3466,"output_tokens":3,"input_tokens":3463,"output_tokens_details":{"reasoning_tokens":1}},"request_id":"example-request-001"}

id:2
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"follow-up"},"role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":3467,"output_tokens":4,"input_tokens":3463,"output_tokens_details":{"reasoning_tokens":2}},"request_id":"example-request-001"}

......

id:200
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"","role":"assistant"},"finish_reason":"stop"}]},"usage":{"total_tokens":5850,"output_tokens":2387,"input_tokens":3463,"output_tokens_details":{"reasoning_tokens":1347}},"request_id":"example-request-001"}