É possível chamar os modelos Qwen por meio da API DashScope. Este tópico descreve os parâmetros de entrada e saída e fornece exemplos de chamada.
Singapore
Endereço de requisição HTTP:
- Modelos de texto simples, como qwen-plus:
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation - Modelos multimodais, como qwen3.7-plus ou qwen3-vl-plus:
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
O base_url para a configuração de chamada do SDK é o seguinte:
Python code
import os
import dashscope
# A configuração abaixo refere-se à região Singapura. Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
client = dashscope.Client(
# Se a variável de ambiente não estiver configurada, substitua a linha a seguir pela sua API Key do Model Studio: api_key="sk-xxx"
# As API Keys são diferentes para cada região. Para obter uma API Key, consulte https://www.alibabacloud.com/help/model-studio/get-api-key
api_key=os.getenv("DASHSCOPE_API_KEY"),
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
Java code
- Método 1:
import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1");
- Método 2:
import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
US (Virginia)
Endereço de requisição HTTP:
- Modelos de texto simples:
POST https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation - Modelos Qwen-VL:
POST https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
O base_url para a configuração de chamada do SDK é o seguinte:
Python code
import os
import dashscope
# A configuração abaixo refere-se à região EUA (Virgínia). Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
client = dashscope.Client(
# Se a variável de ambiente não estiver configurada, substitua a linha a seguir pela sua API Key do Model Studio: api_key="sk-xxx"
# As API Keys são diferentes para cada região. Para obter uma API Key, consulte https://www.alibabacloud.com/help/model-studio/get-api-key
api_key=os.getenv("DASHSCOPE_API_KEY"),
workspace="{WorkspaceId}",
region="us-east-1",
)
Java code
- Método 1:
import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1");
- Método 2:
import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1";
China (Beijing)
Endereço de requisição HTTP:
- Modelos de texto simples, como qwen-plus:
POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation - Modelos multimodais, como qwen3.7-plus ou qwen3-vl-plus:
POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
O base_url para a configuração de chamada do SDK é o seguinte:
Python code
import os
import dashscope
# A configuração abaixo refere-se à região China (Pequim). Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
client = dashscope.Client(
# Se a variável de ambiente não estiver configurada, substitua a linha a seguir pela sua API Key do Model Studio: api_key="sk-xxx"
# As API Keys são diferentes para cada região. Para obter uma API Key, consulte https://www.alibabacloud.com/help/model-studio/get-api-key
api_key=os.getenv("DASHSCOPE_API_KEY"),
workspace="{WorkspaceId}",
region="cn-beijing",
)
Java code
- Método 1:
import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1");
- Método 2:
import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1";
Hong Kong (China)
Endereço de requisição HTTP:
- Modelos de texto simples, como qwen-plus:
POST https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation - Modelos multimodais, como qwen3.7-plus ou qwen3-vl-plus:
POST https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
O base_url para a configuração de chamada do SDK é o seguinte:
Python code
import os
import dashscope
# A configuração abaixo refere-se à região China (Hong Kong). Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
client = dashscope.Client(
# Se a variável de ambiente não estiver configurada, substitua a linha a seguir pela sua API Key do Model Studio: api_key="sk-xxx"
# As API Keys são diferentes para cada região. Para obter uma API Key, consulte https://www.alibabacloud.com/help/model-studio/get-api-key
api_key=os.getenv("DASHSCOPE_API_KEY"),
workspace="{WorkspaceId}",
region="cn-hongkong",
)
Java code
- Método 1:
import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1");
- Método 2:
import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1";
Germany (Frankfurt)
Endereço de requisição HTTP:
- Para modelos de texto simples, como qwen-plus:
POST https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation - Para modelos multimodais, como qwen3.7-plus ou qwen3-vl-plus:
POST https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
O base_url para a configuração de chamada do SDK é o seguinte:
Python code
import os
import dashscope
# A configuração abaixo refere-se à região Alemanha (Frankfurt). Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
client = dashscope.Client(
# Se a variável de ambiente não estiver configurada, substitua a linha a seguir pela sua API Key do Model Studio: api_key="sk-xxx"
# As API Keys são diferentes para cada região. Para obter uma API Key, consulte https://www.alibabacloud.com/help/model-studio/get-api-key
api_key=os.getenv("DASHSCOPE_API_KEY"),
workspace="{WorkspaceId}",
region="eu-central-1",
)
Java code
- Método 1:
import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1");
- Método 2:
import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1";
Japan (Tokyo)
Endereço de requisição HTTP:
- Modelos de texto simples, como qwen-plus:
POST https://{WorkspaceId}.ap-northeast-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation - Modelos multimodais, como qwen3.7-plus ou qwen3-vl-plus:
POST https://{WorkspaceId}.ap-northeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
O base_url para a configuração de chamada do SDK é o seguinte:
Código Python
import os
import dashscope
# A configuração abaixo refere-se à região Japão (Tóquio). Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
client = dashscope.Client(
# Se a variável de ambiente não estiver configurada, substitua a linha a seguir pela sua API Key do Model Studio: api_key="sk-xxx"
# As API Keys são diferentes para cada região. Para obter uma API Key, consulte https://www.alibabacloud.com/help/model-studio/get-api-key
api_key=os.getenv("DASHSCOPE_API_KEY"),
workspace="{WorkspaceId}",
region="ap-northeast-1",
)
Código Java
- Método 1:
import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.ap-northeast-1.maas.aliyuncs.com/api/v1");
- Método 2:
import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-northeast-1.maas.aliyuncs.com/api/v1";
Substitua {WorkspaceId} pelo seu workspace ID real.
É necessário obtain an API key e configure it as an environment variable. Caso utilize o DashScope SDK para realizar chamadas, também é preciso install the DashScope SDK.
ImportanteO Alibaba Cloud Model Studio disponibilizou domínios específicos por workspace para as regiões China (Beijing), Singapore e China (Hong Kong). Os novos domínios dedicados oferecem desempenho superior e maior estabilidade para requisições de inferência. Recomendamos a migração para os novos domínios:
- China (Beijing): de
https://dashscope.aliyuncs.comparahttps://{WorkspaceId}.cn-beijing.maas.aliyuncs.com - Singapore: de
https://dashscope-intl.aliyuncs.comparahttps://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com - China (Hong Kong): de
https://cn-hongkong.dashscope.aliyuncs.comparahttps://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com
O {WorkspaceId} corresponde ao ID do seu workspace, disponível na página Workspace Details no console do Alibaba Cloud Model Studio. O domínio existente permanece totalmente funcional.
Corpo da requisição | Entrada de textoPythonJavaPHP (HTTP)Node.js (HTTP)O DashScope não fornece um SDK para o ambiente Node.js. Para fazer chamadas usando o OpenAI Node.js SDK, consulte a seção OpenAI neste tópico. C# (HTTP)Go (HTTP)O DashScope não fornece um SDK para Go. Para fazer chamadas usando o OpenAI Go SDK, consulte a seção OpenAI-Go neste tópico. curlSubstitua
Saída em streaming
Modelos de geração de textoModelos multimodaisEntrada de imagem
PythonJavacurlSubstitua
Entrada de vídeo
PythonJavacurlSubstitua
Chamada de ferramentas
PythonJavacurlSubstitua
Invocação assíncronaCompreensão de documentosPythonJavacurl
|
model Nome do modelo a ser utilizado. Os modelos suportados incluem os modelos de linguagem grande Qwen (edições comerciais e open source), Qwen-VL, Qwen-Coder, modelos matemáticos, DeepSeek, Kimi, GLM e MiniMax. Para nomes específicos de modelos e detalhes de faturamento, consulteSelect a model. |
messages Contexto transmitido ao modelo de linguagem grande (LLM), organizado em ordem conversacional.
Tipos de mensagem Mensagem do sistema Mensagem de sistema usada para definir a função, o tom, os objetivos da tarefa ou as restrições do LLM. Geralmente, ocupa a primeira posição no array
Propriedades content Conteúdo da mensagem. role Função da mensagem de sistema. O valor é fixo como Mensagem do usuário Mensagem do usuário utilizada para enviar perguntas, instruções ou contexto ao modelo. Propriedades content Conteúdo da mensagem. Se a entrada for apenas texto, este parâmetro será uma string. Caso a entrada inclua dados multimodais, como imagens, ou se o cache explícito estiver ativado, este parâmetro será um array. Propriedades text Texto de entrada. image Arquivo de imagem para compreensão de imagens. É possível transmitir uma imagem de três formas:
Modelos aplicáveis: Qwen-VL, QVQ Exemplo: video Vídeo a ser transmitido ao utilizar um Qwen-VL model ou um QVQ model.
Para transmitir um arquivo local, consulte Local file. Exemplos:
fps Número de quadros a extrair por segundo. O valor deve estar no intervalo de [0,1, 10]. O valor padrão é 2,0. Descrição O parâmetro
Um valor maior de Exemplos
max_frames Número máximo de quadros que podem ser extraídos de um vídeo. Se a quantidade de quadros calculada com base em Faixa de valores
Valor de exemplo
min_pixels Define o limiar mínimo de pixels para a imagem de entrada ou quadros de vídeo. Se o total de pixels de uma imagem ou quadro de vídeo for inferior a Faixa de valores
Exemplos
max_pixels Define o limiar máximo de pixels para a imagem de entrada ou quadros de vídeo. Se o total de pixels de uma imagem ou vídeo de entrada estiver dentro do intervalo Faixa de valores
Exemplos
total_pixels Limita o total de pixels de todos os quadros extraídos de um vídeo (pixels de um único quadro × número total de quadros). Se o total de pixels do vídeo exceder esse limite, o sistema reduzirá os quadros do vídeo, garantindo ainda que o valor de pixels de um único quadro permaneça dentro do intervalo Para vídeos longos com muitos quadros extraídos, recomenda-se reduzir adequadamente esse valor para diminuir o consumo de tokens e o tempo de processamento, embora isso possa resultar na perda de detalhes da imagem. Faixa de valores
Exemplos
cache_control Suportado apenas por modelos que aceitam explicit caching. Utilizado para ativar o cache explícito. Propriedades type O valor deve ser role Função da mensagem do usuário. O valor deve ser Mensagem do assistente Resposta do modelo à mensagem do usuário. Propriedades content Conteúdo da mensagem. Este campo é opcional apenas se o parâmetro role O valor deve ser partial Especifica se o modo parcial deve ser ativado. Para mais informações e uma lista de modelos suportados, consulte Partial mode. tool_calls Informações da ferramenta e dos parâmetros de entrada retornadas após iniciar uma chamada de função. Contém um ou mais objetos. Obtido a partir do campo Propriedades id ID da resposta da ferramenta. type Tipo da ferramenta. Atualmente, apenas function Informações da ferramenta e dos parâmetros de entrada. Propriedades name Nome da ferramenta. arguments Informações dos parâmetros de entrada, no formato de string JSON. index Índice das informações da ferramenta atual no array Mensagem da ferramenta Informações de saída da ferramenta. Propriedades content Conteúdo de saída da função da ferramenta. Deve estar no formato de string. role O valor deve ser tool_call_id ID retornado após iniciar uma chamada de função. Pode ser recuperado usando |
temperature Temperatura de amostragem que controla a diversidade do texto gerado pelo modelo. Valores mais altos resultam em textos mais diversos, enquanto valores mais baixos produzem textos mais determinísticos. Intervalo de valores: [0, 2)
| ||||||||||||
top_p Limiar de probabilidade para amostragem de núcleo, que controla a diversidade do texto gerado pelo modelo. Um valor Intervalo de valores: (0, 1.0].
| ||||||||||||
top_k Tamanho do conjunto de candidatos para amostragem durante a geração. Por exemplo, se você definir este parâmetro como 50, apenas os 50 tokens com as maiores pontuações em uma única geração formarão o conjunto de candidatos para amostragem aleatória. Um valor maior aumenta a aleatoriedade, enquanto um valor menor aumenta o determinismo. Um valor O valor deve ser maior ou igual a 0. Valores padrão de top_k Série QVQ: 10 Série QwQ: 40 Todos os outros modelos: 20 Série GLM (fornecida pela Alibaba Cloud): 20 As séries DeepSeek, Kimi e MiniMax não suportam o parâmetro
| ||||||||||||
enable_thinking Define se o modo de pensamento deve ser ativado para um modelo de pensamento híbrido. Aplica-se aos modelos Qwen3.8, Qwen3.7, Qwen3.6, Qwen3.5, Qwen3 e Qwen3-VL, além das séries DeepSeek-V4-Pro/V4-Flash, DeepSeek-V3.2/V3.2-exp/V3.1, Kimi-K2.6/K2.5 e GLM. A série DeepSeek-V4 possui o modo de pensamento ativado por padrão. É possível ajustar o esforço de inferência com o parâmetro Valores válidos:
Para os valores padrão de diferentes modelos, consulte Supported models.
| ||||||||||||
preserve_thinking Define se o reasoning_content das mensagens do assistente no histórico da conversa deve ser anexado à entrada do modelo. Indicado para cenários em que o modelo precisa consultar o processo de pensamento histórico. Atualmente suportado por qwen3.7-max, qwen3.7-max-2026-05-20 e snapshots subsequentes, qwen3.7-plus, qwen3.7-plus-2026-05-26, qwen3.6-plus, qwen3.6-plus-2026-04-02, qwen3.8-flash, qwen3.7-flash, qwen3.7-flash-2026-07-15, qwen3.6-flash, qwen3.6-flash-2026-04-16, qwen3.8-max (ativado por padrão), kimi-k2.6 (implantado no Alibaba Cloud Model Studio), kimi-k2.7-code (implantado no Alibaba Cloud Model Studio, ativado por padrão), kimi/kimi-k2.7-code-highspeed (fornecido pela Moonshot AI, ativado por padrão) e kimi/kimi-k2.7-code (fornecido pela Moonshot AI, ativado por padrão).
| ||||||||||||
thinking_budget Comprimento máximo do processo de pensamento. Aplica-se aos modelos Qwen3.8, Qwen3.7, Qwen3.6, Qwen3.5, Qwen3-VL, Qwen3, GLM e Kimi, exceto kimi-k3 e kimi-k3.1-pro, que não suportam este parâmetro. Para mais informações, consulte Limit thinking length. O valor padrão corresponde ao comprimento máximo da cadeia de pensamento do modelo. Para mais informações, consulte Select a model.
| ||||||||||||
reasoning_effort Controla a intensidade de inferência dos modelos. Os valores válidos e padrões variam conforme o modelo. kimi-k3.1-pro (implantado no Alibaba Cloud Model Studio): O valor padrão é
Séries DeepSeek-V4 e GLM (Valor padrão: Valores válidos: Aplica-se a glm-5.2, glm-5.1, glm-5, deepseek-v4-pro. qwen3.8-max: Valor padrão: Valores válidos:
Mapeamento de valores padrão OpenAI:
Para a série qwen3.8, reasoning_effort e thinking_budget não podem ser definidos simultaneamente. Definir ambos causará um erro. No entanto, eles suportam conversão mútua:
| ||||||||||||
tool_stream Este parâmetro afeta apenas o comportamento de saída em streaming de parâmetros de ferramentas complexas e é eficaz somente em chamadas com streaming. Parâmetros de ferramentas simples, onde todos os tipos de parâmetros são strings, podem usar streaming desde que as chamadas com streaming estejam ativadas.
Lista de suporte da série GLM: glm-5 e glm-5.1. Referência de uso da série GLM:
| ||||||||||||
enable_code_interpreter Define se o recurso de interpretador de código deve ser ativado. Para mais informações, consulte Code interpreter. Valores válidos:
| ||||||||||||
clear_thinking Controla se o
| ||||||||||||
repetition_penalty Penalidade para repetição de sequências consecutivas durante a geração do modelo. Um valor
| ||||||||||||
presence_penalty Controla a repetição de conteúdo quando o modelo gera texto. Intervalo de valores: [-2.0, 2.0]. Valores positivos reduzem a repetição, enquanto valores negativos a aumentam. Em cenários que exigem diversidade, diversão ou criatividade, como escrita criativa ou brainstorming, aumente este valor. Em cenários que enfatizam consistência e precisão terminológica, como documentos técnicos ou textos formais, diminua este valor. Valores padrão de presence_penalty Qwen3.8 (modo sem pensamento), Qwen3.7 (modo sem pensamento), Qwen3.6 (modo sem pensamento), Qwen3.5-Omni, Qwen3.5 (modo sem pensamento), Qwen3 (modo sem pensamento), Série Qwen3-Instruct/1.7b/4b (modo de pensamento), série QVQ, qwen-max, série qwen2.5-vlQwen3-VL (sem pensamento): 1.5; qwen-plus/qwen-plus-latest/2025-04-28 (modo de pensamento): 0.5; Todos os outros são 0.0. Série DeepSeek (fornecida pela Alibaba Cloud): versão destilada deepseek-r1-distill-qwen: 1; Série Kimi (fornecida pela Alibaba Cloud): kimi-k2.7-code, kimi-k2.6, kimi-k2.5: 0.0; Série Kimi (fornecida pela Moonshot AI): 0.0; Série MiniMax (fornecida pela Alibaba Cloud): MiniMax-M2.5: 0.0; Outros modelos DeepSeek, Kimi, GLM e MiniMax não possuem valor padrão. Como funciona Se o valor do parâmetro for positivo, o modelo aplica uma penalidade aos tokens que já existem no texto. A penalidade não está relacionada ao número de vezes que o token aparece. Isso reduz a probabilidade de esses tokens reaparecerem, diminuindo a repetição de conteúdo e aumentando a diversidade vocabular. Exemplo Prompt: Traduza esta frase para chinês: "This movie is good. The plot is good, the acting is good, the music is good, and overall, the whole movie is just good. It is really good, in fact. The plot is so good, and the acting is so good, and the music is so good." Valor do parâmetro 2.0: This movie is great. The plot is fantastic, the acting is superb, and the music is also very beautiful. Overall, the entire film is just incredible. It is actually truly outstanding. The storyline is very exciting, the performances are excellent, and the soundtrack is so moving. Valor do parâmetro 0.0: This movie is good. The plot is good, the acting is good, and the music is good. Overall, the whole movie is very good. In fact, it is really great. The plot is very good, the acting is also very excellent, and the music is equally outstanding. Valor do parâmetro -2.0: This movie is good. The plot is good, the acting is good, and the music is good. Overall, the whole movie is good. In fact, it is really good. The plot is very good, the acting is very good, and the music is very good.
| ||||||||||||
vl_high_resolution_images Define se o limite de pixels para imagens de entrada deve ser aumentado para a contagem de pixels correspondente a 16384 tokens. Para mais informações, consulte Processing high-resolution images.
| ||||||||||||
vl_enable_image_hw_output Define se as dimensões da imagem redimensionada devem ser retornadas. O modelo redimensiona a imagem de entrada. Se você definir este parâmetro como
| ||||||||||||
max_tokens
O significado deste parâmetro varia conforme o modelo:
Para os modelos GLM, os valores padrão e máximo estão listados na tabela a seguir. Para os demais modelos, os valores padrão e máximo correspondem ao comprimento máximo de saída do modelo.
| ||||||||||||
max_completion_tokens Comprimento máximo da saída do modelo, incluindo a cadeia de pensamento e a resposta do modelo. Se a saída do modelo exceder esse valor, a geração para antecipadamente e o Para os modelos GLM, consulte a tabela do parâmetro Diferença em relação a Os seguintes modelos são suportados:
| ||||||||||||
seed Semente de número aleatório. Este parâmetro garante resultados reproduzíveis com a mesma entrada e parâmetros. Se você passar o mesmo valor de Intervalo de valores:
| ||||||||||||
stream Define se a resposta deve ser transmitida em streaming. Os valores válidos são:
|
incremental_output Define se a saída incremental deve ser ativada no modo de streaming. Recomendamos definir este parâmetro como Valores:
|
response_format Formato do conteúdo retornado. Os valores válidos são:
Propriedades type Formato do conteúdo retornado. Os valores válidos são:
json_schema Obrigatório quando
Propriedades name O nome do schema. schema O objeto JSON Schema que descreve a estrutura da saída. Use strict Indica se a estrutura definida por |
result_format Formato dos dados retornados. Recomendamos definir este parâmetro como
|
logprobs Define se as probabilidades logarítmicas dos tokens de saída devem ser retornadas. Os valores válidos são:
Modelos compatíveis:
|
top_logprobs Especifica a quantidade de tokens candidatos mais prováveis a serem retornados em cada etapa de geração. Intervalo de valores: [0, 5] Este parâmetro só tem efeito se
|
n Número de respostas a serem geradas. O intervalo de valores é
|
stop Usado para especificar palavras de parada. Quando uma string ou É possível enviar palavras sensíveis para controlar a saída do modelo.
|
tools Array contendo um ou mais objetos de ferramenta que o modelo pode chamar durante a invocação de funções. Para mais informações, consulte Function calling. Ao usar O parâmetro Propriedades type Tipo da ferramenta. Atualmente, apenas function Propriedades name Nome da função da ferramenta. Deve conter apenas letras e números, podendo incluir sublinhados e hifens. O comprimento máximo é de 64 caracteres. description Descrição da função da ferramenta, que auxilia o modelo a decidir quando e como invocá-la. parameters Descrição dos parâmetros da ferramenta, que deve ser um JSON Schema válido. Para detalhes sobre JSON Schema, consulte este link. Se o parâmetro
|
tool_choice Estratégia de seleção de ferramentas. Configure este parâmetro para forçar um método de chamada de ferramenta para um tipo específico de problema, como sempre usar uma determinada ferramenta ou desativar todas as ferramentas.
|
parallel_tool_calls Define se as chamadas paralelas de ferramentas devem ser ativadas. Valores válidos:
Para mais informações sobre chamadas paralelas de ferramentas, consulte Parallel tool calls.
|
Objeto de resposta de chat (formatos de saída streaming e não-streaming são consistentes) | |
status_code Código de status da requisição. O valor 200 indica sucesso; qualquer outro valor significa falha.
| |
request_id ID exclusivo desta chamada.
| |
code Código de erro. Este campo permanece vazio quando a chamada é bem-sucedida.
| |
output Informações sobre o resultado da chamada. Properties text Resposta gerada pelo modelo. Se o parâmetro de entrada result_format estiver definido como text, o conteúdo da resposta será retornado neste campo. finish_reason Este parâmetro não estará vazio se o parâmetro de entrada result_format for definido como text. Quatro situações possíveis podem ocorrer:
choices Informações de saída do modelo. O parâmetro Properties finish_reason O valor pode ser um dos seguintes:
message Objeto de mensagem produzido pelo modelo. Properties role Função da mensagem de saída, que deve ser content Conteúdo da mensagem de saída. Será um
Properties text Conteúdo da mensagem de saída para modelos das séries qwen-vl ou qwen-audio. image_hw Ao ativar o parâmetro
reasoning_content Conteúdo do raciocínio profundo do modelo. tool_calls O parâmetro Properties function Nome da ferramenta invocada e seus parâmetros de entrada. Properties name Nome da ferramenta que está sendo chamada. arguments Parâmetros de entrada da ferramenta, formatados como uma string JSON.
index Índice do objeto tool_calls atual dentro do array id ID desta resposta de ferramenta. type Tipo da ferramenta, que deve ser logprobs Informações de probabilidade para o objeto Properties content Array de tokens com informações de log de probabilidade. Properties token Token atual. bytes Lista de bytes UTF-8 brutos do token atual. Útil para reconstruir com precisão o conteúdo de saída, especialmente ao lidar com emojis e caracteres chineses. logprob Log de probabilidade do token atual. Um valor nulo indica probabilidade extremamente baixa. top_logprobs Tokens mais prováveis na posição atual e seus respectivos logs de probabilidade. A quantidade de elementos corresponde ao parâmetro de entrada Properties token Token atual. bytes Lista de bytes UTF-8 brutos do token atual. Essencial para reconstruir fielmente o conteúdo de saída, principalmente no tratamento de emojis e caracteres chineses. logprob Log de probabilidade do token atual. Valor nulo representa probabilidade extremamente baixa. | |
usage Informações de tokens desta requisição de chat. Properties input_tokens Comprimento do conteúdo de entrada do usuário após conversão para tokens. Para mais detalhes, consulte Additional information. output_tokens Comprimento do conteúdo de saída do modelo após conversão para tokens. input_tokens_details Detalhes sobre o comprimento do conteúdo de entrada convertido em tokens. Properties text_tokens Comprimento do texto de entrada após conversão para tokens. image_tokens Comprimento da imagem de entrada após conversão para tokens. video_tokens Comprimento do arquivo de vídeo ou lista de imagens de entrada após conversão para tokens. total_tokens Campo retornado para entradas de texto simples. Representa a soma de input_tokens e output_tokens. image_tokens Retornado quando o conteúdo de entrada inclui uma video_tokens Presente quando o conteúdo de entrada contém um audio_tokens Disponível se o conteúdo de entrada incluir output_tokens_details Detalhamento do comprimento da saída convertida em tokens. Apenas alguns modelos retornam este campo. Properties text_tokens Comprimento do texto de saída após conversão para tokens. reasoning_tokens Extensão do processo de raciocínio convertida em tokens. Retornado exclusivamente por modelos de raciocínio. audio_tokens Duração do áudio de saída em tokens. Campo específico para modelos com saída de áudio. prompt_tokens_details Classificação detalhada dos tokens de entrada. Properties cached_tokens Quantidade de tokens que atingiram o cache. Para saber mais sobre cache de contexto, veja Context cache. cache_creation Dados sobre a criação de explicit cache. Properties ephemeral_5m_input_tokens Quantidade de tokens usados para criar um cache explícito com validade de 5 minutos. cache_creation_input_tokens Volume de tokens consumidos na criação de um cache explícito. cache_type Ao utilizar explicit caching, o valor será |
Códigos de erro
Se a chamada do modelo falhar e retornar uma mensagem de erro, consulte Error codes para resolver o problema.