Skip to main content

Pensamiento profundo

Los modelos de pensamiento profundo razonan antes de responder, mejorando la precisión en tareas complejas como el razonamiento lógico y las matemáticas.

Este artículo describe cómo llamar al modelo de pensamiento profundo mediante la interfaz Chat Completion compatible con OpenAI o la interfaz DashScope. Para el uso de la API Responses, consulte: Pensamiento profundo.

Demostración

El siguiente es un ejemplo de conversación del modelo de Pensamiento Profundo, que muestra cómo el modelo primero realiza el razonamiento y luego da una respuesta.

Pregunta del usuario

¿Cuál es mayor, 9.9 o 9.11?

Proceso de pensamiento (campo reasoning_content)

Primero, la pregunta del usuario es: "¿Cuál es mayor, 9.9 o 9.11?", lo que parece ser una comparación de dos números: 9.9 y 9.11.

Necesito entender el significado de estos números. En matemáticas, 9.9 es equivalente a 9.90, y 9.11 es 9.11.

Para compararlos, debo tratarlos como decimales. 9.9 es 9 + 9/10 = 9.9, mientras que 9.11 es 9 + 11/100 = 9.11.

Ahora, compare 9.9 y 9.11: 9.9 es igual a 9.90 (porque 9.9 = 9.90), y 9.11 es 9.11. Ahora, compare 9.90 con 9.11: 9.90 es mayor que 9.11, porque 90/100 > 11/100.

Más precisamente: 9.9 = 99/10 = 990/100, 9.11 = 911/100, compare 990/100 con 911/100, obviamente 990 > 911, por lo que 990/100 > 911/100, por lo tanto 9.9 > 9.11.

También puedo observar directamente la parte decimal: la parte decimal de 9.9 es 0.9, y la parte decimal de 9.11 es 0.11. 0.9 es mayor que 0.11, porque 0.9 = 0.90 > 0.11.

Por lo tanto, 9.9 es mayor que 9.11.

Respuesta del modelo (campo content)

Conclusión: 9.9 es mayor que 9.11.

También puede abrir un modelo en el Centro de experiencias de la consola de Model Studio, activar Pensamiento profundo y ver el proceso de razonamiento directamente.

Uso

El Modelo de Pensamiento Profundo de Bailian se divide en dos modos:
  • Modo de pensamiento mixto: El pensamiento se puede habilitar o deshabilitar por solicitud, y los parámetros de control varían según el modelo. El siguiente ejemplo utiliza enable_thinking, los valores son los siguientes:
    • Establecido en true: el modelo piensa antes de responder;
    • Establecido en false: el modelo responde directamente;
    • Compatible con OpenAI
    • DashScope
    # 导入依赖与创建客户端...
completion = client.chat.completions.create(
    model="qwen3.8-max", # 选择模型
    messages=[{"role": "user", "content": "你是谁"}],
    # 由于 enable_thinking 非 OpenAI 标准参数，需要通过 extra_body 传入
    extra_body={"enable_thinking":True},
    # 流式输出方式调用
    stream=True,
    # 使流式返回的最后一个数据包包含Token消耗信息
    stream_options={
        "include_usage": True
    }
)
  • Modo solo de pensamiento: El modelo siempre piensa antes de responder y no se puede deshabilitar. Salvo que no necesita configurar el parámetro enable_thinking, el formato de la solicitud es consistente con el modo de pensamiento híbrido.
El contenido de pensamiento se devuelve a través del campo reasoning_content, y el contenido de la respuesta se devuelve a través del campo content. El pensamiento profundo requiere tiempo adicional de razonamiento. Los ejemplos de este artículo utilizan llamadas con streaming de forma predeterminada (recomendado, puede ver el proceso de pensamiento en tiempo real y evitar largas esperas). El modelo comercial de pensamiento profundo también admite salida sin streaming (síncrona). Para uso y precauciones, consulte las preguntas frecuentes a continuación; algunos modelos (como qwen3.5-122b-a10b, qwen3.5-27b y otras versiones de código abierto) solo admiten salida Stream, y la llamada sin streaming reportará un error.

Modelos compatibles

  • Qwen4
  • Qwen3.8
  • Qwen3.7
  • Qwen3.6
  • Qwen3.5
  • Qwen3
  • DeepSeek
  • GLM
  • Kimi
  • MiniMax
Serie Max de Qwen4 (versión preliminar, Modo de pensamiento híbrido, modo de pensamiento activado por defecto): qwen4-max-preview (solo Token Plan)

Inicio rápido

Requisito previo para el uso de la API: Haberobtenido y configurado la clave de API y completadoConfigurar la clave de API en variables de entorno. Si realiza la llamada mediante SDK, necesitaInstalar el SDK de OpenAI o DashScope(el SDK de Java de DashScope requiere al menos la versión 2.19.4). El siguiente código utiliza la llamada en streaming qwen3.8-max con el modo de pensamiento activado como ejemplo.
  • Compatible con OpenAI
  • DashScope
  • Python
  • Node.js
  • HTTP

Código de ejemplo 

from openai import OpenAI
import os

# 初始化OpenAI客户端
client = OpenAI(
    # 各地域的API Key不同。获取API Key：https://www.alibabacloud.com/help/model-studio/get-api-key
    # 如果没有配置环境变量，请用阿里云百炼API Key替换：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下为新加坡地域配置，调用时请将{WorkspaceId}替换为真实的业务空间ID，各地域的配置不同。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "你是谁"}]

completion = client.chat.completions.create(
    model="qwen3.8-max",  # 您可以按需更换为其它深度思考模型
    messages=messages,
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完整思考过程
answer_content = ""  # 完整回复
is_answering = False  # 是否进入回复阶段
print("\n" + "=" * 20 + "思考过程" + "=" * 20 + "\n")

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

    delta = chunk.choices[0].delta

    # 只收集思考内容
    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

    # 收到content，开始进行回复
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

Respuesta 

====================思考过程====================

好的，用户问“你是谁”，我需要给出一个准确且友好的回答。首先，我要确认自己的身份，即千问，由阿里巴巴集团旗下的通义实验室研发。接下来，应该说明我的主要功能，比如回答问题、创作文字、逻辑推理等。同时，要保持语气亲切，避免过于技术化，让用户感觉轻松。还要注意不要使用复杂术语，确保回答简洁明了。另外，可能需要加入一些互动元素，邀请用户提问，促进进一步交流。最后，检查是否有遗漏的重要信息，比如我的中文名称“千问”和英文名称“Qwen”，以及所属公司和实验室。确保回答全面且符合用户期望。
====================完整回复====================

你好！我是千问，是阿里巴巴集团旗下的通义实验室自主研发的超大规模语言模型。我可以回答问题、创作文字、进行逻辑推理、编程等，旨在为用户提供高质量的信息和服务。你可以叫我Qwen，或者直接叫我千问。有什么我可以帮你的吗？

Capacidades principales

Cambiar modo Pensamiento/Sin Pensamiento

Habilitar el modo de pensamiento puede mejorar la calidad de la respuesta, pero aumentará la latencia de respuesta y el consumo de tokens. Al utilizar modelos con modo de pensamiento híbrido, puede cambiar dinámicamente según la complejidad del problema sin cambiar el modelo:
  • Tareas simples (chat diario, preguntas y respuestas sencillas): Establezca enable_thinking en false para desactivar el pensamiento;
  • Tareas complejas (razonamiento lógico, generación de código, soluciones matemáticas): Establezca enable_thinking en true para activar el pensamiento.
  • Compatible con OpenAI
  • DashScope
enable_thinking Parámetro no estándar de OpenAI. Si utiliza el SDK de Python de OpenAI, páselo mediante extra_body. En el SDK de Node.js, páselo como un parámetro de nivel superior.
  • Python
  • Node.js
  • HTTP

Código de ejemplo 

from openai import OpenAI
import os

# 初始化OpenAI客户端
client = OpenAI(
    # 如果没有配置环境变量，请用阿里云百炼API Key替换：api_key="sk-xxx"
    # 各地域的API Key不同。获取API Key：https://www.alibabacloud.com/help/model-studio/get-api-key
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下为新加坡地域配置，调用时请将{WorkspaceId}替换为真实的业务空间ID，各地域的配置不同。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "你是谁"}]
completion = client.chat.completions.create(
    model="qwen3.8-max",
    messages=messages,
    # 通过 extra_body 设置 enable_thinking 开启思考过程
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完整思考过程
answer_content = ""  # 完整回复
is_answering = False  # 是否进入回复阶段
print("\n" + "=" * 20 + "思考过程" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n" + "=" * 20 + "Token 消耗" + "=" * 20 + "\n")
        print(chunk.usage)
        continue

    delta = chunk.choices[0].delta

    # 只收集思考内容
    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

    # 收到content，开始进行回复
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

Respuesta 

====================思考过程====================

嗯，用户问“你是谁”，我需要先确定他们想知道什么。可能他们第一次接触我，或者想确认我的身份。我应该先介绍自己是千问，由通义实验室研发。然后要说明我的功能，比如回答问题、创作文字、编程等，这样用户了解我能提供什么帮助。还要提到我支持多种语言，这样国际用户也会知道他们可以用不同语言交流。最后保持友好，邀请他们提问，这样可以促进进一步互动。要注意简洁明了，避免技术术语太多，让用户容易理解。可能用户需要的是快速了解我的能力，所以重点放在功能和用途上。还要检查有没有遗漏的信息，比如是否要提到阿里巴巴集团，或者更多技术细节。不过用户可能只需要基本的信息，不需要太深入。确保回答友好且专业，同时鼓励用户继续提问。
====================完整回复====================

我是千问，由通义实验室研发的超大规模语言模型。我可以帮助你回答问题、创作文字、编程、表达观点等，支持多语言交流。有什么需要我帮忙的吗？
====================Token 消耗====================

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))
Además, el modelo de pensamiento híbrido de código abierto de Qwen3 y el modelo qwen-plus-2025-04-28admiten controlar dinámicamente el modo de pensamiento mediante prompts. Cuando enable_thinking es true, añada /no_think al prompt para deshabilitar el pensamiento; en conversaciones de múltiples turnos, para volver a habilitarlo, añada /think al prompt más reciente. El modelo siempre sigue la última instrucción /think o /no_think.

Limitar la longitud del pensamiento

Los modelos de pensamiento profundo a veces generan procesos de razonamiento extensos, lo que aumenta la latencia y consume más tokens. Use el parámetro thinking_budget para establecer el número máximo de tokens del proceso de razonamiento. Al alcanzar el límite, el modelo comienza a generar la respuesta de inmediato. kimi-k3.1-pro y kimi-k3 no admiten este parámetro, por lo que no puede limitar la longitud de su pensamiento. Para conocer los modelos compatibles y sus valores predeterminados, consulte los parámetros de Chat Completions y los parámetros de DashScope. Los ejemplos siguientes solo muestran los parámetros clave. Para ver el ejemplo de streaming completo, consulte Inicio rápido.
  • Compatible con OpenAI
  • DashScope
completion = client.chat.completions.create(
    model="qwen3.8-max",
    messages=messages,
    # Establece el número máximo de tokens del proceso de razonamiento
    extra_body={"enable_thinking": True, "thinking_budget": 50},
    stream=True,
)

Pasar el proceso de pensamiento

kimi-k3.1-pro y kimi-k3 (implementados en Alibaba Cloud Model Studio) conservan de forma predeterminada el reasoning_content histórico proporcionado por el cliente. Se recomienda reenviar los mensajes históricos del asistente con su reasoning_content completo en las solicitudes de múltiples turnos. En conversaciones de múltiples turnos, preserve_thinking controla si el modelo lee el reasoning_content del mensaje histórico del asistente. Cuando se establece en true, estos contenidos de pensamiento se añadirán a la entrada de la siguiente ronda. El cliente necesita proporcionar los mensajes históricos del asistente y su messages en los reasoning_content de la solicitud. El valor predeterminado de cada modelo se basa en la Descripción de parámetros de Chat Completions.
Para conocer los modelos compatibles y sus valores predeterminados, consulte los parámetros de Chat Completions y los parámetros de DashScope.
Para los modelos Qwen3.8 Max, Qwen3.7, Qwen3.6 y Kimi que admiten este parámetro, si los mensajes históricos no contienen reasoning_content, habilitar este parámetro no causará un error.
Después de activarlo, en la conversación histórica reasoning_content se contará para el recuento de tokens de entrada y la facturación.
  • Compatible con OpenAI
  • DashScope
preserve_thinking Parámetro no estándar de OpenAI. Si usa el SDK de Python, debe pasarlo mediante extra_body.
  • Python
  • Node.js
  • HTTP

Código de ejemplo 

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下为新加坡地域配置，调用时请将{WorkspaceId}替换为真实的业务空间ID，各地域的配置不同。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

# 第一轮对话
messages = [
    {"role": "user", "content": "我需要为一个日均千万消息的电商系统选择消息队列，请推荐"}
]

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 + "第一轮思考过程" + "=" * 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 + "第一轮回复" + "=" * 20)
            is_answering = True
        print(delta.content, end="", flush=True)
        first_content += delta.content

# 第二轮对话：传递思考过程，追问模型为什么排除了Kafka
messages = [
    {"role": "user", "content": "我需要为一个日均千万消息的电商系统选择消息队列，请推荐"},
    {
        "role": "assistant",
        "content": first_content,
        "reasoning_content": first_reasoning,
    },
    {"role": "user", "content": "你在对比时为什么排除了Kafka？"},
]

reasoning_content = ""
answer_content = ""
is_answering = False

# preserve_thinking 通过 extra_body 传入
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 + "第二轮思考过程" + "=" * 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 + "第二轮回复" + "=" * 20)
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

Respuesta 

====================第一轮思考过程====================
用户需要为日均千万消息的电商系统选择消息队列。让我从吞吐量、可靠性、延迟消息、事务支持等维度对比主流方案...

RocketMQ：阿里电商场景验证，原生支持事务消息和延迟消息，分区级严格有序...
Kafka：极高吞吐量，但无原生事务消息和延迟消息支持，需自研补偿机制...
RabbitMQ：延迟低，但集群扩展能力有限，峰值万级TPS...
====================第一轮回复====================
综合电商场景的核心需求（事务消息、延迟消息、顺序性、峰值应对），推荐 Apache RocketMQ。如果团队已有 Kafka 生态或需强实时分析能力，Kafka 也是可行方案。
====================第二轮思考过程====================
用户在追问为什么排除了Kafka。回顾我的历史思考过程，我并没有排除Kafka，而是给了它4星评分。让我参考之前的详细对比分析来解释...

在上一轮思考中，我对比了RocketMQ和Kafka在事务消息、延迟消息、顺序性方面的差异。Kafka的劣势主要在于需要额外架构设计来补齐电商特有语义...
====================第二轮回复====================
我并没有排除Kafka。Kafka在吞吐量和生态方面表现优秀，之所以RocketMQ评分略高，是因为电商核心链路的"开箱即用"特性匹配度：RocketMQ原生支持事务消息和延迟消息，而Kafka需要通过Outbox Pattern等架构模式自行实现。如果团队已有Kafka生态，它完全能胜任千万级消息场景。

Otras funciones

Detalles de facturación

  • El contenido de pensamiento se factura por Token de salida.
  • Algunos modelos de pensamiento híbrido tienen precios diferentes en los modos de pensamiento y sin pensamiento.
    Si el modelo no genera el Proceso de Pensamiento en el modo de pensamiento, se factura al precio del modo sin pensamiento.

FAQ

La posibilidad de desactivar el modo de pensamiento depende del modelo utilizado:
  • Modelos de modo de pensamiento híbrido (como qwen3.6-plus, deepseek-v4-pro): establezca enable_thinking en false para desactivar;
  • Los modelos de modo solo pensamiento (como glm-5.3, kimi-k2.7-code): no se pueden desactivar.
  • kimi-k3.1-pro y kimi-k3 habilitan el pensamiento de forma predeterminada. Establezca enable_thinking=false para deshabilitarlo, pero se recomienda mantenerlo habilitado. En kimi-k3.1-pro, deshabilitar el pensamiento degrada significativamente la calidad de la salida, por lo que se recomienda encarecidamente mantenerlo habilitado.
qwen3.7-plus es un modelo de modo de pensamiento híbrido y habilita el modo de pensamiento de forma predeterminada. El proceso de pensamiento genera una gran cantidad de tokens de razonamiento (se ha medido que representan más del 60% del total de tokens de salida), por lo que el tiempo total de una sola llamada es significativamente mayor que el del modo sin pensamiento. La velocidad de generación de tokens en sí no es anómala (medida aproximadamente en 52-54 tokens/s), y la diferencia en el tiempo total proviene principalmente del número de tokens generados por el proceso de pensamiento, en lugar de una ralentización del modelo o de la red.Pasos de solución de problemas:
  1. Confirm si el modo de pensamiento está habilitado. qwen3.7-plus está habilitado de forma predeterminada, lo cual se puede determinar verificando si se devuelve el campo reasoning_content en la respuesta.
  2. Revise completion_tokens y reasoning_tokens en el uso de la respuesta. Si reasoning_tokens es relativamente alto, el consumo total de tiempo es un comportamiento esperado del modo de pensamiento.
  3. Si no se requiere un proceso de pensamiento, configure enable_thinking en false para deshabilitar el modo de pensamiento. Una vez deshabilitado, el token de salida se reduce significativamente y el tiempo total real puede reducirse en un 60%-75%.
  4. Si necesita conservar la capacidad de pensamiento, puede cambiar aStream para obtener el primer token más rápidamente y ver el proceso de pensamiento en tiempo real, evitando largas esperas por la respuesta completa.
Las estadísticas de uso muestran el consumo total de tiempo de una sola llamada (incluido el tiempo de generación del token de pensamiento), en lugar de la latencia de generación de un solo token.
Los ejemplos de este artículo utilizan Stream de forma predeterminada (recomendado, ya que permite ver el proceso de pensamiento en tiempo real y evitar largas esperas). El modelo de pensamiento profundo de versión comercial (como qwen-plus, qwen-flash, etc.) también admite salida sin stream (síncrona), devolviendo el proceso de pensamiento completo y la respuesta de una sola vez.
Al cambiar el ejemplo de streaming a no streaming, modifique el código de análisis de resultados: la llamada sin streaming devuelve un objeto Response completo (completion), no se puede iterar a través de for chunk in completion como en el código de ejemplo de streaming (de lo contrario se generará un error 'tuple' object has no attribute 'choices'), y debe leer directamente completion.choices[0].message.reasoning_content (proceso de pensamiento) y completion.choices[0].message.content (contenido de la respuesta). Además, stream=False no puede establecer el parámetro stream_options.
El siguiente ejemplo utiliza la interfaz compatible con OpenAI con una llamada sin streaming de qwen3.8-max con el modo de pensamiento activado:
from openai import OpenAI
import os

client = OpenAI(
    # 各地域的API Key不同。获取API Key：https://www.alibabacloud.com/help/model-studio/get-api-key
    # 如果没有配置环境变量，请用阿里云百炼API Key替换：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下为新加坡地域配置，调用时请将{WorkspaceId}替换为真实的业务空间ID，各地域的配置不同。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.8-max",  # 请替换为支持非流式输出的深度思考模型
    messages=[{"role": "user", "content": "你是谁"}],
    extra_body={"enable_thinking": True},
    stream=False,  # 非流式（同步）输出；stream=False 时不能设置 stream_options
)

# 非流式返回完整响应对象，直接读取 message，无需（也不能）迭代
message = completion.choices[0].message
print("=" * 20 + "思考过程" + "=" * 20 + "\n")
print(getattr(message, "reasoning_content", "") or "")
print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")
print(message.content)
Algunos modelos (como qwen3.5-122b-a10b, qwen3.5-27b y otras versiones de código abierto) solo admiten salida Stream, y la llamada sin streaming resultará en un error parameter.enable_thinking only support stream call. Para tales modelos, utilice llamadas con streaming.
Vaya al centro de Tarifas y costos para recargar saldo y mantener un balance suficiente en su cuenta para llamar a los modelos con normalidad.
Después de superar la Free Quota, la facturación se realiza automáticamente en intervalos de nivel de minuto. Para detalles de consumo, vaya a ;Detalles de la factura para consultarlos.
Los modelos mencionados en este artículo solo admiten entrada de texto. Los modelos Qwen3-VL y QVQ admiten Pensamiento Profundo con imágenes.
Una vez realizada la llamada al modelo, los datos de nivel de minuto se pueden ver en el gráfico de monitoreo. Inicie sesión en la página de Monitoreo (Singapore o Beijing), seleccione en la barra de navegación izquierda Operations Management > Monitoring para ingresar a la página general de monitoreo, establezca las condiciones de consulta (por ejemplo, seleccione rango de tiempo, espacio de trabajo, etc.), luego en el área de Modelos, busque el modelo objetivo y haga clic en View Details para ver las estadísticas de llamadas del modelo. Para más información, consulte la documentación de Monitoreo.
Los datos de monitoreo se actualizan a nivel de minuto y son solo para referencia; no se utilizan como base de facturación.
Al llamar al modelo con prompts largos, generalmente ocurre un fallo de generación o un tiempo de espera de respuesta porque el modo de pensamiento está habilitado (enable_thinking es true). El modo de pensamiento aumentará el tiempo de procesamiento y, en escenarios de prompts largos, puede causar truncamiento de la respuesta o tiempo de espera de la solicitud.Solución:
  • Desactivar el modo de pensamiento: Establezca enable_thinking en false, reduciendo el tiempo de procesamiento de aproximadamente 50 s a unos 30 s.
  • Activar Stream: Establezca stream en true para evitar el límite de tiempo de espera de las llamadas sin streaming.
  • Aumentar el tiempo de espera: Si necesita mantener el modo de pensamiento, establezca el tiempo de espera del cliente en 180 segundos o más.
Este es un problema del lado del cliente, no una limitación del modelo sobre la salida del proceso de pensamiento. La plataforma Bailian utiliza el parámetro enable_thinking para controlar el cambio del modo de pensamiento, y el modelo devuelve el campo reasoning_content que contiene el contenido completo del proceso de pensamiento; el modelo devolverá normalmente el contenido de pensamiento. Las desconexiones suelen ser causadas por fluctuaciones en la red del cliente o problemas de compatibilidad de la versión del cliente.Pasos de solución de problemas:
  • Verifique la estabilidad de la conexión de red del cliente.
  • Actualice el cliente a la versión más reciente.
  • Revise los registros del cliente para confirmar la asociación entre el momento de la desconexión y la salida de la etiqueta de pensamiento.
También puede llamar al modelo directamente a través de la API de DashScope para verificar si la función de pensamiento funciona correctamente.

Referencia de la API

Para los parámetros de entrada y salida del modelo de Pensamiento Profundo, consulte Generación de texto.

Código de error

Si ocurre un error de ejecución, consulte Código de error para solucionar y resolver el problema.