Skip to main content

Référence de l'API DashScope

L'API DashScope permet d'appeler les modèles Qwen. Cette rubrique détaille les paramètres d'entrée et de sortie, et fournit des exemples d'appels.

  • Singapore
  • US (Virginia)
  • China (Beijing)
  • Hong Kong (China)
  • Germany (Frankfurt)
  • Japan (Tokyo)
Adresse de requête HTTP :
  • Modèles de texte brut, tels que qwen-plus : POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation
  • Modèles multimodaux, tels que qwen3.7-plus ou qwen3-vl-plus : POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
La valeur base_url à utiliser pour la configuration des appels SDK est la suivante :
  • Python code
  • Java code
import os
import dashscope

# Voici la configuration de la région de Singapour. Remplacez {WorkspaceId} par l'ID de votre workspace. La valeur de region varie selon la région.
client = dashscope.Client(
    # Si la variable d'environnement n'est pas configurée, remplacez la ligne suivante par votre API Key de Model Studio : api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)
Remplacez {WorkspaceId} par votre véritable ID d'espace de travail. Vous devez obtenir une clé API et la configurer en tant que variable d'environnement. Si vous utilisez le SDK DashScope pour effectuer des appels, vous devez également installer le SDK DashScope.
Alibaba Cloud Model Studio a publié des domaines spécifiques à chaque espace de travail pour les régions Chine (Pékin), Singapour et Chine (Hong Kong). Ces nouveaux domaines dédiés offrent des performances supérieures et une stabilité accrue pour les requêtes d'inférence. Nous vous recommandons de migrer vers ces nouveaux domaines :
  • Chine (Pékin) : passez de https://dashscope.aliyuncs.com à https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com
  • Singapour : passez de https://dashscope-intl.aliyuncs.com à https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com
  • Chine (Hong Kong) : passez de https://cn-hongkong.dashscope.aliyuncs.com à https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com
{WorkspaceId} correspond à votre ID d'espace de travail. Vous pouvez le consulter sur la page Workspace Details dans la console Alibaba Cloud Model Studio. Le domaine existant reste pleinement fonctionnel.

Instructions

Corps de la requête

  • Entrée texte
  • Sortie en streaming
  • Entrée image
  • Entrée vidéo
  • Appel d'outils
  • Invocation asynchrone
  • Compréhension de documents
  • Python
  • Java
  • PHP (HTTP)
  • Node.js (HTTP)
  • C# (HTTP)
  • Go (HTTP)
  • curl
import os
import dashscope

# Voici la configuration de la région de Chine (Pékin). Remplacez {WorkspaceId} par l'ID de votre workspace. La valeur de region varie selon la région.
client = dashscope.Client(
    # Si la variable d'environnement n'est pas configurée, remplacez la ligne suivante par votre API Key de Model Studio : api_key="sk-xxx"
    # Les API Key de Chine (Pékin), des États-Unis (Virginie) et de la Chine (Pékin) ne sont pas interchangeables. Obtenez votre API Key : https://www.alibabacloud.com/help/model-studio/get-api-key
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

messages = [
    {'role': 'system', 'content': [{'text': 'You are a helpful assistant.'}]},
    {'role': 'user', 'content': [{'text': 'Who are you?'}]}
]
response = client.multimodal.chat.create(
    # Cet exemple utilise qwen4-max. Vous pouvez le remplacer par un autre nom de modèle selon vos besoins. Liste des modèles : https://www.alibabacloud.com/help/model-studio/getting-started/models
    model="qwen4-max",
    messages=messages,
    )
print(response)
modelstring(Obligatoire)Nom du modèle à utiliser.Les modèles pris en charge incluent les grands modèles de langage Qwen (éditions commerciales et open source), Qwen-VL, Qwen-Coder, les modèles mathématiques, DeepSeek, Kimi, GLM et MiniMax.Pour connaître les noms spécifiques des modèles et les détails de facturation, consultezSélectionner un modèle.
messagesarray(Obligatoire)Contexte transmis au grand modèle de langage (LLM), organisé selon l'ordre conversationnel.
Lors d'un appel via HTTP, placez messages dans l'objet input.
Message systèmeobject (Facultatif)Message système permettant de définir le rôle, le ton, les objectifs ou les contraintes du LLM. Il est généralement placé en premier dans le tableau messages.
Il est déconseillé de définir un message système pour les modèles QwQ. Pour les modèles QVQ, le message système n'est pas pris en compte.
contentstring(Obligatoire)Contenu du message.rolestring(Obligatoire)Rôle associé au message système. La valeur est fixée à system.
Message utilisateurobject(Obligatoire)Message utilisateur servant à transmettre des questions, des instructions ou du contexte au modèle.
contentstring or array(Obligatoire)Contenu du message. Ce paramètre est une chaîne si l'entrée est uniquement textuelle. Il s'agit d'un tableau lorsque l'entrée comprend des données multimodales (images, par exemple) ou si la mise en cache explicite est activée.
textstring(Obligatoire)Texte d'entrée.imagestring (Facultatif)Fichier image destiné à la compréhension d'images. Trois méthodes sont disponibles pour transmettre une image :
  • URL publique : lien vers une image accessible publiquement.
  • Encodage Base64 de l'image, au format data:image/<format>;base64,<data>.
  • Fichier local : chemin absolu d'un fichier local.
Modèles applicables : Qwen-VL, QVQExemple : {"image":"https://xxxx.jpeg"}detail string (Facultatif)Précision du traitement des images. Pour qwen4-max. Valeur par défaut : high.Lorsque max_pixels est omis :
  • high : traite l’image à sa résolution d’origine, jusqu’à 16777216 pixels.
  • low : limite l’image à 2621440 pixels.
  • auto : identique à low.
Une valeur explicite de max_pixels remplace la limite de pixels choisie par detail. Le maximum est 16777216. Dans Chat Completions, placez max_pixels au même niveau que image_url ; dans DashScope, au même niveau que image.Pour les images haute résolution, high utilise généralement plus de tokens d’entrée que low.Avec Chat Completions, définissez detail dans image_url ou au même niveau. Avec DashScope, définissez-le au même niveau que image.
{"image":"https://example.com/image.jpg","detail":"high"}
videoarray or string (Facultatif)Vidéo à transmettre lors de l'utilisation d'un modèle Qwen-VL ou d'un modèle QVQ.
  • Le type est array si vous transmettez une liste d'images.
  • Le type est stringsi vous transmettez un fichier vidéo.
Pour transmettre un fichier local, consultez Fichier local.Exemples :
  • Liste d'images : {"video":["https://xx1.jpg",...,"https://xxn.jpg"]}
  • Fichier vidéo : {"video":"https://xxx.mp4"}
fpsfloat(Facultatif)Nombre d'images à extraire par seconde. La valeur doit se situer dans l'intervalle [0.1, 10]. La valeur par défaut est 2.0.
Le paramètre fps remplit deux fonctions :
  • Lorsque l'entrée est un fichier vidéo, ce paramètre contrôle la fréquence d'extraction des images. Une image est extraite toutes les \frac 1 {fps} secondes.
    Ceci s'applique aux modèles Qwen-VL et aux modèles QVQ.
  • Il informe le modèle de l'intervalle de temps entre les images adjacentes, ce qui aide le modèle à mieux comprendre la dynamique temporelle de la vidéo. Cela vaut aussi bien pour les fichiers vidéo que pour les listes d'images. Cette fonctionnalité convient aux scénarios tels que la localisation temporelle d'événements ou le résumé de contenu par segment.
    Cette fonctionnalité est prise en charge par Qwen3.7, Qwen3.6, Qwen3.5, Qwen3-VL, Qwen2.5-VL et les modèles QVQ.
Une valeur fps élevée convient aux scènes comportant des mouvements rapides, comme les événements sportifs ou les films d'action. Une valeur fps plus faible est recommandée pour les vidéos longues ou les contenus relativement statiques.
  • Transmission d'une liste d'images : {"video":["https://xx1.jpg",...,"https://xxn.jpg"],"fps":2}
  • Transmission d'un fichier vidéo : {"video": "https://xx1.mp4","fps":2}
max_framesinteger(Facultatif)Nombre maximal d'images pouvant être extraites d'une vidéo. Si le nombre d'images calculé selon fps dépasse max_frames, le système ajuste automatiquement l'extraction pour répartir uniformément les images dans la limite max_frames. Le nombre total d'images reste ainsi conforme à la limite définie.
  • Séries qwen3.7, qwen3.6, qwen3.5 : la valeur maximale et par défaut est 8000.
  • Séries qwen3-vl-plus : la valeur maximale et par défaut est 2000.
{"type": "video_url","video_url": {"url":"https://xxxx.mp4"},"max_frame": 2000}
Lors d'un appel avec une API compatible OpenAI, le paramètre max_frames ne peut pas être personnalisé. L'API utilise automatiquement la valeur par défaut propre à chaque modèle.
min_pixelsinteger(Facultatif)Définit le seuil minimal de pixels pour l'image d'entrée ou les images vidéo. Si le nombre total de pixels d'une image ou d'une trame vidéo est inférieur à min_pixels, l'image ou la trame est agrandie jusqu'à atteindre un nombre de pixels supérieur à min_pixels.
  • Entrée image :
    • qwen4-max, Qwen3.7, Qwen3.6, Qwen3.5, Qwen3-VL : la valeur par défaut et minimale est 65536.
    • série open source Qwen2.5-VL et modèles de la série QVQ : la valeur par défaut et minimale est 3136.
  • Entrée fichier vidéo ou liste d'images :
    • qwen4-max, qwen3-omni-flash, qwen3-vl-plus, qwen3.5-122b-a10b, qwen3.5-27b, qwen3.5-35b-a3b, qwen3.5-397b-a17b, qwen3.5-flash, qwen3.5-flash-2026-02-23, qwen3.5-omni-flash, qwen3.5-omni-flash-2026-03-15, qwen3.5-omni-plus, qwen3.5-omni-plus-2026-03-15, qwen3.5-plus, qwen3.5-plus-2026-02-15, qwen3.5-plus-2026-04-20, qwen3.6-27b, qwen3.6-35b-a3b, qwen3.6-flash, qwen3.6-flash-2026-04-16, qwen3.6-plus, qwen3.6-plus-2026-04-02, qwen3.7-flash, qwen3.7-flash-2026-07-15, qwen3.7-max-2026-06-08, qwen3.7-plus, qwen3.7-plus-2026-05-26, qwen3.8-27b, qwen3.8-flash, qwen3.8-max, qwen3.8-max-0902, qwen3.8-omni-flash: Valeur par défaut : 65536. Valeur minimale : 4096.
    • kimi-k2.5, kimi-k2.6, kimi-k2.7-code: Valeur minimale : 3136.
    • série open source Qwen2.5-VL et modèles de la série QVQ : la valeur par défaut est 50176 et la valeur minimale est 3136.
  • Entrée image : {"type": "image_url","image_url": {"url":"https://xxxx.jpg"},"min_pixels": 65536}
  • Entrée fichier vidéo : {"type": "video_url","video_url": {"url":"https://xxxx.mp4"},"min_pixels": 65536}
  • Entrée liste d'images : {"type": "video","video": ["https://xx1.jpg",...,"https://xxn.jpg"],"min_pixels": 65536}
max_pixelsinteger(Facultatif)Définit le seuil maximal de pixels pour l'image d'entrée ou les images vidéo. Si le nombre total de pixels de l'image ou de la vidéo se situe dans l'intervalle [min_pixels, max_pixels], le modèle reconnaît l'image originale. Si le nombre total de pixels de l'image d'entrée dépasse max_pixels, l'image est réduite jusqu'à ce que le total soit inférieur à max_pixels.
  • Entrée image :
    • qwen4-max : valeur maximale : 16777216. Si le paramètre est omis, les images sont traitées selon detail. Une valeur explicite de max_pixels s’applique indépendamment de vl_high_resolution_images.
    Autres modèles : La valeur de max_pixels dépend de l'activation du paramètre vl_high_resolution_images.
    • Si vl_high_resolution_images est False :
      • Qwen3.7, Qwen3.6, Qwen3.5, Qwen3-VL : la valeur par défaut est 2621440 et la valeur maximale est 16777216.
      • série open source Qwen2.5-VL et modèles de la série QVQ : la valeur par défaut est 1003520 et la valeur maximale est 12845056.
    • Si vl_high_resolution_images est True :
      • Qwen3.7, Qwen3.6, Qwen3.5, Qwen3-VL : max_pixels est ignoré. Le nombre maximal de pixels pour l'image d'entrée est fixé à 16777216.
      • série open source Qwen2.5-VL et modèles de la série QVQ : max_pixels est ignoré. Le nombre maximal de pixels pour l'image d'entrée est fixé à 12845056.
  • Entrée fichier vidéo ou liste d'images : Lorsque min_pixels et max_pixels sont définis, max_pixels doit être supérieur ou égal à min_pixels.
    • qwen3-vl-plus, qwen3.5-122b-a10b, qwen3.5-27b, qwen3.5-35b-a3b, qwen3.5-397b-a17b, qwen3.5-flash, qwen3.5-flash-2026-02-23, qwen3.5-omni-flash, qwen3.5-omni-flash-2026-03-15, qwen3.5-omni-plus, qwen3.5-omni-plus-2026-03-15, qwen3.5-plus, qwen3.5-plus-2026-02-15, qwen3.5-plus-2026-04-20, qwen3.6-27b, qwen3.6-35b-a3b, qwen3.6-flash, qwen3.6-flash-2026-04-16, qwen3.6-plus, qwen3.6-plus-2026-04-02, qwen3.7-flash, qwen3.7-flash-2026-07-15, qwen3.7-max-2026-06-08, qwen3.7-plus, qwen3.7-plus-2026-05-26, qwen3.8-27b, qwen3.8-flash, qwen3.8-max, qwen3.8-max-0902, qwen3.8-omni-flash: Valeur par défaut : 655360. Valeur maximale : 2048000.
    • qwen4-max, qwen3-omni-flash: Valeur par défaut : 655360. Valeur maximale : 786432.
    • kimi-k2.5, kimi-k2.6, kimi-k2.7-code: Valeur maximale : 1568000.
    • Autres modèles open source Qwen3-VL : la valeur par défaut est 655360 et la valeur maximale est 786432.
    • série open source Qwen2.5-VL et modèles de la série QVQ : la valeur par défaut est 501760 et la valeur maximale est 602112.
  • Entrée image : {"type": "image_url","image_url": {"url":"https://xxxx.jpg"},"max_pixels": 8388608}
  • Entrée fichier vidéo : {"type": "video_url","video_url": {"url":"https://xxxx.mp4"},"max_pixels": 655360}
  • Entrée liste d'images : {"type": "video","video": ["https://xx1.jpg",...,"https://xxn.jpg"],"max_pixels": 655360}
total_pixelsinteger(Facultatif)Budget total de pixels des images extraites d’une vidéo.
  • 268435456: qwen4-max, qwen3.8-max, qwen3.8-max-0902.
  • 234881024: qwen3.5-plus, qwen3.5-plus-2026-02-15, qwen3.5-plus-2026-04-20, qwen3.6-plus, qwen3.6-plus-2026-04-02, qwen3.7-max-2026-06-08, qwen3.7-plus, qwen3.7-plus-2026-05-26.
  • 819200000: qwen3.5-122b-a10b, qwen3.5-27b, qwen3.5-35b-a3b, qwen3.5-397b-a17b, qwen3.5-flash, qwen3.5-flash-2026-02-23, qwen3.6-27b, qwen3.6-35b-a3b, qwen3.6-flash, qwen3.6-flash-2026-04-16, qwen3.7-flash, qwen3.7-flash-2026-07-15, qwen3.8-27b, qwen3.8-flash.
  • 184549376: qwen3.5-omni-flash, qwen3.5-omni-flash-2026-03-15, qwen3.5-omni-plus, qwen3.5-omni-plus-2026-03-15, qwen3.8-omni-flash.
  • 16777216: qwen3-omni-flash.
  • 102760448: kimi-k2.5, kimi-k2.6, kimi-k2.7-code.
  • 134217728: qwen3-vl-plus.
  • Entrée fichier vidéo : {"type": "video_url","video_url": {"url":"https://xxxx.mp4"},"total_pixels": 134217728}
  • Entrée liste d'images : {"type": "video","video": ["https://xx1.jpg",...,"https://xxn.jpg"],"total_pixels": 134217728}
cache_controlobject(Facultatif)Pris en charge uniquement par les modèles compatibles avec la mise en cache explicite. Permet d'activer la mise en cache explicite.
type string(Obligatoire)La valeur doit être ephemeral.
rolestring(Obligatoire)Rôle associé à un message utilisateur. La valeur doit être user.
Message assistant object(Facultatif)Réponse du modèle au message utilisateur.
contentstring(Facultatif)Contenu du message. Ce champ est facultatif uniquement si le paramètre tool_calls est spécifié dans le message assistant.rolestring(Obligatoire)La valeur doit être assistant.partialboolean(Facultatif)Indique si le mode partiel doit être activé. Pour plus d'informations et pour consulter la liste des modèles pris en charge, reportez-vous à Mode partiel.tool_calls array(Facultatif)Informations sur l'outil et les paramètres d'entrée retournées après l'initiation d'un appel de fonction. Contient un ou plusieurs objets. Ces données proviennent du champ tool_calls de la réponse précédente du modèle.
id stringID de la réponse de l'outil.type stringType d'outil. Actuellement, seul function est pris en charge.function objectInformations sur l'outil et les paramètres d'entrée.
name stringNom de l'outil.arguments stringInformations sur les paramètres d'entrée, au format chaîne JSON.
index integerIndex des informations de l'outil actuel dans le tableau tool_calls.
Message outilobject (Facultatif)Informations de sortie de l'outil.
contentstring(Obligatoire)Contenu de sortie de la fonction outil. Doit être au format chaîne.rolestring(Obligatoire)La valeur doit être tool.tool_call_idstring(Facultatif)ID retourné après l'initiation d'un appel de fonction. Récupérable via response.output.choices[0].message.tool_calls[$index]["id"]. Sert à identifier l'outil correspondant au message outil.
temperaturefloat(Facultatif)qwen4-max:1.0 en mode raisonnement ; 0.7 sans raisonnement.Température d'échantillonnage contrôlant la diversité du texte généré par le modèle.Une température élevée produit un texte plus diversifié, tandis qu'une température basse rend le texte plus déterministe.Plage de valeurs : [0, 2)
Lors d'un appel HTTP, placez temperature dans l'objet parameters.
Nous vous déconseillons de modifier la valeur de température par défaut pour les modèles QVQ.
top_pfloat(Facultatif)qwen4-max:0.95 en mode raisonnement ; 0.8 sans raisonnement.Seuil de probabilité pour l'échantillonnage par noyau, qui contrôle la diversité du texte généré par le modèle.Une valeur top_p élevée augmente la diversité du texte, tandis qu'une valeur faible le rend plus déterministe.Plage de valeurs : (0, 1.0].
Dans le SDK Java, ce paramètre correspond à topP. Lors d'un appel HTTP, placez top_p dans l'objet parameters.
Nous vous déconseillons de modifier la valeur top_p par défaut pour les modèles QVQ.
top_kinteger(Facultatif)qwen4-max:20 dans les deux modes.Taille de l'ensemble des candidats pour l'échantillonnage lors de la génération. Par exemple, si vous définissez ce paramètre sur 50, seuls les 50 tokens ayant les scores les plus élevés lors d'une génération unique servent à former l'ensemble des candidats pour l'échantillonnage aléatoire. Une valeur plus grande accroît l'aléatoire, tandis qu'une valeur plus petite renforce le déterminisme. Une valeur None ou supérieure à 100 désactive la stratégie top_k, laissant seule la stratégie top_p prendre effet.La valeur doit être supérieure ou égale à 0.
Série QVQ : 10Série QwQ : 40Tous les autres modèles : 20Série GLM (fournie par Alibaba Cloud) : 20Les séries DeepSeek, Kimi et MiniMax ne prennent pas en charge le paramètre top_k.
Dans le SDK Java, ce paramètre correspond à topK. Lors d'un appel HTTP, placez top_k dans l'objet parameters.
Nous vous déconseillons de modifier la valeur top_k par défaut pour les modèles QVQ.
enable_thinking boolean (Facultatif)Indique s'il faut activer le mode réflexion pour un modèle hybride. Cela concerne les modèles Qwen4, Qwen3.8, Qwen3.7, Qwen3.6, Qwen3.5, Qwen3 et Qwen3-VL, ainsi que les séries DeepSeek-V4-Pro/V4-Flash, les séries DeepSeek-V3.2/V3.2-exp/V3.1, les séries Kimi-K2.6/K2.5 et la série GLM. Le mode réflexion est activé par défaut pour la série DeepSeek-V4. Vous pouvez ajuster l'effort d'inférence via le paramètre reasoning_effort.Valeurs valides :
  • true : La fonctionnalité est activée.
    Si cette option est activée, le contenu de réflexion est renvoyé dans le champ reasoning_content.
  • false : Désactivé
Pour connaître les valeurs par défaut selon les modèles, consultez Modèles pris en charge.
Dans le SDK Java, ce paramètre correspond à enableThinking. Lors d'un appel HTTP, placez enable_thinking dans l'objet parameters.
thinking_display string (facultatif)qwen4-max: "summarized". Résumé et chiffrement du raisonnement.Par défaut, le raisonnement complet est renvoyé. Après activation, le raisonnement original n’est plus renvoyé en clair : le résumé sert à l’affichage et le contenu chiffré à restaurer l’historique.preserve_thinking boolean (Facultatif) La valeur par défaut est false. (Valeur par défaut pour qwen4-max, qwen3.8-max :true)Détermine s'il faut ajouter le reasoning_content des messages de l'assistant issus de l'historique de conversation à l'entrée du modèle. Cette option convient aux scénarios où le modèle doit se référer au processus de réflexion historique.Actuellement pris en charge par qwen3.7-max, qwen3.7-max-2026-05-20 et les snapshots ultérieurs, qwen3.7-plus, qwen3.7-plus-2026-05-26, qwen3.6-plus, qwen3.6-plus-2026-04-02, qwen3.7-flash, qwen3.7-flash-2026-07-15, qwen3.6-flash, qwen3.6-flash-2026-04-16, qwen4-max, qwen3.8-max (activé par défaut), kimi-k2.6 (déployé sur Alibaba Cloud Model Studio), kimi-k2.7-code (déployé sur Alibaba Cloud Model Studio, activé par défaut), kimi/kimi-k2.7-code-highspeed (fourni par Moonshot AI, activé par défaut) et kimi/kimi-k2.7-code (fourni par Moonshot AI, activé par défaut).
Important (qwen4-max, qwen3.8-max) : Avec qwen4-max, qwen3.8-max, preserve_thinking est défini sur true par défaut. Vous devez renvoyer tout l'historique du reasoning_content dans le champ reasoning_content. Ne concaténez PAS le reasoning_content dans le champ content. Cela risquerait de dégrader les performances du modèle.
  • Si les messages historiques ne contiennent pas de reasoning_content, l'activation de ce paramètre ne provoque pas d'erreur.
  • Lorsque cette option est activée, le reasoning_content de la conversation historique est inclus dans le décompte des tokens d'entrée et fait l'objet d'une facturation.
Lors d'un appel HTTP, placez preserve_thinking dans l'objet parameters. Le SDK Java n'est pas pris en charge.
thinking_budget integer (Facultatif)qwen4-max: Valeur par défaut 131072.Longueur maximale du processus de réflexion. Cela s'applique aux modèles Qwen4, Qwen3.8, Qwen3.7, Qwen3.6, Qwen3.5, Qwen3-VL, Qwen3, GLM et Kimi, à l'exception de kimi-k3 et kimi-k3.1-pro, qui ne prennent pas en charge ce paramètre. Pour plus d'informations, consultez Limiter la longueur de la réflexion.Autres modèles: La valeur par défaut correspond à la longueur maximale de la chaîne de pensée pour le modèle. Pour plus d'informations, consultez Sélectionner un modèle.
Dans le SDK Java, ce paramètre correspond à thinkingBudget. Lors d'un appel HTTP, placez thinking_budget dans l'objet parameters.
Autres modèles: La valeur par défaut correspond à la longueur maximale de la chaîne de pensée pour le modèle.
reasoning_effort string (Facultatif)qwen4-maxValeur par défaut: reasoning_effort=high.
reasoning_effortNiveau appliqué
minimal, lowlow
medium, highhigh
xhigh, maxxhigh
noneRaisonnement désactivé
Pour qwen4-max, reasoning_effort et thinking_budget ne peuvent pas être définis simultanément. thinking_budget doit être un entier positif ; 0 n’est pas accepté.Si seul thinking_budget est défini, le niveau suit le tableau ci-dessous et le budget fourni est conservé.
thinking_budgetNiveau appliqué
1–4096low
4097–131072high
131073–262144xhigh
Si aucun des deux n’est défini, les valeurs par défaut sont high et 131072.Contrôle l'intensité d'inférence des modèles. Les valeurs valides et les valeurs par défaut varient selon le modèle.kimi-k3.1-pro (déployé sur Alibaba Cloud Model Studio) : La valeur par défaut est max.
  • max (par défaut) : Raisonnement approfondi
  • high : Raisonnement renforcé
  • medium : Raisonnement modéré
  • low : Raisonnement léger
enable_thinking vaut true par défaut. Vous pouvez le définir sur false pour désactiver la réflexion, mais il est recommandé de la maintenir activée, car sa désactivation affecte considérablement la qualité de la sortie du modèle.Séries DeepSeek-V4 et GLM (Valeur par défaut : high)Valeurs valides : high (inférence haute intensité) et max (inférence intensité maximale). low et medium sont mappés sur high, et xhigh est mappé sur max.Cela s'applique à glm-5.2, glm-5.1, glm-5, deepseek-v4-pro.qwen3.8-max : Valeur par défaut :xhighValeurs valides :
  • xhigh (par défaut) : Inférence à intensité maximale
  • medium : Inférence standard
  • low : Inférence à faible intensité
Mappage des valeurs standard OpenAI : max est mappé sur xhigh, high est mappé sur xhigh, minimal est mappé sur low, et none est mappé sur enable_thinking=False.
Définir des valeurs autres que les valeurs valides ci-dessus et les valeurs mappées provoquera une erreur.
Pour qwen3.8-max, reasoning_effort et thinking_budget ne peuvent pas être définis simultanément. Définir les deux entraînera une erreur. Cependant, ils permettent une conversion mutuelle :
  • Si thinking_budget n'est pas défini, les niveaux de reasoning_effort sont automatiquement mappés sur thinking_budget : low correspond à 4096, medium correspond à 16384, et xhigh correspond à 262144.
  • Si reasoning_effort n'est pas défini, thinking_budget est automatiquement remappé sur reasoning_effort : 0–4096 correspond à low, 4097–16384 correspond à medium, et 16385–262144 correspond à xhigh.
  • Si aucun des deux n'est défini, le thinking_budget par défaut (131072) et le reasoning_effort par défaut (xhigh) sont utilisés.
Lors d'un appel HTTP, placez reasoning_effort dans l'objet parameters.
tool_stream boolean (Facultatif) La valeur par défaut est false.Ce paramètre affecte uniquement le comportement de sortie en streaming des paramètres d'outils complexes et n'est effectif que lors d'appels en streaming. Les paramètres d'outils simples, dont tous les types sont des chaînes, peuvent être diffusés en streaming dès lors que les appels en streaming sont activés. tool_stream n'a aucun effet sur eux. Les outils complexes sont ceux dont certains types de paramètres dans la définition de l'outil sont des tableaux ou des objets. Actuellement, seules les séries Qwen et GLM prennent en charge cette fonctionnalité.Liste de prise en charge de la série Qwen :
  • Série qwen-max : Modalité texte des séries qwen4-max, qwen3.8-max et qwen3.7-max
  • Série qwen-plus : Modalité texte des séries qwen3.7-plus et qwen3.6-plus, et toutes les modalités de la série qwen3.5-plus
  • Série qwen-flash : Toutes les modalités des séries qwen3.7-flash, qwen3.6-flash et qwen3.5-flash
Référence d'utilisation pour la série Qwen :
  • tool_stream=false : Les paramètres d'outils complexes sont générés en une seule fois. Il s'agit du comportement par défaut, offrant une meilleure précision pour les formats complexes.
  • tool_stream=true : Les paramètres d'outils complexes sont diffusés en streaming. Cela évite les risques de délai d'expiration pour les formats complexes.
Les outils complexes sont ceux dont certains types de paramètres dans la définition de l'outil sont des tableaux ou des objets.
Liste de prise en charge de la série GLM : glm-5 et glm-5.1.Référence d'utilisation pour la série GLM :
  • tool_stream=false : Les paramètres d'outils sont générés en une seule fois. Il s'agit du comportement par défaut, offrant une meilleure précision pour les formats complexes.
  • tool_stream=true : Les paramètres d'outils sont diffusés en streaming. Cela évite les risques de délai d'expiration pour les formats complexes.
Lors d'un appel HTTP, placez tool_stream dans l'objet parameters.
enable_code_interpreter boolean (Facultatif) La valeur par défaut est false.Indique s'il faut activer la fonctionnalité d'interpréteur de code. Pour plus d'informations, consultez Interpréteur de code.Valeurs valides :
  • true : Active la fonctionnalité.
  • false : Désactive la fonctionnalité.
Le SDK Java n'est pas pris en charge. Lors d'un appel HTTP, placez enable_code_interpreter dans l'objet parameters.
clear_thinkingboolean(Facultatif) La valeur par défaut est false.Contrôle l'utilisation du reasoning_content (processus de réflexion) des tours précédents comme entrée contextuelle pour le modèle dans une conversation multi-tours. Seuls les modèles de la série GLM glm-5.2, glm-5.1, glm-5 prennent en charge cette option.
  • true : Active la fonctionnalité. Le reasoning_content des tours précédents est ignoré ; seuls le texte visible, les appels d'outils et leurs résultats servent d'entrée contextuelle. Cela permet de réduire la longueur du contexte et les coûts.
  • false (par défaut) : Désactive la fonctionnalité. Le reasoning_content des tours précédents est conservé et transmis au modèle avec le contexte. Si vous souhaitez activer la conservation de la réflexion, vous devez transmettre l'historique complet du reasoning_content dans les messages, sans modification et dans son ordre d'origine. Toute omission, troncation, réécriture ou réorganisation dégrade les performances ou empêche la fonctionnalité de fonctionner.
repetition_penaltyfloat(Facultatif)Pénalité appliquée à la répétition de séquences consécutives lors de la génération par le modèle. Une valeur repetition_penalty plus élevée réduit les répétitions dans la sortie du modèle. Une valeur de 1,0 signifie aucune pénalité. La valeur doit être supérieure à 0.
Dans le SDK Java, ce paramètre correspond à repetitionPenalty. Lors d'un appel HTTP, placez repetition_penalty dans l'objet parameters.
Nous vous déconseillons de modifier la valeur repetition_penalty par défaut pour les modèles QVQ.
frequency_penalty float (facultatif)Pris en charge par qwen4-max. Applique une pénalité selon la fréquence d’apparition d’un token pour ajuster les répétitions dans la sortie.presence_penaltyfloat(Facultatif)qwen4-max — Valeur par défaut: mode de raisonnement: 0.0; mode sans raisonnement: 1.5.Contrôle la répétition du contenu lorsque le modèle génère du texte.Plage de valeurs : [-2.0, 2.0]. Les valeurs positives réduisent les répétitions, tandis que les valeurs négatives les augmentent.Augmentez cette valeur dans les scénarios nécessitant diversité, ludisme ou créativité, tels que la rédaction créative ou le brainstorming. Diminuez-la pour les scénarios privilégiant la cohérence et la précision terminologique, comme les documents techniques ou les textes formels.
Qwen3.7 (mode sans réflexion), Qwen3.6 (mode sans réflexion), Qwen3.5 (mode sans réflexion), Qwen3 (mode sans réflexion), série Qwen3-Instruct/1.7b/4b (mode réflexion), série QVQ, qwen-max, série qwen2.5-vlQwen3-VL (sans réflexion) : 1,5 ;qwen-plus/qwen-plus-latest/2025-04-28 (mode réflexion) : 0,5 ;Tous les autres sont à 0,0.Série DeepSeek (fournie par Alibaba Cloud) : version distillée deepseek-r1-distill-qwen : 1 ;Série Kimi (fournie par Alibaba Cloud) : kimi-k2.7-code, kimi-k2.6, kimi-k2.5 : 0,0 ;Série Kimi (fournie par Moonshot AI) : 0,0 ;Série MiniMax (fournie par Alibaba Cloud) : MiniMax-M2.5 : 0,0 ;Les autres modèles DeepSeek, Kimi, GLM et MiniMax n'ont pas de valeur par défaut.
Si la valeur du paramètre est positive, le modèle applique une pénalité aux tokens déjà présents dans le texte. Cette pénalité est indépendante du nombre d'apparitions du token. Cela réduit la probabilité de réapparition de ces tokens, limitant ainsi les répétitions de contenu et augmentant la diversité lexicale.
Invite : Traduisez cette phrase en chinois : « Ce film est bon. L'intrigue est bonne, le jeu d'acteur est bon, la musique est bonne, et dans l'ensemble, tout le film est simplement bon. C'est vraiment bien, en fait. L'intrigue est tellement bonne, le jeu d'acteur est tellement bon, et la musique est tellement bonne. »Valeur du paramètre 2.0 : Ce film est excellent. L'intrigue est fantastique, le jeu d'acteur est superbe et la musique est également très belle. Dans l'ensemble, le film entier est tout simplement incroyable. Il est en fait véritablement exceptionnel. Le scénario est très passionnant, les performances sont excellentes et la bande originale est si émouvante.Valeur du paramètre 0.0 : Ce film est bon. L'intrigue est bonne, le jeu d'acteur est bon et la musique est bonne. Dans l'ensemble, tout le film est très bon. En fait, il est vraiment génial. L'intrigue est très bonne, le jeu d'acteur est aussi très excellent, et la musique est tout aussi remarquable.Valeur du paramètre -2.0 : Ce film est bon. L'intrigue est bonne, le jeu d'acteur est bon et la musique est bonne. Dans l'ensemble, tout le film est bon. En fait, il est vraiment bon. L'intrigue est très bonne, le jeu d'acteur est très bon, et la musique est très bonne.
Ne modifiez pas la valeur presence_penalty par défaut pour les modèles QVQ.
Le SDK Java ne prend pas en charge la définition de ce paramètre*.* Lors d'un appel HTTP, placez presence_penalty dans l'objet parameters.
vl_high_resolution_imagesboolean(Facultatif) Valeur par défaut : falsePour qwen4-max, le max_pixels spécifié explicitement reste effectif même avec vl_high_resolution_images=true.Indique s'il faut augmenter la limite de pixels pour les images d'entrée jusqu'au nombre de pixels correspondant à 16384 tokens. Pour plus d'informations, consultez Traitement des images haute résolution.
  • vl_high_resolution_images: true utilise une stratégie de résolution fixe et ignore le paramètre max_pixels. Si la résolution est dépassée, le nombre total de pixels de l'image est réduit proportionnellement pour rester dans cette limite.
    Lorsque vl_high_resolution_images est défini sur True, les limites de pixels varient selon le modèle :
    • Pour les séries qwen4-max, Qwen3.8, Qwen3.7, Qwen3.6, la série Qwen3.5, la série Qwen3-VL et les modèles , la valeur est 16777216. (Chaque Token correspond à 32 32 pixels. La valeur totale est calculée comme suit : 1638432*32.)
    • Série QVQ, autres modèles de la série Qwen2.5-VL : 12845056 (1 token correspond à 28 28 pixels, soit 1638428*28)
  • Si vl_high_resolution_images est défini sur false, la limite de pixels est déterminée par max_pixels. Si le nombre de pixels de l'image d'entrée dépasse max_pixels, l'image est réduite pour respecter la limite max_pixels. La limite de pixels par défaut pour chaque modèle correspond à la valeur par défaut de max_pixels.
Dans le SDK Java, ce paramètre correspond à vlHighResolutionImages (nécessite la version 2.20.8 ou ultérieure). Lors d'un appel HTTP, placez vl_high_resolution_images dans l'objet parameters.
vl_enable_image_hw_outputboolean(Facultatif) La valeur par défaut est false.Indique s'il faut retourner les dimensions de l'image mise à l'échelle. Le modèle redimensionne l'image d'entrée. Si vous définissez ce paramètre sur True, il retourne la hauteur et la largeur de l'image redimensionnée. Si la sortie en streaming est activée, ces informations sont retournées dans le dernier chunk. Cette fonctionnalité est prise en charge par les modèles Qwen-VL.
Dans le SDK Java, ce paramètre correspond à vlEnableImageHwOutput. La version minimale requise du SDK Java est la 2.20.8*.* Lors d'un appel HTTP, placez vl_enable_image_hw_output dans l'objet parameters.
max_tokensinteger(Facultatif, sera obsolète)
Ce paramètre sera bientôt obsolète. Pour les nouvelles intégrations, utilisez max_completion_tokens.
La signification de ce paramètre varie selon le modèle :
  • deepseek-v4.1-flash, deepseek-v4-pro, deepseek-v4-pro-0813 et deepseek-v4-flash-0731 : nombre maximal de tokens cumulés de la réponse et du raisonnement. Si la sortie dépasse cette valeur, la génération s’arrête prématurément et le finish_reason retourné est length.
  • qwen4-max: Nombre maximal de tokens cumulés du raisonnement et de la réponse finale. max_tokens équivaut à max_completion_tokens ; dépasser cette limite arrête la génération avec finish_reason="length".
  • glm-5.3 : max_tokens correspond au nombre maximal de tokens cumulés de la réponse du modèle et du raisonnement. Si la sortie dépasse cette valeur, la génération s’arrête prématurément et le finish_reason retourné est length. glm-5.3 ignore le paramètre thinking_budget.
  • glm-5.2 : si le paramètre thinking_budget n’est pas fourni, max_tokens limite les tokens cumulés de la réponse et du raisonnement. Si la sortie dépasse cette valeur, la génération s’arrête prématurément et le finish_reason retourné est length. Si thinking_budget est fourni, max_tokens limite uniquement les tokens de la réponse, tandis que thinking_budget contrôle séparément ceux du raisonnement.
  • Autres modèles : nombre maximal de tokens de la réponse, hors raisonnement. Si la sortie dépasse cette valeur, la génération s’arrête prématurément et le finish_reason retourné est length.
Pour les modèles GLM, les valeurs par défaut et maximales sont indiquées dans le tableau suivant. Pour les autres modèles, les valeurs par défaut et maximales correspondent toutes deux à la longueur de sortie maximale du modèle.
FournisseurModèleValeur par défautValeur maximale
Alibaba Cloudglm-5.3, glm-5.2, glm-5.2-fast-preview, glm-5.1, glm-565536131072
ZHIPU AIZHIPU/GLM-5.3, ZHIPU/GLM-5.265536131072
Dans le SDK Java, ce paramètre correspond à maxTokens. Pour les modèles Qwen-VL, il s'agit de maxLength dans le SDK Java, mais les versions ultérieures à la 2.18.4 permettent également de le définir sous la forme maxTokens. Lors d'un appel HTTP, placez max_tokens dans l'objet parameters.
max_completion_tokensinteger(Facultatif)Longueur maximale de la sortie du modèle, incluant la chaîne de pensée et la réponse du modèle. Si la sortie du modèle dépasse cette valeur, la génération s'arrête prématurément et le finish_reason retourné est length.Pour les modèles GLM, consultez le tableau du paramètre max_tokens pour connaître les valeurs par défaut et maximales. Pour les autres modèles, les valeurs par défaut et maximales correspondent toutes deux à la longueur de sortie maximale du modèle.Différence avec max_tokens : max_completion_tokens limite toujours la sortie complète du modèle (chaîne de pensée + réponse). La portée exacte de max_tokens varie selon le modèle et la configuration de thinking_budget, comme indiqué précédemment. Pour les modèles avec réflexion, nous recommandons d’utiliser max_completion_tokens.Les modèles suivants sont pris en charge :
  • Qwen Max : Qwen3.7-Max et modèles ultérieurs
  • Qwen Plus : Qwen3.5-Plus et modèles ultérieurs
  • Qwen Flash : Qwen3.5-Flash et modèles ultérieurs
  • Kimi : kimi-k2.5 et modèles ultérieurs
  • GLM : les modèles fournis par Alibaba Cloud et ZHIPU AI répertoriés dans le tableau précédent
  • MiniMax : MiniMax-M2.5 et modèles ultérieurs
  • DeepSeek : deepseek-v4-pro et modèles ultérieurs
À l’exception des modèles GLM fournis par ZHIPU AI répertoriés dans le tableau précédent, les modèles ci-dessus n’incluent aucun autre modèle fourni directement par des tiers.
Un écart pouvant aller jusqu'à 10 tokens peut exister entre le nombre réel de tokens en sortie et la valeur max_completion_tokens spécifiée.
Le SDK Java ne prend pas actuellement en charge ce paramètre. Lors d'un appel HTTP, placez max_completion_tokens dans l'objet parameters.
seedinteger(Facultatif)Graine de nombre aléatoire. Ce paramètre garantit la reproductibilité des résultats pour une même entrée et des paramètres identiques. Si vous transmettez la même valeur de seed lors d'un appel et que les autres paramètres restent inchangés, le modèle retourne autant que possible le même résultat.Plage de valeurs : [0,2<sup>31</sup>−1].
Lors d'un appel HTTP, placez seed dans l'objet parameters.
streamboolean(Facultatif)La valeur par défaut est false.Indique s'il faut diffuser la réponse en streaming. Les valeurs valides sont :
  • false : Le modèle génère tout le contenu puis retourne le résultat en une seule fois.
  • true : Le modèle génère et diffuse le contenu au fil de l'eau. Cela signifie que le modèle émet immédiatement un chunk de contenu dès sa génération.
Ce paramètre est uniquement pris en charge par le SDK Python. Pour implémenter une sortie en streaming avec le SDK Java, appelez l'interface streamCall. Pour implémenter une sortie en streaming via HTTP, spécifiez X-DashScope-SSE sur enable dans l'en-tête.
Qwen3 édition commerciale (mode réflexion), Qwen3 édition open source, QwQ et QVQ ne prennent en charge que la sortie en streaming.
incremental_outputboolean(Facultatif) La valeur par défaut est false. Pour les modèles Qwen3-Max, Qwen3-VL, Qwen3 édition open source, QwQ et QVQ, la valeur par défaut est true.Indique s'il faut activer la sortie incrémentielle en mode streaming. Nous recommandons de définir ce paramètre sur true.Valeur :
  • false : Chaque sortie contient la séquence entière générée jusqu'à présent. La dernière sortie correspond au résultat complet généré.
    I
    I like
    I like apple
    I like apple.
    
  • true (recommandé) : La sortie est incrémentielle. Les sorties suivantes n'incluent pas le contenu précédemment émis. Vous devez lire ces chunks un par un en temps réel pour obtenir le résultat complet.
    I
    like
    apple
    .
    
Dans le SDK Java, ce paramètre correspond à incrementalOutput. Lors d'un appel HTTP, placez incremental_output dans l'objet parameters.
Les modèles QwQ et les modèles Qwen3 en mode réflexion ne permettent de définir ce paramètre que sur true. Étant donné que la valeur par défaut pour les modèles Qwen3 édition commerciale est false, vous devez la définir manuellement sur true en mode réflexion.
Les modèles Qwen3 édition open source ne permettent pas de définir ce paramètre sur false.
response_formatobject (Facultatif) La valeur par défaut est {"type": "text"}.Format du contenu retourné. Les valeurs valides sont :
  • {"type": "text"} : génère une réponse textuelle.
  • {"type": "json_object"} : produit une chaîne JSON au format standard.
  • {"type": "json_schema", "json_schema": {...}} : produit une chaîne JSON qui respecte strictement le JSON Schema spécifié, ce qui permet de contrôler précisément la structure de la sortie et le type des champs.
Pour plus d'informations, consultez la rubrique Sortie structurée. Les modes json_object et json_schema ne prennent pas en charge les mêmes modèles. Pour plus d'informations, reportez-vous à la section Modèles pris en charge.
Si vous spécifiez {"type": "json_object"}, vous devez explicitement demander au modèle de générer du JSON dans le prompt, par exemple « Veuillez répondre au format JSON ». Dans le cas contraire, une erreur se produit. Si vous spécifiez {"type": "json_schema", ...}, le prompt n'a pas besoin de contenir le mot-clé JSON.
Dans le SDK Java, ce paramètre correspond à responseFormat. Pour les appels via HTTP, placez response_format dans l'objet parameters.
typestring(Obligatoire)Format du contenu retourné. Les valeurs valides sont :
  • text : génère une réponse textuelle.
  • json_object : produit une chaîne JSON au format standard.
  • json_schema : produit une chaîne JSON qui respecte strictement la structure définie par le champ json_schema.
json_schemaobject(Facultatif)Obligatoire lorsque type est défini sur json_schema. Définit la structure JSON que la sortie du modèle doit respecter. Pour plus d'informations, consultez la rubrique Obtenir une sortie structurée.
Pour les appels via DashScope, vous devez construire le JSON Schema manuellement. Pour connaître le format et consulter des exemples, reportez-vous à la section Obtenir une sortie structurée. Le SDK Java n'est pas encore pris en charge.
namestring(Obligatoire)Le nom du schéma.schemaobject(Obligatoire)L'objet JSON Schema qui décrit la structure de la sortie. Utilisez properties pour définir la structure des champs, required pour lister les champs obligatoires et additionalProperties pour contrôler si des champs non définis dans le schéma peuvent être retournés. Nous vous recommandons de définir additionalProperties sur false afin que seuls les champs définis soient retournés. Types de données pris en charge : string, number, integer, boolean, object, array et enum. Pour plus d'informations, consultez la rubrique Guide de configuration.strictboolean(Facultatif)Indique s'il faut respecter strictement la structure définie par schema. Nous vous recommandons de définir ce paramètre sur true.
result_formatstring(Facultatif)La valeur par défaut est text. Pour les modèles Qwen3-Max, Qwen3-VL, QwQ, les modèles open source Qwen3, la valeur par défaut est message.Format des données retournées. Nous vous recommandons de définir ce paramètre sur message pour faciliter les conversations multi-tours.
La plateforme uniformisera ultérieurement la valeur par défaut sur message.
Dans le SDK Java, ce paramètre correspond à resultFormat. Pour les appels via HTTP, placez result_format dans l'objet parameters.
Si le modèle est Qwen-VL, QVQ, définir la valeur sur text n'a aucun effet.
Les modèles Qwen3-Max, Qwen3-VL et les modèles Qwen3 en mode réflexion acceptent uniquement la valeur message. Étant donné que la valeur par défaut des modèles Qwen3 édition commerciale est text, vous devez la modifier pour utiliser message.
Si vous utilisez le SDK Java pour appeler un modèle open source Qwen3 et transmettez la valeur text, la réponse sera tout de même retournée au format message.
logprobs boolean (Facultatif) La valeur par défaut est false.Indique s'il faut retourner les probabilités logarithmiques des tokens de sortie. Les valeurs valides sont :
  • true Retourne les valeurs.
  • false Ne retourne aucune valeur.
Les modèles suivants sont pris en charge :
  • qwen4-max
  • Modèles snapshot de la série qwen-plus (hors éditions stables)
  • Série qwen3-vl-plus (y compris les éditions stables)
  • Modèles open source Qwen3
Pour les appels via HTTP, placez logprobs dans l'objet parameters.
top_logprobs integer (Facultatif) La valeur par défaut est 0.Spécifie le nombre de tokens candidats les plus probables à retourner à chaque étape de génération.Plage de valeurs : [0, 5]Ce paramètre ne prend effet que si logprobs est défini sur true.
Dans le SDK Java, ce paramètre correspond à topLogprobs. Pour les appels via HTTP, placez top_logprobs dans l'objet parameters.
ninteger(Facultatif) La valeur par défaut est 1.Nombre de réponses à générer. La plage de valeurs est 1-4. Pour les scénarios nécessitant la génération de plusieurs réponses, tels que la rédaction créative ou les textes publicitaires, vous pouvez définir une valeur n plus élevée.
Actuellement, seuls les modèles qwen4-max, Qwen3 (mode sans réflexion) sont pris en charge. La valeur est fixée à 1 si le paramètre tools est transmis.
Augmenter la valeur de n n'accroît pas la consommation de tokens d'entrée, mais augmente celle des tokens de sortie.
Pour les appels via HTTP, placez n dans l'objet parameters.
stopstring or array(Facultatif)Permet de spécifier des mots d'arrêt. Lorsqu'une chaîne ou un token_id défini dans stop apparaît dans le texte généré, la génération s'arrête immédiatement.Vous pouvez transmettre des mots sensibles pour contrôler la sortie du modèle.
Lorsque stop est un tableau, vous ne pouvez pas mélanger des token_id et des chaînes comme éléments. Par exemple, vous ne pouvez pas spécifier ["Hello",104307].
Pour les appels via HTTP, placez stop dans l'objet parameters.
toolsarray(Facultatif)Tableau contenant un ou plusieurs objets outils que le modèle peut appeler lors de l'appel de fonction. Pour plus d'informations, consultez la rubrique Appel de fonction.Lorsque vous utilisez tools, vous devez définir result_format sur message.Le paramètre tools est obligatoire pour initier un appel de fonction ou soumettre les résultats d'exécution d'un outil.
typestring(Obligatoire)Type d'outil. Actuellement, seule la valeur function est prise en charge.functionobject(Obligatoire)
namestring(Obligatoire)Nom de la fonction outil. Il doit être composé de lettres et de chiffres, et peut contenir des traits de soulignement et des tirets. La longueur maximale est de 64 caractères.descriptionstring(Obligatoire)Description de la fonction outil qui aide le modèle à déterminer quand et comment l'appeler.parametersobject(Facultatif) La valeur par défaut est {}.Description des paramètres de l'outil, devant respecter un JSON Schema valide. Pour plus d'informations sur JSON Schema, consultez ce lien. Si le paramètre parameters est vide, cela signifie que l'outil n'a pas de paramètres d'entrée, comme c'est le cas pour un outil de requête de temps.
Pour améliorer la précision des appels d'outils, nous vous recommandons de renseigner le paramètre parameters.
Pour les appels via HTTP, placez tools dans l'objet parameters. Cette fonctionnalité n'est temporairement pas prise en charge pour les modèles des séries qwen-vl.
tool_choicestring or object(Facultatif) La valeur par défaut est auto.Stratégie de sélection des outils. Ce paramètre permet d'imposer une méthode d'appel d'outil pour un type de problème spécifique, par exemple pour toujours utiliser un outil donné ou désactiver tous les outils.
  • auto Le LLM choisit autonomement la stratégie d'utilisation des outils.
  • none Pour désactiver temporairement les appels d'outils dans une requête spécifique, définissez le paramètre tool_choice sur none.
  • {"type": "function", "function": {"name": "the_function_to_call"}} Pour forcer l'appel d'un outil spécifique, définissez le paramètre tool_choice sur {"type": "function", "function": {"name": "the_function_to_call"}}, où the_function_to_call correspond au nom de la fonction outil ciblée.
    Les modèles en mode réflexion ne permettent pas de forcer l'appel d'un outil spécifique.
Dans le SDK Java, ce paramètre correspond à toolChoice. Pour les appels via HTTP, placez tool_choice dans l'objet parameters.
parallel_tool_calls boolean (Facultatif) La valeur par défaut est false.Indique s'il faut activer les appels d'outils parallèles.Valeurs valides :
  • true : Activé
  • false : Désactivé.
Pour plus d'informations sur les appels d'outils parallèles, consultez la rubrique Appels d'outils parallèles.
Dans le SDK Java, ce paramètre correspond à parallelToolCalls. Pour les appels via HTTP, placez parallel_tool_calls dans l'objet parameters.

Objet de réponse de chat (formats de sortie en streaming et hors streaming identiques)

{
  "request_id": "902fee3b-f7f0-9a8c-96a1-6b4ea25af114",
  "output": {
    "text": null,
    "finish_reason": null,
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": "I am a large-scale language model developed by Alibaba Cloud, and my name is Qwen."
        }
      }
    ]
  },
  "usage": {
    "input_tokens": 22,
    "output_tokens": 17,
    "total_tokens": 39
  }
}
status_codestringCode d'état de la requête. La valeur 200 indique que la requête a réussi. Toute autre valeur signale un échec.
Le SDK Java ne retourne pas ce paramètre. En cas d'échec de l'appel, une exception est levée. Le message d'exception contient le contenu de status_code et de message.
request_idstringID unique associé à cet appel.
Le SDK Java retourne ce paramètre sous le nom requestId.
codestringCode d'erreur. Ce champ reste vide lorsque l'appel réussit.
Seul le SDK Python retourne ce paramètre.
outputobjectInformations relatives au résultat de l'appel.
textstringRéponse générée par le modèle. Si le paramètre d'entrée result_format est défini sur text, le contenu de la réponse apparaît dans ce champ.finish_reasonstringCe paramètre n'est pas vide lorsque le paramètre d'entrée result_format vaut text.Quatre situations peuvent se présenter :
  • null pendant la génération
  • stop si la sortie du modèle se termine naturellement ou si une condition d'arrêt définie dans les paramètres d'entrée est déclenchée
  • Le processus s'est arrêté car la sortie générée était trop longue.
  • Lorsqu'un appel d'outil survient, la valeur est tool_calls.
choicesarrayInformations de sortie du modèle. Le paramètre choices est retourné si result_format vaut message.
finish_reasonstringCette valeur peut prendre l'une des formes suivantes :
  • null pendant la génération
  • stop si la sortie du modèle se termine naturellement ou si une condition d'arrêt définie dans les paramètres d'entrée est déclenchée
  • La génération s'arrête pour la raison length, ce qui signifie que la sortie est trop longue.
  • La raison tool_calls indique qu'un appel d'outil a eu lieu.
messageobjectObjet message produit par le modèle.
rolestringRôle du message de sortie, qui doit être assistant.contentstring or arrayContenu du message de sortie. Il s'agit d'un array pour les modèles des séries qwen-vl ou qwen-audio, et d'une string dans les autres cas.
Cette valeur est vide si un appel de fonction est initié.
textstringContenu du message de sortie lors de l'utilisation des modèles des séries qwen-vl ou qwen-audio.image_hwarraySi le paramètre vl_enable_image_hw_output est activé pour un modèle de la série Qwen-VL, deux cas de figure existent :
  • Entrée image : retourne la hauteur et la largeur de l'image en pixels.
  • Entrée vidéo : retourne un tableau vide.
encrypted_content stringqwen4-max, thinking_display="summarized": Envoyez le paramètre d’activation à chaque tour. Renvoyez le contenu chiffré sans modification ; ne le lisez pas, ne le tronquez pas, ne le réencodez pas et ne le concaténez pas entre les tours. Le résumé ne remplace pas l’historique de raisonnement. Résumé et chiffrement du raisonnement.reasoning_content stringContenu du raisonnement approfondi du modèle.tool_callsarrayLe paramètre tool_calls est généré lorsque le modèle doit appeler un outil.
functionobjectNom de l'outil appelé ainsi que ses paramètres d'entrée.
namestringNom de l'outil en cours d'appel.argumentsstringParamètres à transmettre à l'outil, sous forme de chaîne JSON.
En raison de l'aléatoire inhérent aux réponses du LLM, la chaîne JSON générée peut ne pas toujours correspondre aux attentes de votre fonction. Nous vous recommandons de valider les paramètres avant de les injecter dans la fonction.
index integerIndex de l'objet tool_calls actuel dans le tableau tool_calls.id stringID de cette réponse d'outil.type stringType d'outil, qui doit obligatoirement être function.
logprobsobjectInformations de probabilité associées à l'objet choices courant.
content arrayTableau de tokens accompagné d'informations sur leur probabilité logarithmique.
token stringToken courant.bytes arrayListe des octets UTF-8 bruts du token courant. Cette information permet de reconstruire fidèlement le contenu de sortie, notamment lors du traitement des émojis et des caractères chinois.logprob floatProbabilité logarithmique du token courant. Une valeur nulle signale une probabilité extrêmement faible.top_logprobs arrayTokens les plus probables à la position actuelle avec leurs probabilités logarithmiques. Le nombre d'éléments correspond au paramètre d'entrée top_logprobs.
token stringToken courant.bytes arrayListe des octets UTF-8 bruts du token courant. Cette information permet de reconstruire fidèlement le contenu de sortie, notamment lors du traitement des émojis et des caractères chinois.logprob floatProbabilité logarithmique du token courant. Une valeur nulle signale une probabilité extrêmement faible.
usagemapInformations relatives aux tokens pour cette requête de chat.
input_tokens integerLongueur du contenu d'entrée utilisateur après conversion en tokens. Pour plus d'informations, consultez Informations supplémentaires.output_tokens integerLongueur du contenu de sortie du modèle après conversion en tokens.input_tokens_details integerDétails concernant la longueur du contenu d'entrée après conversion en tokens.
text_tokens integerLongueur du texte d'entrée après conversion en tokens.image_tokens integerLongueur de l'image d'entrée après conversion en tokens.video_tokens integerLongueur du fichier vidéo d'entrée ou de la liste d'images après conversion en tokens.
total_tokens integerCe champ est retourné lorsque l'entrée est du texte brut. Il correspond à la somme des champs input_tokens et output_tokens.image_tokens integerCe champ apparaît si le contenu d'entrée comprend une image. Il représente la longueur du contenu image fourni par l'utilisateur après conversion en tokens.video_tokens integerCe champ apparaît si le contenu d'entrée comprend une video. Il représente la longueur du contenu vidéo fourni par l'utilisateur après conversion en tokens.audio_tokens integerCe champ apparaît si le contenu d'entrée comprend un fichier audio. Il représente la longueur du contenu audio fourni par l'utilisateur après conversion en tokens.output_tokens_details integerDétails concernant la longueur du contenu de sortie après conversion en tokens.
text_tokens integerLongueur du texte de sortie après conversion en tokens.reasoning_tokens integerLongueur du processus de raisonnement après conversion en tokens.
prompt_tokens_details objectClassification détaillée des tokens d'entrée.
cached_tokens integerNombre de tokens ayant bénéficié du cache. Pour en savoir plus sur le cache de contexte, consultez Cache de contexte.cache_creation objectInformations relatives à la création du cache explicite.
ephemeral_5m_input_tokens integerLongueur des tokens utilisés pour créer un cache explicite valide pendant 5 minutes.
cache_creation_input_tokens integerLongueur des tokens employés pour la création d'un cache explicite.cache_type stringSi vous utilisez la mise en cache explicite, la valeur du paramètre est ephemeral. Dans le cas contraire, ce paramètre n'existe pas.

Codes d'erreur

Si l'appel du modèle échoue et qu'un message d'erreur est renvoyé, consultez la rubrique Codes d'erreur pour résoudre le problème.