Automatise les recherches complexes par la planification, plusieurs cycles de recherche web et la génération de rapports structurés. Ce modèle collecte et synthétise les informations sans intervention manuelle.
Ce document s'applique uniquement à la région Chine continentale (Pékin). Pour utiliser ce modèle, utilisez une clé API de la région Chine continentale (Pékin).
Prise en main
Obtenir une clé API et exporter la clé API en tant que variable d'environnement. Si vous utilisez un SDK pour vos appels, installez le SDK DashScope.
Le modèle suit un flux de travail en deux étapes : une phase de questions de suivi (le modèle précise le périmètre de votre recherche) et une phase de recherche approfondie (le modèle effectue des recherches, analyse les données et génère un rapport). La phase de questions de suivi permet au modèle de cerner précisément le sujet avant de lancer un long processus de recherche.
Actuellement, le modèle ne prend pas en charge le SDK DashScope pour Java ni les appels API compatibles OpenAI.
python
Spécifications
Modèle | Fenêtre de contexte (tokens) | Entrée max. (tokens) | Sortie max. (tokens) |
|---|---|---|---|
qwen-deep-research | 1 000 000 | 997 952 | 32 768 |
qwen-deep-research-2025-12-15 |
qwen-deep-research : modèle principal, mis à jour en continu. qwen-deep-research-2025-12-15 : version snapshot offrant une profondeur et une qualité accrues, ainsi que l'appel d'outils MCP. Les deux modèles prennent en charge l'entrée d'images et font l'objet d'une facturation distincte.Capacités principales
Suivez la progression via les champs phase (tâche en cours) et status (avancement de la tâche).
Questions de suivi et génération de rapport (phase : « answer »)
Cette étape analyse votre requête, pose des questions de clarification pour définir le périmètre, puis génère le rapport de recherche final.
Valeurs de statut possibles :
typing: génération du contenu textuel en coursfinished: génération du contenu textuel terminée
typing: élaboration du plan de recherche en coursfinished: plan de recherche terminé
WebResultFinished signale la fin de chaque cycle, tandis que finished marque la fin de la phase.
Valeurs de statut possibles :
streamingThinking: décomposition des tâches de recherche et synthèse du contenu web (spécifique àqwen-deep-research-2025-12-15, remplacestreamingQueriesetstreamingWebResult)streamingQueries: génération des requêtes de recherche (uniquement pourqwen-deep-research)streamingWebResult: exécution des recherches web et analyse du contenu (uniquement pourqwen-deep-research)WebResultFinished: cycle de recherche terminéfinished: phase de recherche web terminée
Entrée d'images
Les deux modèles acceptent les images en entrée. Le modèle analyse l'image et intègre son contenu à sa recherche. Utilisez le format tableau pour le champ content en passant conjointement les objets image et text.
- Formats pris en charge : JPEG, PNG, BMP, WEBP. Taille maximale de 10 Mo par image.
- Jusqu'à 5 images par requête. Les URL publiques et l'encodage Base64 sont acceptés.
- Le format de réponse est identique à celui des requêtes texte uniquement. Le modèle génère un rapport basé sur le contenu de l'image.
python
Appel d'outils MCP
L'appel d'outils MCP est uniquement pris en charge par
qwen-deep-research-2025-12-15. Le modèle qwen-deep-research ne dispose pas de cette fonctionnalité.qwen-deep-research-2025-12-15 d'exploiter des sources de données privées ou spécifiques à un domaine durant la phase WebResearch (base de connaissances, documents internes, base de données propriétaire, etc.), en complément des recherches web standards. Transmettez la configuration du serveur MCP via le paramètre research_tools. Le format de réponse reste identique à celui des appels standards.
Pour plus de détails sur research_tools et les spécifications des outils MCP, consultez Qwen-Deep-Research .
Exemple de requête
python
Facturation
Modèle | Coût d'entrée (pour 1K tokens) | Coût de sortie (pour 1K tokens) | Quota gratuit |
|---|---|---|---|
qwen-deep-research | 0,007742 $ | 0,023367 $ | Aucun quota gratuit |
qwen-deep-research-2025-12-15 | À déterminer | À déterminer | Aucun quota gratuit |
Mise en production
Utiliser la sortie en streaming
Le modèle prend uniquement en charge la sortie en streaming (stream=True). Une tâche de recherche unique peut s'exécuter pendant plusieurs minutes à travers des dizaines de cycles itératifs de recherche et de lecture, dépassant ainsi le délai d'expiration d'une requête synchrone. Le streaming permet de maintenir la connexion ouverte et de suivre la progression via les champs phase et status.
Gérer les erreurs
Vérifiez le code de statut de la réponse pour chaque fragment. En cas de code différent de 200, consultez les champs code et message afin de traiter l'erreur de manière appropriée.
Surveiller la consommation de tokens
Lorsque le status passe à finished, récupérez les statistiques d'utilisation des tokens depuis response.usage (tokens d'entrée, tokens de sortie et ID de requête).
Gérer le maintien de connexion
La phase KeepAlive assure le maintien de la connexion entre les tâches de longue durée. Ignorez cette phase et continuez à traiter le flux.
FAQ
- Pourquoi le champ de sortie est-il vide pour certains fragments de réponse ? Les premiers fragments ne contiennent que des métadonnées. Le contenu arrive dans les fragments suivants, au fur et à mesure de sa génération par le modèle.
-
Comment savoir si une phase est terminée ?
Une phase est considérée comme terminée lorsque le
statuspasse àfinished. - Le modèle prend-il en charge les appels API compatibles OpenAI ? Non, les appels API compatibles OpenAI ne sont pas pris en charge.
- Comment les tokens d'entrée et de sortie sont-ils calculés ? Tokens d'entrée : messages utilisateur et invites système. Tokens de sortie : questions de suivi, plans de recherche, objectifs, requêtes de recherche et rapport final.
-
Quelle est la différence entre qwen-deep-research et qwen-deep-research-2025-12-15 ?
qwen-deep-research: modèle principal, mis à jour en continu.qwen-deep-research-2025-12-15: version snapshot offrant une profondeur et une qualité accrues, ainsi que la prise en charge MCP. Les deux modèles acceptent les entrées d'images et font l'objet d'une facturation distincte. -
Comment transmettre des images pour la recherche ?
Utilisez le format tableau pour le champ
content: passez{"image": "URL"}et{"text": "description"}en tant qu'objets dans le tableau. Les deux modèles prennent en charge les entrées d'images. -
Comment ignorer les questions de suivi et lancer directement la recherche ?
Définissez
enable_feedbacksurfalsedans lesparameters. Le modèle ignorera alors les questions de suivi et démarrera immédiatement la recherche.