Skip to main content

ディープシンキング

ディープシンキングモデルは、応答する前に思考することで、論理的推論や数学などの複雑なタスクの精度を向上させます。

これらの例では、OpenAI 互換の Chat Completion API と DashScope API を使用します。Responses API については、ディープシンキングをご参照ください。
モデルスタジオコンソールの体験センターでモデルを開き、ディープシンキングを有効にすると、思考プロセスを直接確認できます。

使用方法

Model Studio は、2 つのモードでディープシンキングをサポートしています：
  • ハイブリッド思考モード: enable_thinking パラメーターを使用して、リクエストごとに思考の有効/無効を切り替えます:
    • true に設定すると、モデルは応答する前に推論します。
    • false に設定すると、モデルは推論ステップをスキップして直接応答します。
    • OpenAI 互換
    • DashScope
    # 依存関係をインポートし、クライアントを作成します...
completion = client.chat.completions.create(
    model="qwen3.8-max", # モデルを選択
    messages=[{"role": "user", "content": "Who are you"}],
    # enable_thinking は標準の OpenAI パラメーターではないため、extra_body で渡します。
    extra_body={"enable_thinking":True},
    # ストリーミング出力を有効にします。
    stream=True,
    # 最後のデータパケットにトークン消費情報を含めるようにストリームを構成します。
    stream_options={
        "include_usage": True
    }
)
  • 思考のみモード: モデルは応答する前に常に推論します。この動作は無効にできません。リクエストフォーマットはハイブリッド思考モードと同じで、enable_thinking パラメーターは必要ありません。
API は、reasoning_content フィールドに思考プロセスを、content フィールドに回答を返します。思考プロセスはレイテンシーを追加するため、すべての例ではデフォルトでストリーミングを使用します (リアルタイムで思考プロセスを確認できるため、推奨されます)。商用思考モデルは、非ストリーミング (同期) 出力もサポートしています。使用方法と注意事項については、以下の[よくある質問]をご参照ください。一部のモデル (オープンソースの qwen3.5-122b-a10b や qwen3.5-27b など) はストリーミングのみをサポートしており、非ストリーミングの呼び出しはエラーを返します。

サポート対象モデル

  • Qwen4
  • Qwen3.8
  • Qwen3.7
  • Qwen3.6
  • Qwen3.5
  • Qwen3
  • DeepSeek
  • GLM
  • Kimi
  • MiniMax
Qwen4-Max シリーズ (プレビュー版、ハイブリッド思考モード、デフォルトで思考が有効)：qwen4-max-preview (Token Plan 限定)
モデル名、コンテキストウィンドウ、料金、スナップショットバージョンについては、「モデルリスト」をご参照ください。レート制限については、「レート制限」で説明されています。

はじめに

API キーを取得し、環境変数として設定します。SDK を使用する場合は、OpenAI または DashScope SDK をインストールしてください (DashScope Java SDK バージョン 2.19.4 以降が必要です)。 次の例では、ストリーミング出力を使用して思考モードで qwen3.8-max を呼び出します。
  • OpenAI 互換
  • DashScope
  • Python
  • Node.js
  • HTTP

サンプルコード 

from openai import OpenAI
import os

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

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

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

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

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

    delta = chunk.choices[0].delta

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

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

レスポンス 

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

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

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

コア機能

思考モードと非思考モードの切り替え

思考モードは応答の品質を向上させますが、レイテンシーとコストが増加します。ハイブリッド思考モデルでは、クエリの複雑さに応じてリクエストごとに切り替えます：
  • 日常会話、簡単な Q&A といった単純なクエリの場合は、enable_thinking を false に設定します。
  • 論理問題、コード生成、数学などの複雑な推論には、enable_thinking を true に設定します。
  • OpenAI 互換
  • DashScope
enable_thinking は、OpenAI の標準パラメーターではありません。OpenAI Python SDK では、extra_body 経由で渡します。Node.js SDK では、トップレベルパラメーターとして渡します。
  • Python
  • Node.js
  • HTTP

サンプルコード 

from openai import OpenAI
import os

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

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

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

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

    delta = chunk.choices[0].delta

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

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

レスポンス 

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

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

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

CompletionUsage(completion_tokens=221, prompt_tokens=10, total_tokens=231, completion_tokens_details=CompletionTokensDetails(accepted_prediction_tokens=None, audio_tokens=None, reasoning_tokens=172, rejected_prediction_tokens=None), prompt_tokens_details=PromptTokensDetails(audio_tokens=None, cached_tokens=0))
Qwen3 オープンソースハイブリッド思考モデル、および qwen-plus-2025-04-28 などのモデルでは、プロンプトのサフィックスを使用して思考モードをコントロールすることもできます。enable_thinking が true の場合、プロンプトに /no_think を追加してそのターンの思考をスキップするか、/think を追加して再度有効にします。モデルは、常に最新の /think または /no_think の命令に従います。

思考の長さの制限

ディープシンキングモデルは推論プロセスが長くなることがあり、待ち時間の増加やトークンの消費につながります。thinking_budget パラメーターで推論プロセスの最大トークン数を設定できます。上限に達すると、モデルは直ちに回答の生成を開始します。kimi-k3.1-pro と kimi-k3 はこのパラメーターをサポートしないため、思考の長さを制限できません。 対応モデルと各モデルのデフォルト値については、Chat Completions パラメーターおよび DashScope パラメーターをご参照ください。 以下では主要なパラメーターのみを示します。完全なストリーミングの例については、クイックスタートをご参照ください。
  • OpenAI 互換
  • DashScope
completion = client.chat.completions.create(
    model="qwen3.8-max",
    messages=messages,
    # 推論プロセスの最大トークン数を設定
    extra_body={"enable_thinking": True, "thinking_budget": 50},
    stream=True,
)

思考プロセスの引き渡し

kimi-k3.1-pro と kimi-k3 (Alibaba Cloud Model Studio にデプロイ) は、クライアントから渡された過去の reasoning_content をデフォルトで保持します。複数ターンのリクエストでは、過去の assistant メッセージとその完全な reasoning_content を渡すことを推奨します。 その他のモデルは、デフォルトでは messages 履歴内の reasoning_content を無視します。 以前の推論を後続のターンに引き継ぐには、preserve_thinking を true に設定します。 そうすると、以前のアシスタントメッセージの reasoning_content がモデルの入力に追加されます。
対応モデルと各モデルのデフォルト値については、Chat Completions パラメーターおよび DashScope パラメーターをご参照ください。
履歴メッセージに reasoning_content が含まれていない場合、このパラメーターを有効にしてもエラーは発生しません。
有効にした場合、会話履歴の reasoning_content は入力トークンとしてカウントされ、課金の対象となります。
  • OpenAI 互換
  • DashScope
preserve_thinking は、標準の OpenAI パラメーターではありません。Python SDK を使用する場合、このパラメーターを extra_body で渡します。
  • Python
  • Node.js
  • HTTP

サンプルコード 

from openai import OpenAI
import os

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

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

first_reasoning = ""
first_content = ""
is_answering = False

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

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

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

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

reasoning_content = ""
answer_content = ""
is_answering = False

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

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

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

レスポンス 

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

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

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

その他の機能

課金

  • 思考コンテンツは出力トークンごとに課金されます。
  • 一部のハイブリッド思考モデルでは、思考モードと非思考モードで料金が異なります。
    思考モードのモデルが思考出力を生成しない場合、非思考モードの料金が適用されます。

よくある質問

これはモデルのタイプによって異なります：
  • qwen-plus や deepseek-v4-pro などのハイブリッド思考モデルでは、enable_thinking を false に設定します。
  • glm-5.3 や kimi-k2.7-code などの思考専用モデルの場合、思考モードは無効にできません。
  • kimi-k3.1-pro と kimi-k3 はデフォルトで思考が有効です。enable_thinking=false で無効にできますが、有効のままにすることを推奨します。kimi-k3.1-pro では、思考を無効にすると出力品質が大幅に低下するため、有効のままにすることを強く推奨します。
qwen3.7-plus は、デフォルトで思考モードが有効になっているハイブリッド思考モデルです。思考プロセスは大量の思考トークンを生成します (測定では総出力トークンの 60% 以上)。そのため、1 回の呼び出しの合計レイテンシーは非思考モードよりもはるかに高くなります。トークン生成速度自体は正常で、約 52～54 トークン/秒です。合計レイテンシーが長くなるのは、モデルの速度が遅いことやネットワーク障害が原因ではなく、思考プロセスが生成するトークンの数によるものです。レイテンシーをトラブルシューティングするには、次の手順に従ってください：
  1. 思考モードが有効になっているか確認してください。qwen3.7-plus では、デフォルトで有効になっています。応答で reasoning_content フィールドが返される場合、思考モードはアクティブです。
  2. 応答の使用量統計で completion_tokens と reasoning_tokens を確認してください。reasoning_tokens の割合が高い場合、合計レイテンシーが長いのは思考モードで想定される動作です。
  3. 推論プロセスが不要な場合は、リクエストで enable_thinking を false に設定し、思考モードを無効にします。これにより、出力トークンが大幅に削減され、測定では合計レイテンシーが 60% から 75% 低下します。
  4. 思考機能を維持したい場合は、ストリーミング出力を使用します。最初のトークンをより早く受け取り、完全な応答を待つ代わりにリアルタイムで思考を監視できます。
使用状況統計には、思考トークンの生成に費やされた時間を含む、1 回の呼び出しの合計レイテンシーが表示されます。これは、個々のトークンの生成レイテンシーではありません。
このトピックの例では、デフォルトでストリーミングを使用しています (リアルタイムで思考を監視でき、長い待ち時間を回避できるため推奨)。商用の思考モデル (qwen-plus, qwen-flash など) は、非ストリーミング (同期) 出力もサポートしており、完全な思考と回答を 1 つの応答で返します。
ストリーミングの例を非ストリーミングに切り替える場合は、[応答解析コード] も更新してください。非ストリーミングの呼び出しは、完全な応答オブジェクト (completion) を返します。ストリーミングの例のように for chunk in completion を使用してイテレートしないでください'tuple' object has no attribute 'choices' というエラーが発生します)。代わりに、completion.choices[0].message.reasoning_content (推論) と completion.choices[0].message.content (回答) を直接読み取ってください。また、stream=False の場合は、stream_options パラメーターを設定しないでください。
次の例では、OpenAI 互換インターフェイスを使用して、ストリーミングなしで思考モードで qwen3.8-max を呼び出します：
from openai import OpenAI
import os

client = OpenAI(
    # API キーはリージョンによって異なります。API キーを取得する：https://www.alibabacloud.com/help/model-studio/get-api-key
    # 環境変数が設定されていない場合は、以下の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョンの構成です。WorkspaceId を実際のワークスペース ID に置き換えてください。構成はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.8-max",  # 非ストリーミング出力をサポートする思考モデルに置き換えてください
    messages=[{"role": "user", "content": "Who are you?"}],
    extra_body={"enable_thinking": True},
    stream=False,  # 非ストリーミング (同期) 出力。stream=False の場合、stream_options を設定しないでください
)

# 非ストリーミング呼び出しは完全なレスポンスオブジェクトを返します。メッセージを直接読み取ります。反復処理はしないでください。
message = completion.choices[0].message
print("=" * 20 + "思考" + "=" * 20 + "\n")
print(getattr(message, "reasoning_content", "") or "")
print("\n" + "=" * 20 + "回答" + "=" * 20 + "\n")
print(message.content)
一部のモデル (オープンソースの qwen3.5-122b-a10b や qwen3.5-27b など) は、ストリーミングのみに対応しています。非ストリーミング呼び出しはエラー parameter.enable_thinking only support stream call を返すため、これらのモデルではストリーミングを使用してください。
課金管理センターでアカウントにチャージしてください。モデルを呼び出すには、アカウントに支払い遅延がない必要があります。
無料クォータがなくなると、呼び出しは分単位で課金されます。 請求詳細で支出を確認できます。
これらのモデルはテキストのみを受け付けます。Qwen3-VL と QVQ は画像のディープシンキングをサポートしており。
モデルを呼び出してから 1 時間後に、モニタリング (シンガポールまたは北京) ページに移動します。時間範囲やワークスペースなどのクエリ条件を設定します。次に、[モデル] エリアでターゲットモデルを見つけ、[アクション] 列の [モニター] をクリックして、モデルの呼び出し統計を表示します。詳細については、「モニタリング」ドキュメントをご参照ください。
データは 1 時間ごとに更新されます。ピーク時には、1 時間レベルのレイテンシーが発生する場合があります。
image
長いプロンプトでの呼び出しが失敗するか、タイムアウトした場合、通常、思考モード (enable_thinking=true) が有効になります。思考モードは処理時間を増加させるため、プロンプトが長い場合に応答が切り捨てられたり、リクエストがタイムアウトしたりする可能性があります。ソリューション：
  • 思考モードを無効にする：enable_thinking を false に設定します。処理時間は約 50 秒から約 30 秒に短縮されます。
  • ストリーミング出力を有効にする： stream を true に設定することで、非ストリーミングモードのタイムアウト制限を回避できます。
  • タイムアウトを増やす：思考モードを有効にしたままにするには、クライアントのタイムアウトを 180 秒以上に設定します。
これはクライアント側の問題であり、思考プロセスを公開することに関するプラットフォームの制限ではありません。Model Studio は enable_thinking パラメーターを使用して思考モードを切り替え、応答の reasoning_content フィールドには完全な思考プロセスが含まれているため、モデルは期待どおりに思考コンテンツを返します。接続の切断は、通常、不安定なクライアントのネットワーク条件またはクライアントバージョンの互換性の問題が原因で発生します。トラブルシューティング手順：
  • クライアントのネットワーク接続の安定性を確認します。
  • クライアントを最新バージョンにアップグレードします。
  • クライアントのログを確認して、切断のタイムスタンプと思考タグの出力を関連付けます。
DashScope API を介してモデルを直接呼び出して、思考機能が期待どおりに機能することを確認することもできます。

API リファレンス

入力および応答パラメーターについては、「テキスト生成」をご参照ください。

エラーコード

呼び出しが失敗した場合は、「エラーコード」をご参照ください。