Skip to main content
工具包/架構

OpenAI相容-Batch(檔案輸入)

阿里雲百鍊提供與 OpenAI 相容的 Batch File API,支援通過檔案批量提交請求。系統非同步處理所有請求,在全部完成或達到最長等待時間後返回結果,費用僅為即時調用的 50% 。適用於資料分析、模型評測等時效性要求不高但需大批量處理的情境。

如需在控制台操作,請參見批量推理

工作流程

前提條件

支援通過 OpenAI SDK(Python、Node.js)或HTTP API調用 Batch File 介面。
  • 擷取API Key擷取並配置API Key 到環境變數
  • 安裝 SDK(可選):如需使用SDK調用,請安裝 OpenAI SDK
  • 服務端點
    • 華北2(北京):https://dashscope.aliyuncs.com/compatible-mode/v1
    • 新加坡:https://dashscope-intl.aliyuncs.com/compatible-mode/v1

適用範圍

  • 新加坡
  • 華北2(北京)
支援的模型:qwen-max、qwen-plus、qwen-flash、qwen-turbo。

快速開始

在處理正式任務前,使用測試模型batch-test-model進行全鏈路閉環測試。該模型跳過推理過程,直接返回固定的成功響應,用於驗證API調用鏈路和資料格式是否正確。
測試模型(batch-test-model)的限制:
  • 測試檔案需滿足輸入檔案要求,且檔案大小不超過 1 MB,行數不超過100行
  • 並發限制:最大並行任務數 2 個
  • 費用:測試模型不產生模型推理費用。

第 1 步:準備輸入檔案

準備一個名為test_model.jsonl的檔案,內容如下:
{"custom_id":"1","method":"POST","url":"/v1/chat/ds-test","body":{"model":"batch-test-model","messages":[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"你好!有什麼可以協助你的嗎?"}]}}
{"custom_id":"2","method":"POST","url":"/v1/chat/ds-test","body":{"model":"batch-test-model","messages":[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"What is 2+2?"}]}}
多模態模型(如 qwen-vl-plus)支援檔案 URL、Base 64 編碼傳入方式:
{"custom_id":"image-url","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"image_url","image_url":{"url":"https://dashscope.oss-cn-beijing.aliyuncs.com/images/dog_and_girl.jpeg"}},{"type":"text","text":"請描述這張圖片"}]}]}}
{"custom_id":"image-base64","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"image_url","image_url":{"url":"data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEA8ADwAAD..."}},{"type":"text","text":"請描述這張圖片"}]}]}}

第 2 步:運行代碼

根據使用的程式設計語言,選擇以下範例程式碼並儲存到輸入檔案的同一目錄下,然後運行。代碼將完成檔案上傳、建立任務、輪詢狀態和下載結果的完整流程。
如需調整檔案路徑或其他參數,請根據實際情況修改代碼。
複用已有檔案 ID:檔案上傳後返回的 ID(如 file-batch-xxx)可重複使用。如果輸入內容不變,無需每次重新上傳,直接用已有 ID 建立任務即可:
batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 直接使用已有檔案 ID,無需重新上傳
    endpoint="/v1/chat/completions",
    completion_window="24h"
)
可通過 client.files.list(purpose="batch") 介面查詢已上傳的 Batch 檔案 ID。
OpenAI Python SDK
import os
from pathlib import Path
from openai import OpenAI
import time

# 初始化用戶端
client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx",但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是新加坡地區的base_url,如果使用北京地區的模型,需要將base_url替換為:https://dashscope.aliyuncs.com/compatible-mode/v1
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"  # 阿里雲百鍊服務的base_url
)

def upload_file(file_path):
    print(f"正在上傳包含請求資訊的JSONL檔案...")
    file_object = client.files.create(file=Path(file_path), purpose="batch")
    print(f"檔案上傳成功。得到檔案ID: {file_object.id}\n")
    return file_object.id

def create_batch_job(input_file_id):
    print(f"正在基於檔案ID,建立Batch任務...")
    # 請注意:此處endpoint參數值需和輸入檔案中的url欄位保持一致.測試模型(batch-test-model)填寫/v1/chat/ds-test,Embedding文本向量模型填寫/v1/embeddings,其他模型填寫/v1/chat/completions
    batch = client.batches.create(input_file_id=input_file_id, endpoint="/v1/chat/ds-test", completion_window="24h")
    print(f"Batch任務建立完成。 得到Batch任務ID: {batch.id}\n")
    return batch.id

def check_job_status(batch_id):
    print(f"正在檢查Batch任務狀態...")
    batch = client.batches.retrieve(batch_id=batch_id)
    print(f"Batch任務狀態: {batch.status}\n")
    return batch.status

def get_output_id(batch_id):
    print(f"正在擷取Batch任務中執行成功請求的輸出檔案ID...")
    batch = client.batches.retrieve(batch_id=batch_id)
    print(f"輸出檔案ID: {batch.output_file_id}\n")
    return batch.output_file_id

def get_error_id(batch_id):
    print(f"正在擷取Batch任務中執行錯誤請求的輸出檔案ID...")
    batch = client.batches.retrieve(batch_id=batch_id)
    print(f"錯誤檔案ID: {batch.error_file_id}\n")
    return batch.error_file_id

def download_results(output_file_id, output_file_path):
    print(f"正在列印並下載Batch任務的請求成功結果...")
    content = client.files.content(output_file_id)
    # 列印部分內容以供測試
    print(f"列印請求成功結果的前1000個字元內容: {content.text[:1000]}...\n")
    # 儲存結果檔案至本地
    content.write_to_file(output_file_path)
    print(f"完整的輸出結果已儲存至本地輸出檔案result.jsonl\n")

def download_errors(error_file_id, error_file_path):
    print(f"正在列印並下載Batch任務的請求失敗資訊...")
    content = client.files.content(error_file_id)
    # 列印部分內容以供測試
    print(f"列印請求失敗資訊的前1000個字元內容: {content.text[:1000]}...\n")
    # 儲存錯誤資訊檔至本地
    content.write_to_file(error_file_path)
    print(f"完整的請求失敗資訊已儲存至本地錯誤檔案error.jsonl\n")

def main():
    # 檔案路徑
    input_file_path = "test_model.jsonl"  # 可替換為您的輸入檔案路徑
    output_file_path = "result.jsonl"  # 可替換為您的輸出檔案路徑
    error_file_path = "error.jsonl"  # 可替換為您的錯誤檔案路徑
    try:
        # Step 1: 上傳包含請求資訊的JSONL檔案,得到輸入檔案ID
        input_file_id = upload_file(input_file_path)
        # Step 2: 基於輸入檔案ID,建立Batch任務
        batch_id = create_batch_job(input_file_id)
        # Step 3: 檢查Batch任務狀態直到結束
        status = ""
        while status not in ["completed", "failed", "expired", "cancelled"]:
            status = check_job_status(batch_id)
            print(f"等待任務完成...")
            time.sleep(10)  # 等待10秒後重新查詢狀態
        # 如果任務失敗,則列印錯誤資訊並退出
        if status == "failed":
            batch = client.batches.retrieve(batch_id)
            print(f"Batch任務失敗。錯誤資訊為:{batch.errors}\n")
            print(f"參見錯誤碼文檔: https://www.alibabacloud.com/help/zh/model-studio/developer-reference/error-code")
            return
        # Step 4: 下載結果:如果輸出檔案ID不為空白,則列印請求成功結果的前1000個字元內容,並下載完整的請求成功結果到本地輸出檔案;
        # 如果錯誤檔案ID不為空白,則列印請求失敗資訊的前1000個字元內容,並下載完整的請求失敗資訊到本地錯誤檔案.
        output_file_id = get_output_id(batch_id)
        if output_file_id:
            download_results(output_file_id, output_file_path)
        error_file_id = get_error_id(batch_id)
        if error_file_id:
            download_errors(error_file_id, error_file_path)
            print(f"參見錯誤碼文檔: https://www.alibabacloud.com/help/zh/model-studio/developer-reference/error-code")
    except Exception as e:
        print(f"An error occurred: {e}")
        print(f"參見錯誤碼文檔: https://www.alibabacloud.com/help/zh/model-studio/developer-reference/error-code")

if __name__ == "__main__":
    main()

第 3 步: 驗證測試結果

任務成功完成後,結果檔案result.jsonl包含固定響應{"content":"This is a test result."}
{"id":"a2b1ae25-21f4-4d9a-8634-99a29926486c","custom_id":"1","response":{"status_code":200,"request_id":"a2b1ae25-21f4-4d9a-8634-99a29926486c","body":{"created":1743562621,"usage":{"completion_tokens":6,"prompt_tokens":20,"total_tokens":26},"model":"batch-test-model","id":"chatcmpl-bca7295b-67c3-4b1f-8239-d78323bb669f","choices":[{"finish_reason":"stop","index":0,"message":{"content":"This is a test result."}}],"object":"chat.completion"}},"error":null}
{"id":"39b74f09-a902-434f-b9ea-2aaaeebc59e0","custom_id":"2","response":{"status_code":200,"request_id":"39b74f09-a902-434f-b9ea-2aaaeebc59e0","body":{"created":1743562621,"usage":{"completion_tokens":6,"prompt_tokens":20,"total_tokens":26},"model":"batch-test-model","id":"chatcmpl-1e32a8ba-2b69-4dc4-be42-e2897eac9e84","choices":[{"finish_reason":"stop","index":0,"message":{"content":"This is a test result."}}],"object":"chat.completion"}},"error":null}

執行正式任務

輸入檔案要求

  • 格式:UTF-8 編碼的 JSONL(每行一個獨立JSON對象)
  • 規模限制:單檔案最多 50,000 個請求,且不超過 500 MB
  • 單行限制:每個JSON對象不超過 6 MB,且不超過模型上下文長度
  • 一致性要求:同一檔案內所有請求須使用相同的模型及思考模式(如適用)
  • 唯一標識:每個請求必須包含檔案內唯一的 custom_id 欄位,用於匹配請求與結果
情境1:文本對話 樣本檔案內容:
{"custom_id":"1","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-plus","messages":[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"Hello!"}]}}
{"custom_id":"2","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-plus","messages":[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"What is 2+2?"}]}}
情境2:映像與視頻理解 多模態模型(如 qwen-vl-plus)支援檔案 URL、Base 64 編碼傳入方式。
{"custom_id":"image-url","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"image_url","image_url":{"url":"https://dashscope.oss-cn-beijing.aliyuncs.com/images/dog_and_girl.jpeg"}},{"type":"text","text":"請描述這張圖片"}]}]}}
{"custom_id":"image-base64","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"image_url","image_url":{"url":"data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEA8ADwAAD..."}},{"type":"text","text":"請描述這張圖片"}]}]}}
{"custom_id":"video-url","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"video","video":"https://example.com/video.mp4"},{"type":"text","text":"描述這個視頻"}]}]}}
{"custom_id":"video-base64","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"video","video":["data:image/jpeg;base64,{frame1}","data:image/jpeg;base64,{frame2}","data:image/jpeg;base64,{frame3}"]},{"type":"text","text":"描述這個視頻"}]}]}}
{"custom_id":"multi-image-url","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"image_url","image_url":{"url":"https://example.com/image1.jpg"}},{"type":"image_url","image_url":{"url":"https://example.com/image2.jpg"}},{"type":"text","text":"對比這兩張圖片"}]}]}}
{"custom_id":"multi-image-base64","method":"POST","url":"/v1/chat/completions","body":{"model":"qwen-vl-plus","messages":[{"role":"user","content":[{"type":"image_url","image_url":{"url":"data:image/jpeg;base64,{image1_base64}"}},{"type":"image_url","image_url":{"url":"data:image/jpeg;base64,{image2_base64}"}},{"type":"text","text":"對比這兩張圖片"}]}]}}
樣本中的 Base64 字串已省略,使用下方 Python 代碼產生完整編碼即可。
  1. 將本地檔案轉換為 Base 64 編碼:
#  編碼函數: 將本地檔案轉換為 Base 64 編碼的字串
import base64
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# 將xxxx/eagle.png替換為你本地映像的絕對路徑
base64_image = encode_image("xxx/eagle.png")
  1. 構建Data URL格式:data:[MIME_type];base64,{base64_image}
    1. MIME_type需替換為實際的媒體類型,確保與MIME Type 的值匹配(如image/jpegimage/png);
    2. base64_image為上一步產生的 Base64 字串。
完整說明(包括檔案限制、MIME 類型、編碼方法)請參見傳入本地檔案(Base 64 編碼或檔案路徑)
Batch 推理 JSONL 檔案產生工具 Batch 推理需要構造 JSONL 檔案,每行為一個獨立請求。以下 Python 指令碼可直接運行產生符合格式的 JSONL 檔案。

使用方式

  1. 將以下代碼儲存為 generate_batch_jsonl.py
  2. 修改指令碼中 TASKS 列表的請求內容
  3. 運行 python generate_batch_jsonl.py
  4. 產生的 batch_input.jsonl 檔案可直接用於 Batch 推理任務

文本產生模型 JSONL 產生指令碼

#!/usr/bin/env python3
"""
Batch 推理 JSONL 檔案產生工具

支援的地區:
  - 華北2(北京):文本產生、多模態、通用文本向量
  - 新加坡:文本產生(qwen-max、qwen-plus、qwen-turbo)

支援的模型:
  文本產生(華北2):
    qwen3-max, qwen-max, qwen-max-latest,
    qwen3.5-plus*, qwen3.5-flash*, qwen-flash*,
    qwen-plus*, qwen-plus-latest*, qwen-turbo*, qwen-turbo-latest*,
    qwen-long, qwen-long-latest,
    qwq-plus, qwq-32b-preview, deepseek-r1, deepseek-v3
    (* 表示支援思考模式和非思考模式)
  文本產生(新加坡):qwen-max, qwen-plus, qwen-turbo
  多模態(華北2):
    qwen3.5-plus*, qwen3.5-flash*, qwen3-vl-plus*, qwen3-vl-flash*,
    qwen-vl-max, qwen-vl-max-latest, qwen-vl-plus, qwen-vl-plus-latest,
    qwen-vl-ocr, qwen-vl-ocr-latest, qwen-omni-turbo
  文本向量(華北2):text-embedding-v1/v2/v3/v4

檔案大小限制:單行 ≤6MB,總檔案 ≤500MB,建議 ≤10000 行

使用方式:
  1. 修改下方 TASKS 列表
  2. 運行: python generate_batch_jsonl.py
  3. 輸出: batch_input.jsonl
"""
import json

# ═══════════════════════════════════════════════════════
# 配置區:修改以下內容來產生您需要的 JSONL
# ═══════════════════════════════════════════════════════

MODEL = "qwen-max"          # 選擇模型(參見上方支援列表)
ENABLE_THINKING = False     # 是否開啟思考模式(僅部分模型支援)
THINKING_BUDGET = 50        # 思考 token 預算(思考模式下生效)

# 工作清單:每個 dict 代表一條使用者訊息
TASKS = [
    {"role": "user", "content": "你好!請介紹一下自己。"},
    {"role": "user", "content": "What is 2+2?"},
    {"role": "user", "content": "請用Python寫一個快速排序演算法"},
]

# ═══════════════════════════════════════════════════════
# 以下為產生邏輯,一般無需修改
# ═══════════════════════════════════════════════════════

def build_request(custom_id: str, model: str, messages: list,
                  enable_thinking: bool = False, thinking_budget: int = 50) -> dict:
    """構造單條 Batch 請求"""
    body = {"model": model, "messages": messages}
    if enable_thinking:
        body["enable_thinking"] = True
        body["thinking_budget"] = thinking_budget
        body["stream"] = True  # 思考模式需開啟 stream
    return {
        "custom_id": custom_id,
        "method": "POST",
        "url": "/v1/chat/completions",
        "body": body
    }

def main():
    output_file = "batch_input.jsonl"
    with open(output_file, "w", encoding="utf-8") as f:
        for i, task in enumerate(TASKS, 1):
            messages = [
                {"role": "system", "content": "You are a helpful assistant."},
                task
            ]
            req = build_request(
                custom_id=f"request-{i}",
                model=MODEL,
                messages=messages,
                enable_thinking=ENABLE_THINKING,
                thinking_budget=THINKING_BUDGET
            )
            f.write(json.dumps(req, ensure_ascii=False) + "\n")
    print(f"已產生 {output_file},共 {len(TASKS)} 條請求")

if __name__ == "__main__":
    main()

多模態模型請求格式

多模態模型的 content 欄位為數組格式,包含媒體對象和文本提問。每行請求中的媒體URL需為同一類型(圖片、視頻或音頻)。將上方指令碼中的 TASKS 替換為以下格式即可:
# 多模態模型配置樣本
MODEL = "qwen-vl-max"       # 多模態模型

# 多模態任務:content 為數組格式
TASKS = [
    {"role": "user", "content": [
        {"type": "image_url", "image_url": {"url": "https://example.com/image1.jpg"}},
        {"type": "image_url", "image_url": {"url": "https://example.com/image2.jpg"}},
        {"type": "text", "text": "這些圖描繪了什麼內容?"}
    ]},
]

# qwen-omni-turbo 音頻/視頻格式:
# {"type": "input_audio", "input_audio": {"data": "https://example.com/audio.wav", "format": "wav"}}
# {"type": "video_url", "video_url": "https://example.com/video.mp4"}

# 注意:
# - qwen3-vl-plus 和 qwen3-vl-flash 不使用 system 角色,thinking_budget 設定為 500
# - 其他多模態模型包含 system 角色,thinking_budget 設定為 50
# - 思考模式需額外設定 ENABLE_THINKING = True

文本向量模型請求格式

文本向量模型使用 /v1/embeddings 介面,請求格式不同於文本產生模型。可使用以下獨立指令碼產生:
#!/usr/bin/env python3
"""文本向量模型 Batch JSONL 產生(使用 /v1/embeddings 介面)"""
import json

MODEL = "text-embedding-v3"  # 可選: v1, v2, v3, v4

TEXTS = [
    "衣服的品質杠杠的,很漂亮,不枉我等了這麼久啊,喜歡,以後還來這裡買。",
    "風急天高猿嘯哀",
    "The quick brown fox jumps over the lazy dog",
]

output_file = "batch_embedding.jsonl"
with open(output_file, "w", encoding="utf-8") as f:
    for i, text in enumerate(TEXTS, 1):
        req = {
            "custom_id": f"emb-{i}",
            "method": "POST",
            "url": "/v1/embeddings",
            "body": {"model": MODEL, "input": text, "encoding_format": "float"}
        }
        f.write(json.dumps(req, ensure_ascii=False) + "\n")
print(f"已產生 {output_file},共 {len(TEXTS)} 條請求")

1. 修改輸入檔案

  • 可直接修改用於測試的 test_model.jsonl 檔案,將 model 參數設定為目標正式模型,並設定URL欄位:

    模型類型

    url

    文本產生/多模態模型

    /v1/chat/completions

    文本向量模型

    /v1/embeddings

  • 或使用上方的“JSONL 批量產生工具”為正式任務產生一個新的檔案。關鍵是確保 modelurl 欄位正確。

2. 修改快速開始的代碼

  1. 輸入檔案路徑更改為您的檔案名稱
  2. 將 endpoint 參數值修改為與輸入檔案中URL欄位一致的值

3. 運行代碼並等待結果

任務完成後,成功請求的結果儲存在本地 result.jsonl 檔案中。如有請求失敗,錯誤詳情儲存在 error.jsonl 檔案中。
  • 成功結果(output_file_id):每一行對應一個成功的原始請求,包含 custom_idresponse
{"id":"3a5c39d5-3981-4e4c-97f2-e0e821893f03","custom_id":"req-001","response":{"status_code":200,"request_id":"3a5c39d5-3981-4e4c-97f2-e0e821893f03","body":{"created":1768306034,"usage":{"completion_tokens":654,"prompt_tokens":14,"total_tokens":668},"model":"qwen-plus","id":"chatcmpl-3a5c39d5-3981-4e4c-97f2-e0e821893f03","choices":[{"finish_reason":"stop","index":0,"message":{"role":"assistant","content":"你好!杭州西湖是中國著名的風景名勝區,位於浙江省杭州市西部,因此得名“西湖”。它是中國十大風景名勝之一,也是世界文化遺產(2011年被聯合國教科文組織列入《世界遺產名錄》),以其秀麗的自然風光與深厚的人文底蘊聞名於世。\n\n### 一、自然景觀\n西湖三面環山,一面鄰城,湖面面積約6.39平方公裡,形似如意,碧波蕩漾。湖中被孤山、白堤、蘇堤、楊公堤等自然或人工分隔成多個水域,形成“一山二塔三島三堤”的格局。\n\n主要景點包括:\n- **蘇堤春曉**:北宋大文豪蘇東坡任杭州知州時主持疏浚西湖,用挖出的淤泥堆築成堤,後人稱為“蘇堤”。春天桃紅柳綠,景色如畫。\n- **斷橋殘雪**:位於白堤東端,是白蛇傳中“斷橋相會”的發生地,冬日雪後銀裝素裹,尤為著名。\n- **雷峰夕照**:雷峰塔在夕陽映照下金光熠熠,曾是“西湖十景”之一。\n- **三潭印月**:湖中小瀛洲上的三座石塔,中秋夜可在塔內點燈,月影、燈光、湖光交相輝映。\n- **平湖秋月**:位於白堤西端,是觀賞湖上明月的絕佳地點。\n- **花港觀魚**:以賞花和觀魚著稱,園內牡丹、錦鯉相映成趣。\n\n### 二、人文歷史\n西湖不僅風景優美,還承載著豐富的歷史文化:\n- 自唐宋以來,眾多文人墨客如白居易、蘇東坡、林逋、楊萬裡等在此留下詩篇。\n- 白居易曾主持修建“白堤”,疏浚西湖,造福百姓。\n- 西湖周邊有眾多古迹,如嶽王廟(紀念民族英雄嶽飛)、靈隱寺(千年古刹)、六和塔、龍井村(中國十大名茶龍井茶的產地)等。\n\n### 三、文化象徵\n西湖被譽為“人間天堂”的代表,是中國傳統山水美學的典範。它融合了自然美與人文美,體現了“天人合一”的哲學思想。許多詩詞、繪畫、戲曲都以西湖為題材,成為中國文化的重要符號。\n\n### 四、旅遊建議\n- 最佳遊覽季節:春季(3-5月)桃紅柳綠,秋季(9-11月)天高氣爽。\n- 推薦方式:步行、騎行(環湖綠道)、乘船遊湖。\n- 周邊美食:西湖醋魚、龍井蝦仁、東坡肉、片兒川等。\n\n總之,杭州西湖不僅是一處自然美景,更是一座活著的文化博物館,值得細細品味。如果你有機會到杭州,一定不要錯過這個“淡妝濃抹總相宜”的人間仙境。"}}],"object":"chat.completion"}},"error":null}
{"id":"628312ba-172c-457d-ba7f-3e5462cc6899","custom_id":"req-002","response":{"status_code":200,"request_id":"628312ba-172c-457d-ba7f-3e5462cc6899","body":{"created":1768306035,"usage":{"completion_tokens":25,"prompt_tokens":18,"total_tokens":43},"model":"qwen-plus","id":"chatcmpl-628312ba-172c-457d-ba7f-3e5462cc6899","choices":[{"finish_reason":"stop","index":0,"message":{"role":"assistant","content":"春風拂柳綠,  \n夜雨潤花紅。  \n鳥語林間鬧,  \n山川處處同。"}}],"object":"chat.completion"}},"error":null}
  • 失敗請求詳情(error_file_id):包含處理失敗的請求行資訊和錯誤原因,可參考錯誤碼進行排查。

具體流程

Batch API使用流程分為四步:上傳檔案、建立任務、查詢任務狀態、下載結果。
建立 Batch 任務前,通過檔案上傳介面上傳符合格式要求的 JSONL 檔案,擷取file_id
上傳檔案, purpose 必須是 batch
複用已有檔案 ID:檔案上傳後返回的 ID(如 file-batch-xxx)可重複使用。如果輸入內容不變,無需每次重新上傳,直接用已有 ID 建立任務即可:
batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 直接使用已有檔案 ID,無需重新上傳
    endpoint="/v1/chat/completions",
    completion_window="24h"
)
可通過 client.files.list(purpose="batch") 介面查詢已上傳的 Batch 檔案 ID。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

請求樣本

import os
from pathlib import Path
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx"。但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是新加坡地區base_url,如果使用北京地區的模型,需要將base_url替換為:https://dashscope.aliyuncs.com/compatible-mode/v1
    # 注意:切換地區時,API Key也需要對應更換
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

# test.jsonl 是一個本地樣本檔案,purpose必須是batch
file_object = client.files.create(file=Path("test.jsonl"), purpose="batch")

print(file_object.model_dump_json())

返回樣本

{
    "id": "file-batch-xxx",
    "bytes": 437,
    "created_at": 1742304153,
    "filename": "test.jsonl",
    "object": "file",
    "purpose": "batch",
    "status": "processed",
    "status_details": null
}
使用上傳檔案返回的檔案ID 建立 Batch 任務。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

請求樣本

import os
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx"。但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是新加坡地區base_url,如果使用北京地區的模型,需要將base_url替換為:https://dashscope.aliyuncs.com/compatible-mode/v1
    # 注意:切換地區時,API Key也需要對應更換
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 上傳檔案返回的id
    endpoint="/v1/chat/completions",  # # 測試模型batch-test-model填寫/v1/chat/ds-test,文本向量模型填寫/v1/embeddings,文本產生/多模態模型填寫/v1/chat/completions
    completion_window="24h",
    metadata={'ds_name':"任務名稱",'ds_description':'任務描述'} # metadata資料,非必要欄位,用於建立任務名稱、描述
)
print(batch)

輸入參數

欄位

類型

傳參

方式

必選

描述

input_file_id

String

Body

用於指定檔案ID,作為Batch任務的輸入檔案。

使用準備與上傳檔案介面返回的檔案ID,如file-batch-xxx

endpoint

String

Body

訪問路徑,須與輸入檔案中的URL欄位一致。

  • 測試模型batch-test-model填寫/v1/chat/ds-test

  • 其他模型填寫/v1/chat/completions

completion_window

String

Body

等待時間,最短 24h,最長 336h,僅支援整數。

支援"h"和"d"兩個單位,如"24h"或"14d"。

metadata

Map

Body

任務擴充中繼資料,以索引值對形式附加額外資訊。

metadata.ds_name

String

Body

任務名稱。

樣本:"ds_name":"Batch任務"

限制:長度不超過100個字元。

若重複定義該欄位,以最後一次傳入的值為準。

metadata.ds_description

String

Body

任務描述。

樣本:"ds_description":"Batch推理任務測試"

限制:長度不超過200個字元。

若重複定義該欄位,以最後一次傳入的值為準。

返回樣本

{
    "id": "batch_xxx",
    "object": "batch",
    "endpoint": "/v1/chat/completions",
    "errors": null,
    "input_file_id": "file-batch-xxx",
    "completion_window": "24h",
    "status": "validating",
    "output_file_id": null,
    "error_file_id": null,
    "created_at": 1742367779,
    "in_progress_at": null,
    "expires_at": null,
    "finalizing_at": null,
    "completed_at": null,
    "failed_at": null,
    "expired_at": null,
    "cancelling_at": null,
    "cancelled_at": null,
    "request_counts": {
        "total": 0,
        "completed": 0,
        "failed": 0
    },
    "metadata": {
        "ds_name": "任務名稱",
        "ds_description": "任務描述"
    }
}

返回參數

欄位

類型

描述

id

String

本次建立的 Batch 任務 ID。

object

String

物件類型,固定值batch

endpoint

String

訪問路徑。

errors

Map

錯誤資訊。

input_file_id

String

檔案ID 。

completion_window

String

等待時間,支援最短等待時間24h,最長等待時間336h,僅支援整數。

支援"h"和"d"兩個單位,如"24h"或"14d"。

status

String

任務狀態,可選值:validating、failed、in_progress、finalizing、completed、expired、cancelling、cancelled。

output_file_id

String

成功請求的輸出檔案 ID。

error_file_id

String

失敗請求的錯誤檔案 ID。

created_at

Integer

任務建立的 Unix 時間戳記(秒)。

in_progress_at

Integer

任務開始啟動並執行 Unix 時間戳記(秒)。

expires_at

Integer

任務預計到期的 Unix 時間戳記(秒)。

finalizing_at

Integer

任務開始匯總結果的 Unix 時間戳記(秒)。

completed_at

Integer

任務完成的 Unix 時間戳記(秒)。

failed_at

Integer

任務失敗的 Unix 時間戳記(秒)。

expired_at

Integer

任務到期的 Unix 時間戳記(秒)。

cancelling_at

Integer

任務開始取消的 Unix 時間戳記(秒)。

cancelled_at

Integer

任務取消完成的 Unix 時間戳記(秒)。

request_counts

Map

各狀態的請求數量統計。

metadata

Map

附加中繼資料,索引值對形式。

metadata.ds_name

String

任務名稱。

metadata.ds_description

String

任務描述。

任務建立後,可通過以下介面查詢狀態、列出歷史任務或取消進行中的任務。
傳入 Batch 任務ID可查詢指定任務的詳細資料。當前僅支援查詢 30 天內建立的 Batch 任務。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

請求樣本

import os
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx"。但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是新加坡地區base_url,如果使用北京地區的模型,需要將base_url替換為:https://dashscope.aliyuncs.com/compatible-mode/v1
    # 注意:切換地區時,API Key也需要對應更換
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
batch = client.batches.retrieve("batch_id")  # 將batch_id替換為Batch任務的id
print(batch)

返回樣本

查詢成功後返回 Batch 任務的詳細資料。以下為 completed 狀態的返回樣本:
{
  "id": "batch_abc123",
  "object": "batch",
  "endpoint": "/v1/chat/completions",
  "errors": null,
  "input_file_id": "file-abc123",
  "completion_window": "24h",
  "status": "completed",
  "output_file_id": "file-batch_output-xyz789",
  "error_file_id": "file-batch_error-xyz789",
  "created_at": 1711402400,
  "in_progress_at": 1711402450,
  "expires_at": 1711488800,
  "finalizing_at": 1711405000,
  "completed_at": 1711406000,
  "failed_at": null,
  "expired_at": null,
  "cancelling_at": null,
  "cancelled_at": null,
  "request_counts": {
    "total": 100,
    "completed": 95,
    "failed": 5
  },
  "metadata": {
    "customer_id": "user_123456789",
    "batch_description": "Nightly eval job"
  }
}
返回的JSON對象包含 Batch 任務完整資訊,包括任務狀態、結果檔案 ID、請求統計等。各欄位說明見下表。

欄位

類型

描述

id

String

Batch 任務 ID。

status

String

任務狀態,可能的值包括:

  • validating:正在驗證輸入檔案

  • in_progress:任務處理中

  • finalizing:處理完成,正在產生輸出檔案

  • completed:任務成功完成

  • failed:任務因嚴重錯誤失敗

  • expired:任務在 completion_window 內未完成而到期

  • cancelling:正在取消任務

  • cancelled:任務已取消

output_file_id

String

成功結果檔案的 ID,任務完成後產生。

error_file_id

String

失敗結果檔案的 ID,任務完成且有失敗請求時產生。

request_counts

Object

請求數量統計對象,包含 total、completed、failed 欄位。

可使用 batches.list() 方法查詢 Batch 工作清單,通過分頁機制逐步擷取完整的工作清單。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

請求樣本

import os
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx"。但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是新加坡地區base_url,如果使用北京地區的模型,需要將base_url替換為:https://dashscope.aliyuncs.com/compatible-mode/v1
    # 注意:切換地區時,API Key也需要對應更換
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
batches = client.batches.list(after="batch_xxx", limit=2,extra_query={'ds_name':'任務名稱','input_file_ids':'file-batch-xxx,file-batch-xxx','status':'completed,expired','create_after':'20250304000000','create_before':'20250306123000'})
print(batches)

輸入參數

欄位

類型

傳參方式

必選

描述

after

String

Query

用於分頁的遊標,值為上一頁最後一個任務的ID。

limit

Integer

Query

每頁返回的任務數量,範圍[1, 100],預設20。

ds_name

String

Query

按任務名稱進行模糊比對。

input_file_ids

String

Query

按檔案ID篩選,多個ID用逗號分隔,最多20個。

status

String

Query

按任務狀態篩選,多個狀態用逗號分隔。

create_after

String

Query

篩選在此時間點之後建立的任務,格式:yyyyMMddHHmmss

create_before

String

Query

篩選在此時間點之前建立的任務,格式:yyyyMMddHHmmss

返回樣本

{
  "object": "list",
  "data": [
    {
      "id": "batch_xxx",
      "object": "batch",
      "endpoint": "/v1/chat/completions",
      "errors": null,
      "input_file_id": "file-batch-xxx",
      "completion_window": "24h",
      "status": "completed",
      "output_file_id": "file-batch_output-xxx",
      "error_file_id": null,
      "created_at": 1722234109,
      "in_progress_at": 1722234109,
      "expires_at": null,
      "finalizing_at": 1722234165,
      "completed_at": 1722234165,
      "failed_at": null,
      "expired_at": null,
      "cancelling_at": null,
      "cancelled_at": null,
      "request_counts": {
        "total": 100,
        "completed": 95,
        "failed": 5
      },
      "metadata": {}
    },
    { ... }
  ],
  "first_id": "batch_xxx",
  "last_id": "batch_xxx",
  "has_more": true
}

返回參數

欄位

類型

描述

object

String

類型,固定值list。

data

Array

Batch任務對象,參見建立Batch任務的返回參數。

first_id

String

當前頁第一個 Batch任務 ID。

last_id

String

當前頁最後一個Batch任務 ID。

has_more

Boolean

是否有下一頁。

取消一個進行中或排隊中的任務。成功調用後,任務狀態將變為 cancelling,最終變為 cancelled。在任務被完全取消前,已完成的部分仍會計費。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

請求樣本

import os
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx"。但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是新加坡地區base_url,如果使用北京地區的模型,需要將base_url替換為:https://dashscope.aliyuncs.com/compatible-mode/v1
    # 注意:切換地區時,API Key也需要對應更換
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
batch = client.batches.cancel("batch_id")  # 將batch_id替換為Batch任務的id
print(batch)

返回樣本

取消任務成功後返回 Batch 任務的詳細資料。以下是一個 cancelling 狀態的返回樣本:
{
  "id": "batch_abc123",
  "object": "batch",
  "endpoint": "/v1/chat/completions",
  "errors": null,
  "input_file_id": "file-abc123",
  "completion_window": "24h",
  "status": "cancelling",
  "output_file_id": null,
  "error_file_id": null,
  "created_at": 1711402400,
  "in_progress_at": 1711402450,
  "expires_at": 1711488800,
  "finalizing_at": null,
  "completed_at": null,
  "failed_at": null,
  "expired_at": null,
  "cancelling_at": 1711403000,
  "cancelled_at": null,
  "request_counts": {
    "total": 100,
    "completed": 23,
    "failed": 1
  },
  "metadata": null
}
取消任務後,狀態會先變為 cancelling ,等待正在執行的請求完成;最終會變為 cancelled 。已完成的請求結果仍會儲存在輸出檔案中。
任務結束後會產生結果檔案(output_file_id)和可能的錯誤檔案(error_file_id),兩者均通過相同的檔案下載介面擷取。僅支援下載以file-batch_output開頭的file_id對應的檔案。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)
您可以通過content方法擷取Batch任務結果檔案內容,並通過write_to_file方法將其儲存至本地。

請求樣本

import os
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx"。但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是新加坡地區base_url,如果使用北京地區的模型,需要將base_url替換為:https://dashscope.aliyuncs.com/compatible-mode/v1
    # 注意:切換地區時,API Key也需要對應更換
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
content = client.files.content(file_id="file-batch_output-xxx")
# 列印結果檔案內容
print(content.text)
# 儲存結果檔案至本地
content.write_to_file("result.jsonl")

返回樣本

{"id":"c308ef7f-xxx","custom_id":"1","response":{"status_code":200,"request_id":"c308ef7f-0824-9c46-96eb-73566f062426","body":{"created":1742303743,"usage":{"completion_tokens":35,"prompt_tokens":26,"total_tokens":61},"model":"qwen-plus","id":"chatcmpl-c308ef7f-0824-9c46-96eb-73566f062426","choices":[{"finish_reason":"stop","index":0,"message":{"content":"你好!當然可以。無論是需要資訊查詢、學習資料、解決問題的方法,還是其他任何協助,我都在這裡為你提供支援。請告訴我你需要什麼方面的協助?"}}],"object":"chat.completion"}},"error":null}
{"id":"73291560-xxx","custom_id":"2","response":{"status_code":200,"request_id":"73291560-7616-97bf-87f2-7d747bbe84fd","body":{"created":1742303743,"usage":{"completion_tokens":7,"prompt_tokens":26,"total_tokens":33},"model":"qwen-plus","id":"chatcmpl-73291560-7616-97bf-87f2-7d747bbe84fd","choices":[{"finish_reason":"stop","index":0,"message":{"content":"2+2 equals 4."}}],"object":"chat.completion"}},"error":null}

返回樣本

單條響應結果:
{
    "id": "c308ef7f-xxx",
    "custom_id": "1",
    "response": {
        "status_code": 200,
        "request_id": "c308ef7f-0824-9c46-96eb-73566f062426",
        "body": {
            "created": 1742303743,
            "usage": {
                "completion_tokens": 35,
                "prompt_tokens": 26,
                "total_tokens": 61
            },
            "model": "qwen-plus",
            "id": "chatcmpl-c308ef7f-0824-9c46-96eb-73566f062426",
            "choices": [
                {
                    "finish_reason": "stop",
                    "index": 0,
                    "message": {
                        "content": "你好!當然可以。無論是需要資訊查詢、學習資料、解決問題的方法,還是其他任何協助,我都在這裡為你提供支援。請告訴我你需要什麼方面的協助?"
                    }
                }
            ],
            "object": "chat.completion"
        }
    },
    "error": null
}

返回參數

欄位

類型

描述

id

String

請求 ID。

custom_id

String

使用者自訂的 ID。

response

Object

請求結果。

status_code

Integer

狀態代碼。200表示請求成功。

request_id

String

服務端為這次請求產生的唯一ID。

completion_tokens

Integer

模型產生的回複內容(completion)所消耗的Token數量。

prompt_tokens

Integer

發送給模型的輸入內容(prompt)所消耗的Token數量。

total_tokens

Integer

本次調用總共消耗的Token數量。

model

String

本次調用所使用的模型名稱。

error

Object

錯誤資訊對象。如果API調用成功,該值為null。如果發生錯誤,這裡會包含錯誤碼和詳細的錯誤資訊。

error.code

String

錯誤行資訊和錯誤原因,可參考錯誤碼進行排查。

error.message

String

錯誤資訊。

進階功能

配置任務完成通知

長時間啟動並執行任務使用輪詢會消耗不必要的資源。建議配置非同步通知,系統在任務完成後主動通知。
任務完成通知功能僅支援在北京地區配置。
  • Callback 回調:在建立任務時指定一個公網可訪問的 URL
  • EventBridge 訊息佇列:與阿里雲生態深度整合,無需公網 IP
建立任務時通過 metadata 指定一個公網可訪問的 URL。任務完成後,系統向該URL發送包含任務狀態的 POST 請求:
  • OpenAI Python SDK
  • curl(HTTP)
import os
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數,可用阿里雲百鍊API Key將下行替換為:api_key="sk-xxx"。但不建議在生產環境中直接將API Key寫入程式碼到代碼中,以減少API Key泄露風險。
    # 新加坡和北京地區的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地區base_url,如果使用新加坡地區的模型,需要將base_url替換為:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    # 注意:切換地區時,API Key也需要對應更換
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 上傳檔案返回的 id
    endpoint="/v1/chat/completions",  # Embedding文本向量模型填寫"/v1/embeddings",測試模型batch-test-model填寫/v1/chat/ds-test,其他模型填寫/v1/chat/completions
    completion_window="24h",
    metadata={
            "ds_batch_finish_callback": "https://xxx/xxx"
          }
)
print(batch)
此方式無需公網 IP,適用於與阿里雲其他服務(如Function Compute、RocketMQ)整合的情境。當 Batch 任務完成時,系統會向阿里雲事件匯流排 EventBridge 發送一個事件。您可以配置 EventBridge 規則來監聽此事件,並將其路由到指定目標。
  • 事件來源 (Source): acs.dashscope
  • 事件類型 (Type): dashscope:System:BatchTaskFinish
相關文檔:路由到訊息佇列RocketMQ版

應用於生產環境

  • 檔案管理
    • 定期調用 OpenAI-File刪除檔案介面刪除不需要的檔案,避免達到檔案儲存體上限(10000個檔案或100GB)
    • 對於大型檔案,推薦將其儲存在阿里雲OSS中
  • 任務監控
    • 優先使用 Callback 或 EventBridge 非同步通知
    • 輪詢間隔 > 1分鐘,使用指數退避策略
  • 錯誤處理
    • 實現完整的異常處理機制,涵蓋網路錯誤、API 錯誤等
    • 下載並分析 error_file_id 的錯誤詳情
    • 對於常見錯誤碼,參考錯誤碼進行解決
  • 成本最佳化
    • 合并小任務到一個批次
    • 合理設定 completion_window 提供更多調度靈活性

工具 + 生產力

未經處理資料儲存在 CSV 檔案中(第一列為 ID,第二列為內容)時,可使用以下指令碼快速產生 Batch 任務所需的 JSONL 檔案。
如需調整檔案路徑或其他參數,請根據實際情況修改代碼。
import csv
import json
def messages_builder_example(content):
    messages = [{"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": content}]
    return messages

with open("input_demo.csv", "r") as fin:
    with open("input_demo.jsonl", 'w', encoding='utf-8') as fout:
        csvreader = csv.reader(fin)
        for row in csvreader:
            body = {"model": "qwen-turbo", "messages": messages_builder_example(row[1])}
            # 選擇Embedding文本向量模型進行調用時,url的值需填寫"/v1/embeddings",其他模型填寫/v1/chat/completions
            request = {"custom_id": row[0], "method": "POST", "url": "/v1/chat/completions", "body": body}
            fout.write(json.dumps(request, separators=(',', ':'), ensure_ascii=False) + "\n")
使用以下指令碼可將 result.jsonl 檔案解析為易於在Excel中分析的 result.csv 檔案。
如需調整檔案路徑或其他參數,請根據實際情況修改代碼。
import json
import csv
columns = ["custom_id",
           "model",
           "request_id",
           "status_code",
           "error_code",
           "error_message",
           "created",
           "content",
           "usage"]

def dict_get_string(dict_obj, path):
    obj = dict_obj
    try:
        for element in path:
            obj = obj[element]
        return obj
    except:
        return None

with open("result.jsonl", "r") as fin:
    with open("result.csv", 'w', encoding='utf-8') as fout:
        rows = [columns]
        for line in fin:
            request_result = json.loads(line)
            row = [dict_get_string(request_result, ["custom_id"]),
                   dict_get_string(request_result, ["response", "body", "model"]),
                   dict_get_string(request_result, ["response", "request_id"]),
                   dict_get_string(request_result, ["response", "status_code"]),
                   dict_get_string(request_result, ["error", "error_code"]),
                   dict_get_string(request_result, ["error", "error_message"]),
                   dict_get_string(request_result, ["response", "body", "created"]),
                   dict_get_string(request_result, ["response", "body", "choices", 0, "message", "content"]),
                   dict_get_string(request_result, ["response", "body", "usage"])]
            rows.append(row)
        writer = csv.writer(fout)
        writer.writerows(rows)
Excel 亂碼解決
  • 可使用文字編輯器(如Sublime)將 CSV 檔案的編碼轉換為GBK,然後再用Excel開啟。
  • 或在Excel中建立一個Excel檔案,並在匯入資料時指定正確的編碼格式 UTF-8。

介面限流

介面

限流(主帳號層級)

建立任務

1000 次/分鐘,最大並行 1000 個

查詢任務

1000 次/分鐘

查詢工作清單

100 次/分鐘

取消任務

1000 次/分鐘

計費說明

  • 計費單價: 所有成功請求的輸入和輸出Token,單價均為對應模型即時推理價格的50% ,具體請參見模型列表
  • 計費範圍:
    • 僅對成功執行的請求計費。
    • 檔案解析失敗、任務執行失敗或行級錯誤請求均不產生費用
    • 已取消的任務中,取消前已成功完成的請求仍正常計費。
  • 批量推理為獨立計費項目,支援AI 通用型節省計劃,但不支援預付費(節省計劃)、新人免費額度等優惠,以及上下文緩衝等功能。
  • 部分模型(如 qwen3.5-plus、qwen3.5-flash)預設開啟思考模式,會產生額外的思考tokens,並按輸出token價格計費,導致成本增加。建議根據任務複雜度設定enable_thinking參數以控製成本,具體請參考深度思考

錯誤碼

調用失敗時,請參見錯誤碼進行解決。

常見問題

  1. 如何選擇使用 Batch Chat 還是Batch File? 處理包含大量請求的單個大檔案且可非同步擷取結果時,選擇 Batch File。需要以API同步調用方式高並發提交大量獨立對話請求時,選擇 Batch Chat。
  2. Batch File調用如何計費?需要單獨購買嗎? 答:Batch 是一種調用方式,採用後付費模式,按成功請求的 Token 用量計費,無需額外購買套餐。
  3. 提交的Batch File是按順序執行的嗎? 答:不是。系統採用動態調度機制,根據計算資源負載安排任務執行,不保證嚴格遵循提交順序。資源緊張時,任務啟動和執行可能延遲。
  4. 提交的Batch File需要多長時間完成? 答:執行時間取決於系統資源分派和任務規模。若任務在設定的 completion_window 內未完成,狀態變為 expired,未處理的請求不再執行,也不產生費用。 情境建議:對時效性有嚴格要求的情境,建議使用即時調用;對時效性有一定容忍度的大規模資料處理情境,推薦使用 Batch 調用。