Qwen3.8-Omni-Flash 文本输入 API 使用文档
基于 Qwen3.8-Omni-Flash 全模态模型的文本对话接口,通过 /v1/chat/completions 端点以 SSE 流式方式调用。模型上下文长度达 1M Token,默认开启思考(reasoning_effort 默认为 xhigh,实际有效档位为 none / low / medium / xhigh 四档),支持 enable_search 联网搜索与自动生效的隐式缓存,流末尾可返回 Token 用量。适合知识问答、内容总结和普通对话等场景。
接口地址
| 接口 | 请求方式 | URL |
|---|---|---|
| 文本输入 | POST | https://www.dmxapi.cn/v1/chat/completions |
WARNING
请妥善保管您的 API Key!严禁将密钥泄露给他人、硬编码到代码中或提交到公开的代码仓库。如果怀疑密钥已泄露,请立即前往 DMXAPI 官网重新生成。
模型名称
qwen3.8-omni-flash
文本输入示例代码
python
import requests
import json
# ===============================================================
# 步骤1: 配置 API 连接信息
# ===============================================================
# DMXAPI 服务端点地址
url = "https://www.dmxapi.cn/v1/chat/completions"
# DMXAPI 密钥 (请替换为您自己的密钥)
# 获取方式: 登录 DMXAPI 官网 -> 个人中心 -> API 密钥管理
api_key = "sk-******************************************"
# ===============================================================
# 步骤2: 配置请求头
# ===============================================================
headers = {
"Content-Type": "application/json", # 指定请求体为 JSON 格式
"Authorization": f"Bearer {api_key}", # Bearer token 认证方式
}
# ===============================================================
# 步骤3: 配置请求参数
# ===============================================================
payload = {
# 【model】(string, 必填) 调用的模型名称
"model": "qwen3.8-omni-flash",
# 【messages】(array, 必填) 对话消息列表,按时间顺序排列
# 音频 / 视频输入仅允许出现在 user 消息中
"messages": [
{
# 【role】(string, 必填) 消息角色
# 可选值: "system"(系统提示,设定助手行为) / "user"(用户输入) / "assistant"(助手回复,用于多轮对话)
"role": "user",
# 【content】(string | array, 必填) 消息内容
# 纯文本对话时为字符串;多模态输入时为对象数组
"content": "请介绍一下皂荚树。",
}
],
# 【modalities】(array, 可选) 输出模态
# qwen3.8-omni-flash 仅支持文本输出,固定为 ["text"]
"modalities": ["text"],
# 【stream】(boolean, 可选) 是否使用流式输出
"stream": True,
# 【stream_options】(object, 可选) 流式输出选项,仅在 stream=True 时生效
"stream_options": {
# 【include_usage】(boolean, 可选) 在流末尾的最后一个数据块返回 Token 用量
"include_usage": True,
},
# 【reasoning_effort】(string, 可选) 思考强度,不传时默认开启思考,默认值为 "xhigh"
# 可选值: "none"(关闭思考) / "minimal" / "low" / "medium" / "high" / "xhigh" / "max"
# 取值映射: "minimal" 按 "low" 处理,"high" 和 "max" 按 "xhigh" 处理
# 实际有效档位为 none / low / medium / xhigh 四档
"reasoning_effort": "none",
# 【enable_search】(boolean, 可选) 是否开启联网搜索
"enable_search": True,
# 【search_options】(object, 可选) 联网搜索配置
"search_options": {
# 【search_strategy】(string, 可选) 搜索策略
# 可选值: "agent"
"search_strategy": "agent",
},
# 注意: reasoning_effort 和 thinking_budget 不能同时设置,否则请求报错
# 当前使用 reasoning_effort,因此不要同时填写:
# "thinking_budget": 20,
}
# ===============================================================
# 步骤4: 定义流式响应解析函数
# ===============================================================
def read_stream(response):
usage = None
pending = ""
for raw_line in response.iter_lines(decode_unicode=False):
if not raw_line:
continue
# 强制使用 UTF-8,避免中文乱码
line = raw_line.decode("utf-8", errors="replace").strip()
if not line.startswith("data:"):
continue
data = line[5:].lstrip()
if not data:
continue
if data == "[DONE]":
break
# 防止网关把一个 JSON 响应拆成多个片段
pending += data
try:
chunk = json.loads(pending)
except json.JSONDecodeError:
continue
pending = ""
if chunk.get("usage"):
usage = chunk["usage"]
choices = chunk.get("choices") or []
if not choices:
continue
delta = choices[0].get("delta") or {}
# 思考开启时,思考内容通过 delta.reasoning_content 输出
if delta.get("reasoning_content"):
print(delta["reasoning_content"], end="", flush=True)
# 正式回答通过 delta.content 输出
if delta.get("content"):
print(delta["content"], end="", flush=True)
print()
if pending:
print("\n警告:流式响应结束时仍有未完成数据:")
print(repr(pending[:500]))
if usage:
print("\nToken 用量:")
print(json.dumps(usage, ensure_ascii=False, indent=2))
# ===============================================================
# 步骤5: 发送请求并输出结果
# ===============================================================
def main():
response = requests.post(
url,
headers=headers,
json=payload,
stream=True,
timeout=(30, 1000),
)
print("HTTP 状态码:", response.status_code)
response.raise_for_status()
print("\n模型回复:")
read_stream(response)
if __name__ == "__main__":
main()返回示例
text
**皂荚树**(学名:*Gleditsia sinensis*),又称皂角树、猪牙皂,是豆科(Fabaceae)皂荚属的落叶乔木。它在中国有着悠久的栽培历史,不仅是一种重要的经济林木和园林绿化树种,还在传统医学和日常生活中扮演着独特角色。
以下是关于皂荚树的详细介绍:
### 1. 形态特征
* **树干与枝条**:成年皂荚树可高达15-30米。最显著的特征是其枝干上通常长有粗壮、分枝状的**硬刺**(称为“皂荚刺”或“天丁”),这些刺可达数厘米至十几厘米长,非常坚硬,既是防御机制,也是中药材来源之一。
* **叶片**:为二回羽状复叶,小叶呈卵形或椭圆形,边缘有细锯齿,夏季翠绿,秋季变黄脱落。
* **果实**:结出扁平、长条形的**荚果**,成熟时由绿变黑褐色,表面常有一层白粉。荚果内含多粒种子,果肉富含胰皂质(Saponin)。
* **花**:夏季开黄白色小花,总状花序,气味并不浓烈。
### 2. 主要用途
#### 🧼 天然清洁剂(洗涤用)
在化学合成洗涤剂普及之前,皂荚是中国民间最主要的清洁用品。
* **原理**:皂荚果肉中含有丰富的**三萜皂苷**(Triterpenoid saponins),这是一种天然的表面活性剂。将其捣碎泡水后,会产生大量泡沫,具有良好的去污、乳化和发泡能力。
* **应用**:古人常用其洗头、洗衣、洗碗,甚至用于制作化妆品(如胭脂粉的粘合剂)。因其温和、无残留且易生物降解,近年来又受到环保主义者和天然护肤品牌的青睐。
#### 💊 药用价值(中药)
皂荚全身皆可入药,在《本草纲目》等中医典籍中有详细记载:
* **皂荚(果实)**:性温,味辛、咸;有小毒。功效包括祛痰开窍、散结消肿。常用于治疗中风痰迷、肺疾咳嗽、喉痹等症。
* **猪牙皂**:指不育种子的畸形小荚果,药效更强,主要用于通窍。
* **皂荚刺(天丁)**:具有托毒排脓、活血消痈的功效,常用于治疗疮疡肿毒。
* **注意**:皂荚含有毒性成分,需经专业炮制并在医生指导下使用,不可自行随意服用。
#### 🌳 园林与生态价值
* **绿化观赏**:树形高大优美,冠幅广阔,夏季遮阴效果好,秋季叶色金黄,是优良的行道树和庭荫树。
* **抗逆性强**:耐干旱、耐瘠薄、耐寒,对土壤要求不严,能在石灰岩山地生长,因此也是中国北方及西南地区荒山造林的重要树种。
* **固氮改良土壤**:作为豆科植物,其根部有根瘤菌,能固定空气中的氮气,提高土壤肥力。
#### 🪵 木材利用
皂荚木材质地坚硬,纹理美观,耐腐蚀,可用于制作家具、农具、雕刻工艺品等。但因树木生长较慢,大径级木材较少见。
### 3. 分布与生长环境
* **地理分布**:原产于中国,广泛分布于华北、华东、华中、华南及西南各省区。此外,朝鲜半岛和日本也有分布。
* **气候适应**:喜光,稍耐阴;适生于温暖湿润气候,但也能耐受一定程度的寒冷(部分品种可耐-20℃低温)。喜欢深厚、肥沃、排水良好的沙壤土,忌积水。
### 4. 文化寓意
* **“皂白不分”**:成语“青红皂白”中的“皂”即指黑色,源于皂荚染色可得黑色染料。古代官员穿“皂衣”,故“皂隶”指衙门差役。
* **吉祥象征**:在一些地区,皂荚树因寿命长、树冠庞大,被视为“风水树”或“神树”,种植于村头庙旁,象征庇佑子孙、家族兴旺。
* **文学意象**:古诗文中常有提及,如唐代杜甫《戏作俳谐体遣闷》中“家家养乌鬼,顿顿食黄鱼……皂荚先秋晒,朱樱此日肥”,反映了当时人们利用皂荚的生活场景。
### 5. 现代研究与开发
随着绿色消费趋势兴起,皂荚提取物被广泛应用于:
* **日化产品**:天然洗发水、沐浴露、婴儿洗护用品。
* **农业助剂**:作为农药增效剂,帮助药液更好地附着在作物叶片上。
* **食品工业**:少量用作天然乳化剂或起泡剂(需符合食品安全标准)。
---
✅ **温馨提示**:
虽然皂荚是天然好物,但其水溶液对眼睛和黏膜有一定刺激性,使用时应避免接触眼部。若用于药用,请务必咨询专业中医师,切勿自行配方内服。
Token 用量:
{
"completion_tokens": 1122,
"completion_tokens_details": {
"text_tokens": 1122
},
"prompt_tokens": 336,
"prompt_tokens_details": {
"cached_tokens": 0,
"text_tokens": 336
},
"total_tokens": 1458
}© 2026 DMXAPI Qwen3.8-Omni-Flash 文本输入
