接口说明

文本生成

OpenAI Completions协议

shell

POST https://api.scnet.cn/api/llm/v1/chat/completions

1.功能介绍

根据输入的上下文，来让模型补全对话内容。

2.请求参数

名称	类型	必填	示例值
Content-Type	string	是	application/json
Authorization	string	是	Bearer <API Key>

Body 参数

名称	类型	必填	默认值	描述
model	string	是	\	使用的模型 ID。可用模型及其能力以控制台 → 模型列表为准。视觉理解模型及多模态字段说明见下文“视觉理解与多模态输入”。
messages	array	是	\	表示聊天上下文信息。您必须在消息数组中提供一个或多个消息。每个消息必须与 system、user 或 assistant 中的一个角色相关联。 content 可以是纯文本字符串，也可以是内容块数组。多模态模型的 user 消息可混合传入 text、image_url、video_url、video、input_audio 等内容块，具体格式见下文“视觉理解与多模态输入”。其中，system 角色可选，如存在则必须位于列表的最开始。user 和 assistant 需按对话顺序交替出现，以 user 提问开始。content 不能为空。
max_tokens	integer	否	4096	限制一次请求中模型生成 completion 的最大 token 数，输入 token 和输出 token 的总长度受模型的上下文长度的限制。请参考模型进行设置。例如：DeepSeek-7B模型的上下文长度为32K（输入 token 和输出 token 的总长度），则其max_tokens介于 1 到 32768间的整数。
temperature	number	否	1	采样温度，介于 0 和 2 之间。较高的值（如 0.8）将使输出更加随机，而较低的值（如 0.2）将使输出更加集中和确定。对于DeepSeek-R1系列模型，官方给出使用建议如下： temperature 设置在 0.5-0.7 之间，推荐 0.6，防止输出重复或不连贯。
enable_thinking	boolean	否	true	是否开启思考模式，适用于 Qwen3系列模型、DeepSeek-V4系列模型。
reasoning_effort	string	否	high	推理强度。可以调整推理强度，可选值为high和max。只适用于 DeepSeek-V4系列模型。只支持OpenAI协议
top_p	number	否	1	top的值，介于 0 和 1 之间。作为调节采样温度的替代方案，模型会考虑前 top_p 概率的 token 的结果。所以 0.1 就意味着只有包括在最高 10% 概率中的 token 会被考虑。我们通常建议修改这个值或者更改 temperature，但不建议同时对两者进行修改。不支持以下模型（为了兼容已有软件，设置该参数后不会报错，但也不会生效）： DeepSeek-R1-Distill系列
stop	object	否	null	生成停止标识，当模型生成结果以stop中某个元素结尾时，停止文本生成。
stream	boolean	否	false	流式响应的选项，当字段stream为true时，该字段生效。注意: QwQ-32B 模型可支持流式及非流式输出方式，但使用非流式时，建议设置max_tokens值不超过4096，避免请求超时。
stream_options	object	否	text	当启用流式输出时，可通过将本参数设置为{"include_usage": true}，在输出的最后一行显示所使用的Token数。如果设置为false，则最后一行不显示使用的Token数。本参数仅在设置stream为true时生效。
vl_high_resolution_images	boolean	否	false	是否启用高分辨率图像模式，仅视觉模型生效。设置为 true 时采用固定的高分辨率策略，单张图像上限为 16384 个视觉 Token，并忽略内容块中的 max_pixels；设置为 false 时由 max_pixels 控制图像缩放上限。该字段不是 OpenAI 标准参数，Python SDK 需通过 extra_body 传入。
response_format	object	否	text	指定模型必须输出的格式。设置为 { "type": "json_object" } 以启用 JSON 模式，该模式保证模型生成的消息是有效的 JSON。注意: 使用 JSON 模式时，你还必须通过系统或用户消息指示模型生成 JSON。否则，模型可能会生成不断的空白字符，直到生成达到令牌限制，从而导致请求长时间运行并显得“卡住”。此外，如果 finish_reason="length"，这表示生成超过了 max_tokens 或对话超过了最大上下文长度，消息内容可能会被部分截断。
frequency_penalty	number	否	0	介于 -2.0 和 2.0 之间的数字。如果该值为正，那么新 token 会根据其在已有文本中的出现频率受到相应的惩罚，降低模型重复相同内容的可能性。不支持以下模型（为了兼容已有软件，设置该参数后不会报错，但也不会生效）： DeepSeek-R1-Distill系列
presence_penalty	number	否	0	介于 -2.0 和 2.0 之间的数字。如果该值为正，那么新 token 会根据其是否已在已有文本中出现受到相应的惩罚，从而增加模型谈论新主题的可能性。不支持以下模型（为了兼容已有软件，设置该参数后不会报错，但也不会生效）： DeepSeek-R1-Distill系列

3.响应参数

名称	类型	必填	描述
id	string	是	该对话的唯一标识符。
choices	object[]	是	模型生成的 completion 的选择列表，object[]包含以下三个参数： ● finish_reason（string），模型停止生成 token 的原因。必填。 ○ stop：模型自然停止生成，或遇到 stop 序列中列出的字符串。 ○ length ：输出长度达到了模型上下文长度限制，或达到了 max_tokens 的限制。 ○ content_filter：输出内容因触发过滤策略而被过滤。 ○ insufficient_system_resource：系统推理资源不足，生成被打断。 ● index（integer），该 completion 在模型生成的 completion 的选择列表中的索引。必填。 ● message（object），模型生成的 completion 消息。必填。 ○ content（string），该 completion 的内容。必填，可为空值。 ○ reasoning_content（string），适用于DeepSeek-R1-671B，Qwen3-30B-A3B。内容为 assistant 消息中在最终答案之前的推理内容。非必填。 ○ role（string），生成这条消息的角色。必填。
created	integer	是	创建聊天完成时的 Unix 时间戳（以秒为单位）。
model	string	是	生成该 completion 的模型名。
system_fingerprint	string	是	代表模型运行的后端配置。
object	string	是	对象的类型, 其值为 chat.completion。
usage	object	是	Token 统计信息，格式： { "prompt_tokens": 整数, // 输入 Token 数（含缓存命中部分） "completion_tokens": 整数, // 输出 Token 数 "total_tokens": 整数, // 总 Token 数 "prompt_tokens_details": { "cached_tokens": 整数 // 缓存命中 Token 数 } } 仅部分模型支持上下文缓存。模型未开启缓存或本次请求未命中缓存时，cached_tokens 为 0。缓存命中计费规则详见计费说明。

4.请求示例

cURL请求示例

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/chat/completions' \
-H 'Content-Type: application/json' \
-H 'Authorization: Bearer <API Key>' \
--data-raw '{
  "messages": [
    {
      "content": "You are a helpful assistant",
      "role": "system"
    },
    {
      "content": "Hi",
      "role": "user"
    }
  ],
  "model": "DeepSeek-R1-Distill-Qwen-7B",
  "frequency_penalty": 0,
  "max_tokens": 2048,
  "presence_penalty": 0,
  "response_format": {
    "type": "text"
  },
  "stop": null,
  "stream": false,
  "temperature": 1,
  "top_p": 1
}'

Python请求示例

OpenAI SDK

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")

response = client.chat.completions.create(
  model="DeepSeek-R1-Distill-Qwen-7B",
  messages=[
    {"role": "system", "content": "You are a helpful assistant"},
    {"role": "user", "content": "Hello"},
  ],
  max_tokens=1024,
  temperature=0.7,
  stream=False
)
print(response.choices[0].message.content)

REQUESTS

python

import requests
import json

url = "https://api.scnet.cn/api/llm/v1/chat/completions"

payload = json.dumps({
  "messages": [
    {
      "content": "You are a helpful assistant",
      "role": "system"
    },
    {
      "content": "Hi",
      "role": "user"
    }
  ],
  "model": "DeepSeek-R1-Distill-Qwen-7B",
  "frequency_penalty": 0,
  "max_tokens": 2048,
  "presence_penalty": 0,
  "response_format": {
    "type": "text"
  },
  "stop": None,
  "stream": False,
  "temperature": 1,
  "top_p": 1
})
headers = {
  'Content-Type': 'application/json',
  'Authorization': 'Bearer <API Key>'
}

response = requests.request("POST", url, headers=headers, data=payload)
print(response.text)

HTTP.CLIENT

python

import http.client
import json

conn = http.client.HTTPSConnection("api.scnet.cn")
payload = json.dumps({
  "messages": [
    {
      "content": "You are a helpful assistant",
      "role": "system"
    },
    {
      "content": "Hi",
      "role": "user"
    }
  ],
  "model": "DeepSeek-R1-Distill-Qwen-7B",
  "frequency_penalty": 0,
  "max_tokens": 2048,
  "presence_penalty": 0,
  "response_format": {
    "type": "text"
  },
  "stop": None,
  "stream": False,
  "temperature": 1,
  "top_p": 1
})
headers = {
  'Content-Type': 'application/json',
  'Authorization': 'Bearer <API Key>'
}
conn.request("POST", "/api/llm/v1/chat/completions", payload, headers)
res = conn.getresponse()
data = res.read()
print(data.decode("utf-8"))

Go请求示例

package main

import (
  "fmt"
  "strings"
  "net/http"
  "io/ioutil"
)

func main() {

  url := "https://api.scnet.cn/api/llm/v1/chat/completions"
  method := "POST"

  payload := strings.NewReader(`{
  "messages": [
    {
      "content": "You are a helpful assistant",
      "role": "system"
    },
    {
      "content": "Hi",
      "role": "user"
    }
  ],
  "model": "DeepSeek-R1-Distill-Qwen-7B",
  "frequency_penalty": 0,
  "max_tokens": 2048,
  "presence_penalty": 0,
  "response_format": {
    "type": "text"
  },
  "stop": null,
  "stream": false,
  "temperature": 1,
  "top_p": 1
}`)

  client := &http.Client {
  }
  req, err := http.NewRequest(method, url, payload)

  if err != nil {
    fmt.Println(err)
    return
  }
  req.Header.Add("Content-Type", "application/json")
  req.Header.Add("Authorization", "Bearer <API Key>")

  res, err := client.Do(req)
  if err != nil {
    fmt.Println(err)
    return
  }
  defer res.Body.Close()

  body, err := ioutil.ReadAll(res.Body)
  if err != nil {
    fmt.Println(err)
    return
  }
  fmt.Println(string(body))
}

Nodejs请求示例

OpenAI SDK

javascript

import OpenAI from "openai";

const openai = new OpenAI({
        baseURL: 'https://api.scnet.cn/api/llm/v1',
        apiKey: '<API Key>'
});

async function main() {
  const completion = await openai.chat.completions.create({
    messages: [{ role: "system", content: "You are a helpful assistant." }],
    model: "DeepSeek-R1-Distill-Qwen-7B",
  });

  console.log(completion.choices[0].message.content);
}

main();

5.响应示例

json

{
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "content": "Hello! How can I help you today?",
        "role": "assistant"
      }
    }
  ],
  "created": 1740036498,
  "id": "39bff8f688377b9e0c73564ab2fae566",
  "model": "DeepSeek-R1-Distill-Qwen-7B",
  "object": "chat.completion",
  "usage": {
    "completion_tokens": 10,
    "prompt_tokens": 16,
    "total_tokens": 26,
    "prompt_tokens_details": {
      "cached_tokens": 5
    }
  }
}

6.视觉理解与多模态输入

支持的模型

多模态字段只有在所选模型具备对应能力时才生效。具体可调用的模型 ID 及能力以控制台 → 模型列表为准。

注意
网关按协议透传多模态内容，不会根据模型名称预先判断模型能力。模型收到自身不支持的 image_url、video_url、input_audio 等字段时，下游可能忽略该字段或返回不支持该模态的错误。
图片、视频和音频 URL 必须能被模型服务通过公网访问。URL 响应头必须包含正确的 Content-Length 和 Content-Type。

messages.content 内容块

type	输入内容	主要字段	说明
`text`	文本	`text`	可与图片、视频内容块混合传入。
`image_url`	图片	`image_url.url`、`image_url.detail`（可选）、`max_pixels`（可选）	`url` 支持公网 URL 或 `data:image/{format};base64,...`。同一条消息可包含多个图片块。
`video_url`	视频文件	`video_url.url`、`fps`（可选）	`url` 支持公网 URL 或 `data:video/{format};base64,...`。
`video`	视频帧列表	`video`、`fps`（可选）	`video` 为按时间顺序排列的图片 URL 或图片 Data URL 数组。
`input_audio`	音频	`input_audio.data`、`input_audio.format`	`data` 支持公网 URL 或 Base64 Data URL，`format` 为实际音频格式，例如 `mp3`、`wav`。仅支持音频理解的模型生效。

image_url.detail 用于控制图片解析精度，可选值为 low、high、auto：low 适合速度和成本优先的场景，high 适合 OCR、图表和细节识别，auto 由模型自动选择；不传时使用模型默认策略。

单图输入（cURL）

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/chat/completions' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "Qwen3.8-Max",
    "messages": [{
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg",
            "detail": "auto"
          }
        },
        {"type": "text", "text": "图中描绘了什么？"}
      ]
    }]
  }'

单图输入（Python）

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")
response = client.chat.completions.create(
    model="Qwen3.8-Max",
    messages=[{
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg",
                    "detail": "high"
                }
            },
            {"type": "text", "text": "详细描述图片内容。"}
        ]
    }]
)
print(response.choices[0].message.content)

单图输入（Node.js）

javascript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: "<API Key>",
  baseURL: "https://api.scnet.cn/api/llm/v1"
});

const response = await client.chat.completions.create({
  model: "Qwen3.8-Max",
  messages: [{
    role: "user",
    content: [
      {
        type: "image_url",
        image_url: {
          url: "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg",
          detail: "low"
        }
      },
      { type: "text", text: "用一句话描述图片。" }
    ]
  }]
});
console.log(response.choices[0].message.content);

多图输入

以下示例在同一请求中混合传入两张公网图片：

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/chat/completions' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "Qwen3.8-Max",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "image_url",
            "image_url": {
              "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
            }
          },
          {
            "type": "image_url",
            "image_url": {
              "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"
            }
          },
          {
            "type": "text",
            "text": "分别描述两张图片，并比较它们的不同。"
          }
        ]
      }
    ],
    "stream": false
  }'

Base64 图片输入

OpenAI 兼容协议不能直接传入本地文件路径。请先读取图片并编码为 Base64，再按照 data:image/{format};base64,{data} 组成完整 Data URL。MIME Type 必须与实际图片格式一致，例如 JPEG 使用 image/jpeg、PNG 使用 image/png。

python

import base64
from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")
with open("image.jpg", "rb") as image_file:
    image_data = base64.b64encode(image_file.read()).decode("utf-8")

response = client.chat.completions.create(
    model="Qwen3.8-Max",
    messages=[{
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {
                    "url": f"data:image/jpeg;base64,{image_data}",
                    "detail": "auto"
                }
            },
            {"type": "text", "text": "识别图片中的内容。"}
        ]
    }]
)
print(response.choices[0].message.content)

Base64 编码后的字符串不得超过 10MB；示例中的 Base64 必须是完整内容，不能使用截断字符串。

图片输入限制

限制项	说明
图像尺寸	宽度和高度均须大于 10 像素；长边与短边之比不超过 200:1；建议控制在 8K 以内。
图像格式	4K 以下支持 BMP、JPEG、PNG、TIFF、WEBP、HEIC；4K 至 8K 仅支持 JPEG、JPG、PNG。Base64 Data URL 的 MIME Type 必须与实际格式一致。
文件大小	公网 URL：Qwen3.8 / Qwen3.7 / Qwen3.6 / Qwen3.5 系列单图不超过 20MB；Base64 编码后的字符串不超过 10MB。
图片数量	公网 URL：Qwen3.8 / Qwen3.7 / Qwen3.6 / Qwen3.5 系列最多 2048 张；Base64 最多 250 张。同时受模型最大输入 Token 数限制。

视频输入

视觉模型会从视频文件中抽取帧序列进行分析。fps 取值范围为 [0.1, 10]，默认值为 2.0；运动较快的视频可适当提高，静态或较长的视频可降低。max_frames 用于限制最大抽帧数，但只有下游模型支持该参数时才生效。

视频文件 URL

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/chat/completions' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "Qwen3.8-Max",
    "messages": [{
      "role": "user",
      "content": [
        {
          "type": "video_url",
          "video_url": {
            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"
          },
          "fps": 2
        },
        {"type": "text", "text": "概括这段视频的内容。"}
      ]
    }]
  }'

Base64 视频使用相同结构，将 URL 改为完整 Data URL：

json

{
  "type": "video_url",
  "video_url": {
    "url": "data:video/mp4;base64,<视频Base64编码>"
  },
  "fps": 2
}

视频帧列表

json

{
  "role": "user",
  "content": [
    {
      "type": "video",
      "video": [
        "https://example.com/frame-001.jpg",
        "https://example.com/frame-002.jpg",
        "https://example.com/frame-003.jpg",
        "https://example.com/frame-004.jpg"
      ],
      "fps": 2,
      "max_frames": 256
    },
    {"type": "text", "text": "按时间顺序描述视频中的动作。"}
  ]
}

视频输入限制

限制项	说明
视频大小	公网 URL：Qwen3.8 / Qwen3.7 / Qwen3.6 / Qwen3.5 系列不超过 2GB；Base64 编码后的字符串小于 10MB。
视频时长	Qwen3.8 / Qwen3.7 / Qwen3.6 / Qwen3.5 系列为 2 秒至 2 小时。
视频格式	MP4、AVI、MKV、MOV、FLV、WMV 等。
视频数量	单次请求最多传入 64 个视频，同时受模型上下文和 Token 上限限制。
视频帧列表	Qwen3.8 / Qwen3.7 / Qwen3.6 / Qwen3.5 系列为 4 至 8000 张。
音频轨道	不解析视频文件中的音频。需要分析音频时，请使用支持音频输入的模型和对应协议。

音频输入

Chat Completions 协议使用 input_audio 内容块传入音频。input_audio.data 和 input_audio.format 均为必填字段：data 可以是模型服务能够访问的公网 URL，也可以是完整的 Base64 Data URL；format 必须与音频文件的实际格式一致，例如 mp3 或 wav。

模型能力说明：协议支持 input_audio 参数不代表所有模型都具备音频理解能力。本次上线的 Qwen3.8-Max 不支持音频输入。请以控制台模型列表展示的能力为准，选择支持音频理解的模型。

公网音频 URL

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/chat/completions' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "<支持音频输入的模型ID>",
    "messages": [{
      "role": "user",
      "content": [
        {
          "type": "input_audio",
          "input_audio": {
            "data": "https://example.com/audio/sample.wav",
            "format": "wav"
          }
        },
        {"type": "text", "text": "请转写并概括这段音频。"}
      ]
    }]
  }'

Base64 音频

本地音频文件不能直接传入文件路径。请先编码为 Base64，并组成完整的 Data URL：

json

{
  "type": "input_audio",
  "input_audio": {
    "data": "data:audio/wav;base64,<音频Base64编码>",
    "format": "wav"
  }
}

公网 URL 的响应头必须包含正确的音频 Content-Type 和 Content-Length。Base64 Data URL 中声明的 MIME Type、format 字段和实际音频格式必须保持一致。

多模态多轮对话

多轮请求需要把历史消息按 user → assistant → user 的顺序重新放入 messages。图片或视频通常只需放在首次 user 消息中，后续追问可以只传文本；历史中的视觉内容仍会占用输入 Token。

当模型响应包含 reasoning_content 时，下一轮应至少保留上一轮 assistant 的 content；若下游模型要求连续传递思考上下文，再同时原样保留 reasoning_content。不要把 reasoning_content 拼入展示给最终用户的正文。

cURL 示例

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/chat/completions' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "Qwen3.8-Max",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "image_url",
            "image_url": {
              "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
            }
          },
          {"type": "text", "text": "图中描绘了什么？"}
        ]
      },
      {
        "role": "assistant",
        "content": "图中是一位女孩在海边与一只狗互动。"
      },
      {
        "role": "user",
        "content": "再说明一下画面的氛围。"
      }
    ],
    "stream": false
  }'

Python 示例（含流式续问）

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")
messages = [{
    "role": "user",
    "content": [
        {
            "type": "image_url",
            "image_url": {
                "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
            }
        },
        {"type": "text", "text": "图中描绘了什么？"}
    ]
}]

first = client.chat.completions.create(model="Qwen3.8-Max", messages=messages)
assistant_message = {
    "role": "assistant",
    "content": first.choices[0].message.content
}
reasoning = getattr(first.choices[0].message, "reasoning_content", None)
if reasoning:
    assistant_message["reasoning_content"] = reasoning

messages.extend([assistant_message, {"role": "user", "content": "再说明一下画面的氛围。"}])
stream = client.chat.completions.create(
    model="Qwen3.8-Max",
    messages=messages,
    stream=True
)
for chunk in stream:
    text = chunk.choices[0].delta.content
    if text:
        print(text, end="", flush=True)

Node.js 示例

javascript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: "<API Key>",
  baseURL: "https://api.scnet.cn/api/llm/v1"
});

const messages = [{
  role: "user",
  content: [
    {
      type: "image_url",
      image_url: {
        url: "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
      }
    },
    { type: "text", text: "图中描绘了什么？" }
  ]
}];

const first = await client.chat.completions.create({ model: "Qwen3.8-Max", messages });
const answer = first.choices[0].message;
messages.push({
  role: "assistant",
  content: answer.content,
  ...(answer.reasoning_content ? { reasoning_content: answer.reasoning_content } : {})
});
messages.push({ role: "user", content: "再说明一下画面的氛围。" });

const second = await client.chat.completions.create({
  model: "Qwen3.8-Max",
  messages,
  stream: true
});
for await (const chunk of second) {
  process.stdout.write(chunk.choices[0]?.delta?.content ?? "");
}

OpenAI Responses API协议

创建响应

shell

POST https://api.scnet.cn/api/llm/v1/responses

1.功能介绍

兼容 OpenAI Responses API 协议的模型调用接口。相较于对话补全（Chat Completions）接口，Responses 接口具备以下优势：

更灵活的输入：input 支持直接传入字符串作为模型输入，也兼容 Chat 格式的消息数组。
简化上下文管理：通过传递上一轮响应的 previous_response_id，无需手动构建完整的消息历史数组即可实现多轮对话。
结构化输出：模型回复、思考内容、工具调用以统一的输出项（output item）数组返回，便于程序化处理。

注意
仅部分模型支持 Responses 协议，具体以控制台 → 模型列表标注为准，下文示例中的模型名称仅供参考。
本接口在设计上兼容 OpenAI Responses API，但部分 OpenAI 参数（如异步执行参数 background）暂不支持；未列出的参数是否生效取决于所调用的模型。

2.请求参数

名称	类型	必填	示例值
Content-Type	string	是	application/json
Authorization	string	是	Bearer <API Key>

Body 参数

名称	类型	必填	默认值	描述
model	string	是	\	使用的模型的 ID。仅部分模型支持 Responses 协议，具体以控制台模型列表标注为准。
input	string/array	是	\	模型输入，支持以下两种格式： ● string：纯文本，如 "你好"。 ● array：消息数组，按对话顺序排列。数组元素支持以下类型： ○ 消息对象：包含 role（user / assistant / system / developer）与 content。content 为纯文本时是 string 类型；为结构化内容时是数组，元素 type 可选： - input_text：文本输入，配合 text 字段。 - input_image：图片输入（仅 user 角色，需视觉模型支持），配合 image_url 字段（公网 URL 或 Base64 Data URL），detail 可选 low / high / auto。 - input_file：文件输入（仅 user 角色），配合 file_url（文件公网 URL）字段，可附带 filename。仅支持控制台标注具备文件理解能力的模型。 - output_text：助手回复（仅 assistant 角色），配合 text 字段。 ○ function_call：模型上一轮返回的函数调用项（含 name、arguments、call_id），用于工具调用多轮对话时回传。 ○ function_call_output：函数调用的执行结果（含 call_id、output），必须紧跟对应的 function_call 项。 ○ reasoning：模型上一轮返回的思考内容项，可原样传回用于在多轮对话中传递思考内容。注意：结构化内容的分块类型为 input_text / input_image / input_file，与 Chat Completions 协议的 text / image_url 命名不同。Responses 协议当前不支持视频或音频输入，请改用 Chat Completions 协议。
instructions	string	否	\	系统指令，会插入到上下文的起始位置。使用 previous_response_id 时，上一轮指定的 instructions 不会自动传入本轮上下文。
previous_response_id	string	否	\	上一个响应的唯一 ID（来自上一轮响应的 id 字段）。使用此参数可创建多轮对话，服务端会自动检索并组合该轮次的输入与输出作为上下文。当同时提供 input 消息数组和 previous_response_id 时，input 中的新消息会追加到历史上下文之后。仅当上一轮请求 store=true 时可用。
stream	boolean	否	false	是否开启流式输出。设置为 true 时，模型响应以 SSE 事件流的形式实时返回，事件格式见响应示例。
store	boolean	否	true	是否储存本次生成的模型响应。 ● true：储存，当前响应可被 previous_response_id 引用，并支持检索/删除/输入项查询接口。 ● false：不储存，响应内容不能被 previous_response_id 和后续接口使用。
temperature	number	否	\	采样温度，取值范围 [0, 2)，控制生成文本的多样性。值越高输出越随机，值越低输出越确定。temperature 与 top_p 均可控制多样性，建议只设置其中一个。
top_p	number	否	\	核采样的概率阈值，取值范围 (0, 1]。值越高生成文本越多样，值越低越确定。建议不要与 temperature 同时修改。
tools	array	否	\	模型在生成响应时可调用的工具数组。支持自定义 function 工具，元素属性： ● type（string，必选）：固定为 function。 ● name（string，必选）：工具名称，仅允许字母、数字、下划线和短划线。 ● description（string，必选）：工具描述信息，帮助模型判断何时以及如何调用该工具。 ● parameters（object，可选）：工具入参描述，需为合法的 JSON Schema；为空表示该工具没有入参。当模型判断需要调用工具时，响应会返回 function_call 类型的输出项。注意：与 Chat Completions 协议不同，Responses 协议的 function 工具定义不包裹在 function 子对象中，name / description / parameters 直接与 type 同级。
tool_choice	string/object	否	auto	控制模型如何选择和调用工具。字符串模式可选值： ● auto：模型自动决定是否调用工具。 ● none：禁止模型调用任何工具。 ● required：强制模型调用工具。对象模式可通过 {"type": "allowed_tools", "mode": "auto", "tools": [...]} 限定模型可调用的工具范围。
reasoning	object	否	\	控制模型的思考强度，仅推理模型支持。属性 effort（string）为思考强度档位： ● none：关闭思考，直接回答 ● minimal：最小化思考，最快速响应 ● low：轻度思考，侧重快速响应 ● medium（默认值）：中度思考，平衡速度与思考深度 ● high：深度思考，侧重处理复杂专业问题开启思考后，思考内容通过 reasoning 类型的输出项返回，思考 token 计入 usage.output_tokens_details.reasoning_tokens。
enable_thinking	boolean	否	\	是否开启思考模式，仅推理模型支持。该参数为非 OpenAI 标准参数，reasoning.effort 的优先级高于 enable_thinking，建议优先使用 reasoning.effort。

3.响应参数

名称	类型	必填	描述
id	string	是	本次响应的唯一标识符，格式为 resp_xxx。可用作后续请求的 previous_response_id 以创建多轮对话，也可用于检索/删除/输入项查询接口。
object	string	是	对象类型，固定为 response。
created_at	integer	是	本次请求的 Unix 时间戳（秒）。
status	string	是	响应生成的状态： ● completed：生成完成 ● failed：生成失败 ● in_progress：生成中 ● cancelled：已取消 ● queued：请求排队中 ● incomplete：生成不完整
model	string	是	用于生成响应的模型 ID。
output	object[]	是	模型生成的输出项数组，元素类型和顺序取决于模型的响应。每个输出项都包含 type 与 id 字段： ● type=message：消息类型，包含模型最终生成的回复内容。附加字段： ○ role（string），固定为 assistant。 ○ status（string），可选值 completed、in_progress。 ○ content（array），内容数组，元素包含 type（固定为 output_text）、text（回复文本）、annotations（注释数组，通常为空）。 ● type=reasoning：推理类型，开启思考模式时返回。附加字段： ○ summary（array），思考摘要数组，元素包含 type（固定为 summary_text）和 text（摘要文本）。 ● type=function_call：函数调用类型，使用 function 工具时返回，需要处理函数调用并将结果回传。附加字段： ○ name（string），工具函数名称。 ○ arguments（string），调用参数，JSON 字符串格式，使用前需解析。 ○ call_id（string），工具调用的唯一标识符，回传 function_call_output 时需与其保持一致。 ○ status（string），可选值 completed、in_progress。
usage	object	是	Token 统计信息，格式： { "input_tokens": 整数, // 输入 Token 数（含缓存命中部分） "output_tokens": 整数, // 输出 Token 数（含思考过程） "total_tokens": 整数, // 总 Token 数 "input_tokens_details": { "cached_tokens": 整数, // 缓存命中 Token 数 "cache_creation_input_tokens": 整数, // 本次请求新创建缓存的 Token 数（启用 Session 缓存后返回） "cache_creation": { // 缓存创建详情（启用 Session 缓存后返回） "ephemeral_5m_input_tokens": 整数, // 5 分钟临时缓存新创建的 Token 数 "cache_type": "ephemeral" // 缓存类型，固定为 ephemeral } }, "output_tokens_details": { "reasoning_tokens": 整数 // 思考过程 Token 数 }, "x_details": [ // 计费明细数组，比顶级 usage 字段提供更细粒度的多模态 Token 拆分 { "input_tokens": 整数, // 输入 Token 数 "output_tokens": 整数, // 输出 Token 数 "total_tokens": 整数, // 总 Token 数，为 input_tokens 与 output_tokens 的总和 "x_billing_type": "response_api", // 计费类型，固定为 response_api "image_tokens": 整数, // 图像输入的 Token 数（包含图像输入时返回，等同于 input_tokens_details.image_tokens） "input_tokens_details": { // 输入 Token 的细粒度分类（多模态输入时返回，目前仅区分文本与图像） "text_tokens": 整数, // 文本输入的 Token 数 "image_tokens": 整数 // 图像输入的 Token 数 }, "output_tokens_details": { // 输出 Token 的细粒度分类 "reasoning_tokens": 整数, // 思考过程 Token 数 "text_tokens": 整数 // 文本输出的 Token 数（多模态输入时返回） }, "plugins": { // 内置工具调用统计（使用内置工具时返回，与顶级 x_tools 字段内容相同） "web_search": {"count": 整数} // 联网搜索调用统计，count 为本次响应中联网搜索的调用次数 } } ], "x_tools": { // 内置工具使用统计信息（使用内置工具时返回，包含各工具的调用次数） "web_search": {"count": 整数} // 示例：{"web_search": {"count": 1}} } } 仅部分模型支持上下文缓存。模型未开启缓存或本次请求未命中缓存时，cached_tokens 为 0。缓存命中计费规则详见计费说明。 cache_creation_input_tokens、cache_creation 仅在启用 Session 缓存后返回；含图像输入但未命中缓存时 input_tokens_details 可能返回空对象。x_details、x_tools 为非 OpenAI 标准字段，x_details 仅在部分场景返回，使用时请做好空值兼容。
error	object	否	当模型生成响应失败时返回的错误对象。成功时为 null。
tools	array	否	回显请求中 tools 参数的完整内容，无工具时为空数组。
tool_choice	string	否	回显请求中 tool_choice 参数的值。

4.请求示例

cURL请求示例

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/responses' \
-H 'Content-Type: application/json' \
-H 'Authorization: Bearer <API Key>' \
--data-raw '{
  "model": "qwen3.7-plus",
  "instructions": "你是一个简洁的助手",
  "input": "你好，用一句话介绍你自己",
  "stream": false
}'

Python请求示例

OpenAI SDK

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")

response = client.responses.create(
  model="qwen3.7-plus",
  instructions="你是一个简洁的助手",
  input="你好，用一句话介绍你自己"
)
print(response.output_text)

OpenAI SDK（多轮对话）

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")

# 第一轮对话
response1 = client.responses.create(
  model="qwen3.7-plus",
  input="我叫小明，请记住我的名字。"
)
print(f"第一轮回复: {response1.output_text}")

# 第二轮对话：使用 previous_response_id 关联上下文，无需手动拼接历史消息
response2 = client.responses.create(
  model="qwen3.7-plus",
  input="你还记得我的名字吗？",
  previous_response_id=response1.id
)
print(f"第二轮回复: {response2.output_text}")

REQUESTS

python

import requests
import json

url = "https://api.scnet.cn/api/llm/v1/responses"

payload = json.dumps({
  "model": "qwen3.7-plus",
  "input": [
    {"role": "user", "content": "你好，用一句话介绍你自己"}
  ],
  "stream": False
})
headers = {
  'Content-Type': 'application/json',
  'Authorization': 'Bearer <API Key>'
}

response = requests.request("POST", url, headers=headers, data=payload)
print(response.text)

Nodejs请求示例

OpenAI SDK

javascript

import OpenAI from "openai";

const openai = new OpenAI({
        baseURL: 'https://api.scnet.cn/api/llm/v1',
        apiKey: '<API Key>'
});

async function main() {
  const response = await openai.responses.create({
    model: "qwen3.7-plus",
    input: "你好，用一句话介绍你自己"
  });

  console.log(response.output_text);
}

main();

视觉理解请求示例

Responses 协议使用 input_text、input_image、input_file 内容块，不可使用 Chat Completions 的 text、image_url 内容块名称。以下示例均要求所选模型具备相应的视觉或文档理解能力。

detail=low：使用较低分辨率，适合对速度和成本敏感的场景。
detail=high：保留更多图像细节，适合 OCR、图表和细粒度识别。
detail=auto：由模型自动选择，未传时按模型默认策略处理。

cURL（图片 URL）

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/responses' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "Qwen3.8-Max",
    "input": [{
      "role": "user",
      "content": [
        {"type": "input_text", "text": "图中描绘了什么？"},
        {
          "type": "input_image",
          "detail": "high",
          "image_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
        }
      ]
    }]
  }'

Python（Base64 图片）

python

import base64
from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")
with open("image.jpg", "rb") as image_file:
    image_data = base64.b64encode(image_file.read()).decode("utf-8")

response = client.responses.create(
    model="Qwen3.8-Max",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": "识别图中的内容。"},
            {
                "type": "input_image",
                "detail": "auto",
                "image_url": f"data:image/jpeg;base64,{image_data}"
            }
        ]
    }]
)
print(response.output_text)

Node.js（图片 URL）

javascript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: "<API Key>",
  baseURL: "https://api.scnet.cn/api/llm/v1"
});

const response = await client.responses.create({
  model: "Qwen3.8-Max",
  input: [{
    role: "user",
    content: [
      { type: "input_text", text: "用一句话描述图片。" },
      {
        type: "input_image",
        detail: "low",
        image_url: "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
      }
    ]
  }]
});
console.log(response.output_text);

文件输入（URL）

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/v1/responses' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "<支持文件输入的模型ID>",
    "input": [{
      "role": "user",
      "content": [
        {
          "type": "input_file",
          "filename": "report.pdf",
          "file_url": "https://example.com/report.pdf"
        },
        {"type": "input_text", "text": "总结文档的主要内容。"}
      ]
    }]
  }'

视频说明：Responses 协议当前没有 input_video 内容块，也不支持音频输入。视频理解请调用 /v1/chat/completions，并使用 video_url 或 video 内容块。

5.响应示例

非流式响应示例

json

{
  "id": "resp_2976b65e-3915-9e6b-b6af-cdce652b84eb",
  "object": "response",
  "created_at": 1771165900,
  "status": "completed",
  "model": "qwen3.7-plus",
  "output": [
    {
      "id": "msg_89ad23e6-f128-4d4c-b7a1-a786e7880abc",
      "type": "message",
      "role": "assistant",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "text": "你好！我是一个乐于助人的 AI 助手，可以帮你解答问题、处理文本和完成各类任务。",
          "annotations": []
        }
      ]
    }
  ],
  "parallel_tool_calls": false,
  "tool_choice": "auto",
  "tools": [],
  "usage": {
    "input_tokens": 57,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 44,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 101
  }
}

流式响应示例（stream=true）

流式输出返回一系列 SSE 事件，每个事件包含 type 字段标识事件类型、sequence_number 字段标识事件顺序。主要事件类型：

response.created / response.in_progress：响应创建、开始处理。
response.output_item.added / response.output_item.done：新的输出项（message、reasoning、function_call 等）开始与完成。
response.content_part.added / response.content_part.done：输出项的内容块开始与完成。
response.output_text.delta / response.output_text.done：增量回复文本（多次触发，客户端拼接所有 delta 即可获得完整文本）与文本完成。
response.reasoning_summary_text.delta / response.reasoning_summary_text.done：（开启思考模式时）思考摘要的增量与完成。
response.completed：响应生成完成，response 对象包含完整响应（含 usage），此事件标志流式传输结束。

// response.created - 响应创建
{"response":{"id":"resp_428c90e9-9cd6-90a6-9726-c02b08ebe123","created_at":1769082930,"object":"response","status":"queued"},"sequence_number":0,"type":"response.created"}

// response.in_progress - 响应进行中
{"response":{"id":"resp_428c90e9-9cd6-90a6-9726-c02b08ebe123","status":"in_progress"},"sequence_number":1,"type":"response.in_progress"}

// response.output_item.added - 新增输出项
{"item":{"id":"msg_bcb45d66-fc34-46a2-bb56-714a51e8e456","content":[],"role":"assistant","status":"in_progress","type":"message"},"output_index":0,"sequence_number":2,"type":"response.output_item.added"}

// response.content_part.added - 新增内容块
{"content_index":0,"item_id":"msg_bcb45d66-fc34-46a2-bb56-714a51e8e456","output_index":0,"part":{"annotations":[],"text":"","type":"output_text"},"sequence_number":3,"type":"response.content_part.added"}

// response.output_text.delta - 增量文本（多次触发）
{"content_index":0,"delta":"人工智能","item_id":"msg_bcb45d66-fc34-46a2-bb56-714a51e8e456","output_index":0,"sequence_number":4,"type":"response.output_text.delta"}
{"content_index":0,"delta":"（Artificial Intelligence，","item_id":"msg_bcb45d66-fc34-46a2-bb56-714a51e8e456","output_index":0,"sequence_number":5,"type":"response.output_text.delta"}

// response.output_text.done - 文本完成
{"content_index":0,"item_id":"msg_bcb45d66-fc34-46a2-bb56-714a51e8e456","output_index":0,"sequence_number":53,"text":"人工智能（Artificial Intelligence，简称 AI）是指由计算机系统模拟人类智能行为的技术和科学...","type":"response.output_text.done"}

// response.content_part.done - 内容块完成
{"content_index":0,"item_id":"msg_bcb45d66-fc34-46a2-bb56-714a51e8e456","output_index":0,"part":{"annotations":[],"text":"...完整文本...","type":"output_text"},"sequence_number":54,"type":"response.content_part.done"}

// response.output_item.done - 输出项完成
{"item":{"id":"msg_bcb45d66-fc34-46a2-bb56-714a51e8e456","content":[{"annotations":[],"text":"...完整文本...","type":"output_text"}],"role":"assistant","status":"completed","type":"message"},"output_index":0,"sequence_number":55,"type":"response.output_item.done"}

// response.completed - 响应完成（包含完整响应和 usage）
{"response":{"id":"resp_428c90e9-9cd6-90a6-9726-c02b08ebe123","created_at":1769082930,"model":"qwen3.7-plus","object":"response","output":[...],"status":"completed","usage":{"input_tokens":37,"output_tokens":243,"total_tokens":280}},"sequence_number":56,"type":"response.completed"}

检索响应

shell

GET https://api.scnet.cn/api/llm/v1/responses/{response_id}

1.功能介绍

根据 Response ID 获取一个已完成的模型响应。仅当原创建请求中 store=true 时返回的 Response ID 可被检索。

注意：响应的存储有一定有效期，请在响应生成后及时查询，过期后接口将返回 Response ID 不存在的错误。

2.请求参数

名称	类型	必填	示例值
Authorization	string	是	Bearer <API Key>

Path 参数

名称	类型	必填	描述
response_id	string	是	要获取的 Response ID，格式为 resp_xxx，来自创建响应接口返回的 id 字段。

3.响应参数

返回与创建响应接口相同的 Response 对象（含 id、object、status、created_at、model、output、usage 等字段，字段含义见创建响应的响应参数说明），并额外回显原创建请求中的采样参数（temperature、top_p 等）与 store、metadata 等字段。

4.请求示例

cURL请求示例

shell

curl -L -X GET 'https://api.scnet.cn/api/llm/v1/responses/resp_xxx' \
-H 'Authorization: Bearer <API Key>'

Python请求示例

OpenAI SDK

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")

response = client.responses.retrieve("resp_xxx")
print(response)

5.响应示例

json

{
  "id": "resp_801bc2c4-93d9-910f-b35d-5274f5a737c1",
  "object": "response",
  "status": "completed",
  "created_at": 1778676418,
  "completed_at": 1778676420,
  "model": "qwen3.7-plus",
  "output": [
    {
      "id": "msg_8c54756c-9b65-4a95-81d7-4276d91406db",
      "type": "message",
      "role": "assistant",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "text": "你好！很高兴见到你。有什么我可以帮助你的吗？",
          "annotations": []
        }
      ]
    }
  ],
  "store": true,
  "tool_choice": "auto",
  "tools": [],
  "usage": {
    "input_tokens": 45,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 63,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 108
  }
}

当指定的 Response ID 不存在或已过期时，返回以下错误：

json

{
    "error": {
        "message": "Response with id 'resp_xxx' not found.",
        "type": "InvalidParameter"
    }
}

删除响应

shell

DELETE https://api.scnet.cn/api/llm/v1/responses/{response_id}

1.功能介绍

根据 Response ID 删除一个已存储的模型响应。仅当原创建请求中 store=true 时返回的 Response ID 可被删除。

2.请求参数

名称	类型	必填	示例值
Authorization	string	是	Bearer <API Key>

Path 参数

名称	类型	必填	描述
response_id	string	是	要删除的 Response ID，格式为 resp_xxx。

3.响应参数

名称	类型	描述
id	string	被删除的 Response ID。
deleted	boolean	是否删除成功，成功为 true。

4.请求示例

cURL请求示例

shell

curl -L -X DELETE 'https://api.scnet.cn/api/llm/v1/responses/resp_xxx' \
-H 'Authorization: Bearer <API Key>'

Python请求示例

OpenAI SDK

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")

response = client.responses.delete("resp_xxx")
print(response)

5.响应示例

json

{
  "id": "resp_4ca7fa5e-6ff5-9787-bc18-af6ca5eff36c",
  "deleted": true
}

查询输入项列表

shell

GET https://api.scnet.cn/api/llm/v1/responses/{response_id}/input_items

1.功能介绍

获取生成指定 Response 时所使用的输入项列表。在多轮对话（使用 previous_response_id 串联）中，会一并返回历史轮次的用户输入和模型回复。仅当原创建请求中 store=true 时返回的 Response ID 支持查询。

2.请求参数

名称	类型	必填	示例值
Authorization	string	是	Bearer <API Key>

Path 参数

名称	类型	必填	描述
response_id	string	是	要查询输入项的 Response ID，格式为 resp_xxx。

Query 参数

名称	类型	必填	默认值	描述
after	string	否	\	以指定的输入项 ID（格式为 msg_xxx）作为起点，返回排在该 ID 之后的数据，顺序由 order 决定。常用于翻页：把上一次返回的 last_id 作为本次的 after 传入，即可继续获取后续数据。
limit	integer	否	20	返回的最大条数，取值范围 [1, 100]。
order	string	否	desc	排序方式，支持 asc（升序）和 desc（降序）。

3.响应参数

名称	类型	描述
data	object[]	输入项列表。每个元素是一个消息对象，包含 id、role、content、type、status 字段。role 取值为 user 或 assistant；content 中元素的 type 取值为 input_text（用户输入）或 output_text（模型回复）。多轮对话中按发生顺序包含历史用户消息与历史模型回复。
first_id	string	列表中第一个元素的 ID。
last_id	string	列表中最后一个元素的 ID。
has_more	boolean	是否还有未返回的数据。当为 true 时，把本次返回的 last_id 作为下一次请求的 after 参数，可继续获取后续数据。
id	string	对应的 Response ID。
model	string	生成该 Response 时使用的模型名称。
created_at	integer	Response 创建时间的 Unix 时间戳（毫秒）。注意：与创建响应/检索响应接口返回的 created_at（秒）单位不同。
previous_response_id	string	多轮对话（使用 previous_response_id 串联）时返回，值为上一轮的 Response ID。

4.请求示例

cURL请求示例

shell

curl -L -X GET 'https://api.scnet.cn/api/llm/v1/responses/resp_xxx/input_items?after=msg_xxx&limit=10&order=asc' \
-H 'Authorization: Bearer <API Key>'

Python请求示例

OpenAI SDK

python

from openai import OpenAI

client = OpenAI(api_key="<API Key>", base_url="https://api.scnet.cn/api/llm/v1")

response = client.responses.input_items.list("resp_xxx")
print(response.data)

5.响应示例

json

{
  "id": "resp_4ca7fa5e-6ff5-9787-bc18-af6ca5eff36c",
  "model": "qwen3.7-plus",
  "created_at": 1778674066000,
  "data": [
    {
      "id": "msg_8dac4972-fdba-42b5-bed9-280441ced8ea",
      "type": "message",
      "role": "user",
      "status": "completed",
      "content": [
        {
          "type": "input_text",
          "text": "你好"
        }
      ]
    }
  ],
  "first_id": "msg_8dac4972-fdba-42b5-bed9-280441ced8ea",
  "last_id": "msg_8dac4972-fdba-42b5-bed9-280441ced8ea",
  "has_more": false
}

Anthropic 协议

shell

POST https://api.scnet.cn/api/llm/anthropic/v1/messages

1.功能介绍

兼容 Anthropic 协议的对话补全能力，根据输入的上下文生成符合 Anthropic 规范的对话响应。

2.请求参数

名称	类型	必填	示例值	描述
Content-Type	string	是	application/json	请求体内容类型
Authorization	string	是	Bearer <API Key>	身份验证，格式为 Bearer + API Key
anthropic-version	string	否	2023-06-01	anthropic版本，可不填

Body 参数

名称	类型	支持状态	必填	描述
model	string	支持	是	使用的模型 ID。支持范围包括平台已接入的千问、DeepSeek、Kimi、GLM、MiniMax 等模型，实际可用模型及能力以控制台 → 模型列表为准。图片和视频内容块仅对视觉模型生效。
messages	array	部分支持	是	支持文本、工具调用，以及视觉模型的图片和视频输入；暂不支持 type=document 文档内容块。 - 每个消息包含 role（user/assistant）和 content 字段 - content 可以是字符串或结构化内容数组 - 以 user 消息开头，user 和 assistant 按对话顺序交替出现 - 系统提示词需通过 system 字段传递，而非 messages 中的 system 角色
max_tokens	integer	支持	是	模型生成的最大 token 数
stream	boolean	支持	否	是否开启流式响应
system	string/array	支持	否	系统提示词，用于设定模型的行为和规则
temperature	number	支持	否	采样温度，取值范围 (0.0, 1.0]，控制输出随机性，较高的值增加随机性，较低的值更确定, 建议取值 1
tool_choice	string/object	支持	否	工具选择策略
tools	array	支持	否	工具定义。每个工具必须包含input_schema，否则会报错。已知Claude Code自带的web_search工具不支持
top_p	number	支持	否	核采样参数
metadata	object	支持	否	自定义元数据，Anthropic 协议兼容字段，格式为 {"user_id": "xxx"}，用于标识用户，无实际业务逻辑影响
thinking	object	支持	否	思考模式配置 type 取值： - enabled：开启思考模式，模型在生成回复前会先进行推理，以提升回答准确度。可设置 budget_tokens限制思考过程的 Token 上限。 - disabled：关闭思考模式。仅DeepSeek V4系列模型支持
reasoning_effort	object	支持	否	控制模型的推理强度。可选值：high、max，默认为max。仅DeepSeek V4系列模型支持
stop_sequences	array	忽略	否	该参数会被忽略
top_k	number	忽略	否	该参数会被忽略
service_tier	string	忽略	否	该参数会被忽略
mcp_servers	array	忽略	否	该参数会被忽略
context_management	object	忽略	否	该参数会被忽略
container	object	忽略	否	该参数会被忽略

Messages 字段支持说明

字段类型	支持状态	必填	描述
type="text"	支持	是	文本消息
type="tool_use"	支持	否	工具调用
type="tool_result"	支持	否	工具调用结果
type="thinking"	不支持	否	推理内容
type="image"	条件支持	否	图片输入，仅视觉模型生效。通过 source 传入公网 URL 或 Base64 数据。
type="video"	条件支持	否	视频输入，仅支持视频理解的视觉模型生效。通过 source 传入公网 URL 或 Base64 数据。
type="document"	不支持	否	暂不支持 Anthropic 的文档内容块。请使用 Responses 协议的 input_file；或将文档转为图片后，通过 Chat Completions 协议传入。

图片和视频内容块的 source 字段说明：

字段	类型	必填	说明
`source.type`	string	是	`url` 表示公网 URL，`base64` 表示 Base64 编码。
`source.url`	string	条件必填	`source.type=url` 时必填，URL 必须能够被模型服务访问。
`source.media_type`	string	条件必填	`source.type=base64` 时必填，例如 `image/jpeg`、`image/png`、`video/mp4`。
`source.data`	string	条件必填	`source.type=base64` 时必填，只传 Base64 编码本体，不包含 `data:...;base64,` 前缀。

3.响应参数

名称	类型	必填	描述
id	string	是	对话唯一标识符，格式兼容 Anthropic 规范（如 msg_xxxx）。
type	string	是	响应类型，固定为 "message"（Anthropic 规范）。
role	string	是	响应消息的角色，固定为 "assistant"。
content	array	是	模型生成的内容列表，每个元素为 {"type": "text", "text": "生成内容"} 格式。
model	string	是	生成响应的模型名，兼容 Anthropic 模型名格式。
stop_reason	string	是	停止生成原因，映射原 finish_reason： - "end_turn"：对应 stop - "max_tokens"：对应 length - "content_filter"：对应 content_filter - "error"：对应 insufficient_system_resource
usage	object	是	Token 统计信息，格式： { "input_tokens": 整数, // 输入 token 数（不包含缓存tokens） "output_tokens": 整数, // 输出 token 数 "cache_read_input_tokens": 整数, // 缓存命中 token 数（从缓存读取的输入 token） "cache_creation_input_tokens": 整数, // 缓存写入 token 数（本次请求写入缓存的输入 token） "output_tokens_details": { "thinking_tokens": 整数 // 思考（推理）token 数 } } 注意：与 OpenAI 协议不同（cached_tokens 是 prompt_tokens 的子集），Anthropic 协议中 input_tokens 不包含缓存部分，输入总 token 数 = input_tokens + cache_read_input_tokens + cache_creation_input_tokens。仅部分模型支持上下文缓存，未开启缓存或未命中时缓存字段为 0。

4.请求示例

cURL请求示例

shell

curl https://api.scnet.cn/api/llm/anthropic/v1/messages \
  -H "Content-Type: application/json" \
  -H "anthropic-version: 2023-06-01" \
  -H "Authorization: Bearer <API KEY>" \
  -d '{
      "messages":  [
        {"role": "user", "content": "你好"}
      ],
      "model": "MiniMax-M2.5",
      "max_tokens":196000,
      "stream": false
    }'

Python请求示例

python

import requests
import json

url = "https://api.scnet.cn/api/llm/anthropic/v1/messages"

payload = json.dumps({
    "messages":  [
        {"role": "user", "content": "你好"}
    ],
    "model": "MiniMax-M2.5",
    "max_tokens":196000,
    "stream": false
})
headers = {
  'Content-Type': 'application/json',
  'Authorization': 'Bearer <API Key>'
}

response = requests.request("POST", url, headers=headers, data=payload)
print(response.text)

图片 URL 请求示例

shell

curl -L -X POST 'https://api.scnet.cn/api/llm/anthropic/v1/messages' \
  -H 'Content-Type: application/json' \
  -H 'anthropic-version: 2023-06-01' \
  -H 'Authorization: Bearer <API Key>' \
  --data-raw '{
    "model": "Qwen3.8-Max",
    "max_tokens": 1024,
    "messages": [{
      "role": "user",
      "content": [
        {
          "type": "image",
          "source": {
            "type": "url",
            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
          }
        },
        {"type": "text", "text": "图中描绘了什么？"}
      ]
    }],
    "stream": false
  }'

Base64 图片请求示例

python

import base64
import requests

with open("image.jpg", "rb") as image_file:
    image_data = base64.b64encode(image_file.read()).decode("utf-8")

response = requests.post(
    "https://api.scnet.cn/api/llm/anthropic/v1/messages",
    headers={
        "Content-Type": "application/json",
        "anthropic-version": "2023-06-01",
        "Authorization": "Bearer <API Key>"
    },
    json={
        "model": "Qwen3.8-Max",
        "max_tokens": 1024,
        "messages": [{
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": "image/jpeg",
                        "data": image_data
                    }
                },
                {"type": "text", "text": "识别图片中的内容。"}
            ]
        }]
    }
)
print(response.json())

视频输入使用同样的 source 结构，将内容块类型改为 video，并使用视频 MIME Type：

json

{
  "type": "video",
  "source": {
    "type": "url",
    "url": "https://example.com/video.mp4"
  }
}

5.响应示例

json

{
    "id": "chatcmpl-f0ef02e4e54c628bd05fea07cd0b178e",
    "type": "message",
    "role": "assistant",
    "content": [
        {
            "type": "text",
            "text": "\n\n你好！有什么我可以帮助你的吗？"
        }
    ],
    "model": "MiniMax-M2.5",
    "stop_reason": "end_turn",
    "usage": {
        "input_tokens": 40,
        "output_tokens": 30,
        "cache_read_input_tokens": 20,
        "cache_creation_input_tokens": 0,
        "output_tokens_details": {
            "thinking_tokens": 0
        }
    }
}

流式响应示例（stream=true）

event: message_start
data: {"type":"message_start","message":{"id":"chatcmpl-17559d29890659196503f551da1f0ef4","content":[],"model":"MiniMax-M2.5","usage":{"input_tokens":40,"output_tokens":0,"cache_read_input_tokens":20,"cache_creation_input_tokens":0}}}

event: content_block_start
data: {"type":"content_block_start","content_block":{"type":"text","text":""},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":">\n"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"\n你"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"好"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"！有什"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"么我可"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"以帮"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"助你"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"的"},"index":0}

event: content_block_delta
data: {"type":"content_block_delta","delta":{"type":"text_delta","text":"吗"},"index":0}

event: content_block_stop
data: {"type":"content_block_stop","index":0}

event: message_delta
data: {"type":"message_delta","delta":{"stop_reason":"end_turn"},"usage":{"input_tokens":40,"output_tokens":29}}

event: message_stop
data: {"type":"message_stop"}

data: [DONE]

图像生成

视频生成

音频

接口说明 ​

文本生成 ​

OpenAI Completions协议 ​

1.功能介绍 ​

2.请求参数 ​

Header 参数 ​

Body 参数 ​

3.响应参数 ​

4.请求示例 ​

cURL请求示例 ​

Python请求示例 ​

Go请求示例 ​

Nodejs请求示例 ​

5.响应示例 ​

6.视觉理解与多模态输入 ​

支持的模型 ​

messages.content 内容块 ​

单图输入（cURL） ​

单图输入（Python） ​

单图输入（Node.js） ​

多图输入 ​

Base64 图片输入 ​

图片输入限制 ​

视频输入 ​

视频文件 URL ​

视频帧列表 ​

视频输入限制 ​

音频输入 ​

公网音频 URL ​

Base64 音频 ​

多模态多轮对话 ​

cURL 示例 ​

Python 示例（含流式续问） ​

Node.js 示例 ​

OpenAI Responses API协议 ​

创建响应 ​

1.功能介绍 ​

2.请求参数 ​

Header 参数 ​

Body 参数 ​

3.响应参数 ​

4.请求示例 ​

cURL请求示例 ​

Python请求示例 ​

Nodejs请求示例 ​

视觉理解请求示例 ​

5.响应示例 ​

非流式响应示例 ​

流式响应示例（stream=true） ​

检索响应 ​

1.功能介绍 ​

2.请求参数 ​

Header 参数 ​

Path 参数 ​

3.响应参数 ​

4.请求示例 ​

cURL请求示例 ​

Python请求示例 ​

5.响应示例 ​

删除响应 ​

1.功能介绍 ​

2.请求参数 ​

Header 参数 ​

Path 参数 ​

3.响应参数 ​

4.请求示例 ​

cURL请求示例 ​

Python请求示例 ​

5.响应示例 ​

查询输入项列表 ​

1.功能介绍 ​

2.请求参数 ​

Header 参数 ​

Path 参数 ​

Query 参数 ​

3.响应参数 ​

4.请求示例 ​

接口说明

文本生成

OpenAI Completions协议

1.功能介绍

2.请求参数

Header 参数

Body 参数

3.响应参数

4.请求示例

cURL请求示例

Python请求示例

Go请求示例

Nodejs请求示例

5.响应示例

6.视觉理解与多模态输入

支持的模型

messages.content 内容块

单图输入（cURL）

单图输入（Python）

单图输入（Node.js）

多图输入

Base64 图片输入

图片输入限制

视频输入

视频文件 URL

视频帧列表

视频输入限制

音频输入

公网音频 URL

Base64 音频

多模态多轮对话

cURL 示例

Python 示例（含流式续问）

Node.js 示例

OpenAI Responses API协议

创建响应

1.功能介绍

2.请求参数

Header 参数

Body 参数

3.响应参数

4.请求示例

cURL请求示例

Python请求示例

Nodejs请求示例

视觉理解请求示例

5.响应示例

非流式响应示例

流式响应示例（stream=true）

检索响应

1.功能介绍

2.请求参数

Header 参数

Path 参数

3.响应参数

4.请求示例

cURL请求示例

Python请求示例

5.响应示例

删除响应

1.功能介绍

2.请求参数

Header 参数

Path 参数

3.响应参数

4.请求示例

cURL请求示例

Python请求示例

5.响应示例

查询输入项列表

1.功能介绍

2.请求参数

Header 参数

Path 参数

Query 参数

3.响应参数

4.请求示例

cURL请求示例

Python请求示例

5.响应示例