Tencent Hunyuan Hy4 Preview API 接口、参数 & 代码示例

tencent/hy4-preview

Hy4 preview是腾讯混元发布的新一代开源旗舰大模型,总参数770B、激活49B、上下文1M,面向软件工程、办公分析、游戏开发和科学研究等真实生产力场景。Hy4 preview 在模型尺寸、上下文长度和数据规模上都做了显著扩展。预训练与后训练共同推进,智能水平再上一个台阶,稳居开源模型第一梯队。

模型 ID
tencent/hy4-preview
模型系列
Hunyuan
更新日期
模型能力
Agent、Coding、深度思考
上下文长度
1024 K
模型价格(每 1000 tokens 输入)
¥ 0.006
模型价格(每 1000 tokens 输出)
¥ 0.018

Tencent Hunyuan Hy4 Preview 模型介绍:

Hy4 preview是腾讯混元发布的新一代开源旗舰大模型,总参数770B、激活49B、上下文1M,面向软件工程、办公分析、游戏开发和科学研究等真实生产力场景。Hy4 preview 在模型尺寸、上下文长度和数据规模上都做了显著扩展。预训练与后训练共同推进,智能水平再上一个台阶,稳居开源模型第一梯队。

模型采用混合专家(MoE)架构:主干 78 层,第一层为标准 FFN,其余 77 层为 MoE,每层 256 个路由专家和 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数 10B,激活 0.7B),用于投机解码。注意力侧采用 Gated DSA,并引入 IndexCache 跨层复用稀疏索引;残差侧采用 iHC,扩展层间信息通路。词表大小 120,832。

调用时默认开启深度思考,适合数学、编程和复杂推理;日常对话也可关闭思考、直接作答。推荐采样参数为 temperature 0.9、top_p 1.0。


为生产力而生:

Hy4 preview 与腾讯内部软件工程、游戏、金融、安全等领域顶尖专家共同建设高质量数据,面向真实工作流打磨能力。

软件工程:增强长程开发任务的理解、规划、调试与验证,进一步提升前端开发的视觉审美和交互质量。

办公分析:显著提升复杂办公环境理解和金融分析能力,着重优化数据分析与跨文件协作,完成从信息处理到文档、表格与演示文稿交付的完整流程。

游戏开发:增强一句需求直接生成可玩原型的能力,并能熟练使用游戏引擎,开发者可以通过多轮交互持续完善复杂项目。

科学研究:显著提升复杂科研问题的理解、推理与求解能力,在 AI 研发、分子动力学模拟、凝聚态物理、基础数学等场景中均有长足进步。

163 名内部专家对 203 个工程任务进行了盲测:Hy4 preview 均分 2.99/4.00,优于 GLM-5.3(2.92/4.00;胜 46.8% / 平 12.8% / 负 40.4%)和 Kimi K3(2.94/4.00;胜 51.2% / 平 7.9% / 负 40.9%)。


真实场景里能做成什么:

制作射击游戏

通过 MCP 接入 Unreal 5 引擎,纯对话从零制作射击游戏 Demo,覆盖环境美术、玩法与关卡搭建。

制作第三人称冒险游戏

在团结(Unity)引擎中,对话式从零制作第三人称企鹅冒险 Demo,包括场景环境美术、移动战斗与任务追踪,以及主菜单—加载—关卡三场景流程。

古建筑数字孪生网站

基于 Three.js 做参数化程序化建模,用 Canvas 程序生成 IBL 与纹理,按模型取景覆盖,生成桌面优先、全视口、可交互的古建筑数字卷宗网站。

《鹅来》横向互动漫画网页

生成原生 WebGL 页面,滚动驱动相机沿 X 轴推进。模型能够维持多章节角色画风和叙事连续性,同时准确编排分镜空间、镜头节奏及移动端性能。

公司财务费用稽核

从 72 份文件中自动判断发票是否合规,从 3 份规章制度中找到现行生效规则,严格甄别报销申请。

金融世界沙盒

展示金融研究、产业链理解、因果推演和估值分析:当一个宏观事件发生时,作用如何传导到行业供需、产业链、关键公司以及行业价值分配,路径清晰可观察。

自主优化推理基础设施

自主分析推理系统瓶颈,围绕算子融合、通信优化等方向多轮迭代,端到端吞吐相较基线提升 31.8%,在不同上下文长度和并发度下均取得稳定收益。

小模型后训练

像研究者一样管理多个 Codex Session 开展实验,并根据结果持续调整方向。作为 researcher 协调 Codex 同时优化多个评测目标,在 8 项评测上均优于 Codex 独立探索。

机器学习力场分子动力学模拟

配合 Hyra,在 32,512 原子磷脂双分子层 SO3LR 任务上,于高度优化的 JAX 实现上进一步提速 2.0×,达到 54.9 ms/step,单张高端 GPU 可容纳 30 万原子,为新材料筛选、药物分子研究和复杂生命体系模拟打开更大计算空间。

低温量子输运器件设计

面向凝聚态物理中的低温量子输运器件设计:希望每个时钟周期只有携带有效信号的目标电子波包抵达下游能量探测器,低能背景和高能杂散波包在到达前被反射。Hy4 preview 自主完成量子散射求解器构建、五势垒结构稳健优化和独立含时演化验证,将高能阻带平均泄漏率从基线 48.2% 降至 4.8%,并自动生成封装完整求解流程、支持调参与重新求解的交互式模拟器。

经典几何难题

配合 Hyra,在三维 Blaschke–Lebesgue 问题上将体积下界从 0.380799 推进至 0.41104。相较于 Meissner 四面体猜想给出的 0.41986,距离最终证明还剩约 2% 的 gap。完整证明见:3d_Blaschke_Lebesgue.pdf

API 接口地址:

  • Chat Completions API:

    https://wcode.net/api/gpt/v1/chat/completions

  • Responses API(部分模型可能不支持此API):

    https://wcode.net/api/gpt/v1/responses

  • Anthropic API:

    https://wcode.net/api/anthropic/v1/messages

此 API 接口兼容 OpenAI 的 API 接口规范,可直接使用 OpenAI 的 SDK 来调用各个模型。仅需替换以下配置即可:

  1. base_url 替换为 https://wcode.net/api/gpt/v1
  2. api_key 替换为从 https://platform.wcode.net 获取到的 API Key

具体可参考下方的各编程语言代码示例中的 OpenAI SDK 调用示例。

此模型支持 Anthropic / Claude 的 API 接口规范,可直接使用 Anthropic 的 SDK 来调用此模型。仅需替换以下配置即可:

  1. ANTHROPIC_BASE_URL 替换为 https://wcode.net/api/anthropic
  2. ANTHROPIC_API_KEY(或 ANTHROPIC_AUTH_TOKEN)替换为从 https://platform.wcode.net 获取到的 API Key
  3. ANTHROPIC_MODEL(或model)替换为 tencent/hy4-preview

请求方法:

POST

各编程语言代码示例:

# TODO: 以下代码中的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
    "model": "tencent/hy4-preview",
    "messages": [
        {
            "role": "user",
            "content": "你好"
        }
    ]
}'
import Foundation

let headers = [
  "Authorization": "Bearer API_KEY",  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  "content-type": "application/json"
]
let parameters = [
  "model": "tencent/hy4-preview",
  "messages": [
    [
      "role": "user",
      "content": "你好"
    ]
  ]
] as [String : Any]

let postData = JSONSerialization.data(withJSONObject: parameters, options: [])

let request = NSMutableURLRequest(url: NSURL(string: "https://wcode.net/api/gpt/v1/chat/completions")! as URL,
                                        cachePolicy: .useProtocolCachePolicy,
                                    timeoutInterval: 60.0)
request.httpMethod = "POST"
request.allHTTPHeaderFields = headers
request.httpBody = postData as Data

let session = URLSession.shared
let dataTask = session.dataTask(with: request as URLRequest, completionHandler: { (data, response, error) -> Void in
  if (error != nil) {
    print(error as Any)
  } else {
    let httpResponse = response as? HTTPURLResponse
    print(httpResponse)
  }
})

dataTask.resume()
var headers = {
  'Content-Type': 'application/json',
  'Authorization': 'Bearer API_KEY'  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
};
var request = http.Request('POST', Uri.parse('https://wcode.net/api/gpt/v1/chat/completions'));
request.body = json.encode({
  "model": "tencent/hy4-preview",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
});
request.headers.addAll(headers);

http.StreamedResponse response = await request.send();

if (response.statusCode == 200) {
  print(await response.stream.bytesToString());
}
else {
  print(response.reasonPhrase);
}
require 'uri'
require 'net/http'

url = URI("https://wcode.net/api/gpt/v1/chat/completions")

http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true

request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer API_KEY'  # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request["content-type"] = 'application/json'
request.body = "{\"model\":\"tencent/hy4-preview\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}"

response = http.request(request)
puts response.read_body
use serde_json::json;
use reqwest;

#[tokio::main]
pub async fn main() {
  let url = "https://wcode.net/api/gpt/v1/chat/completions";

  let payload = json!({
    "model": "tencent/hy4-preview",
    "messages": (
      json!({
        "role": "user",
        "content": "你好"
      })
    )
  });

  let mut headers = reqwest::header::HeaderMap::new();
  headers.insert("Authorization", "Bearer API_KEY".parse().unwrap());  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  headers.insert("content-type", "application/json".parse().unwrap());

  let client = reqwest::Client::new();
  let response = client.post(url)
    .headers(headers)
    .json(&payload)
    .send()
    .await;

  let results = response.unwrap()
    .json::<serde_json::Value>()
    .await
    .unwrap();

  dbg!(results);
}
CURL *hnd = curl_easy_init();

curl_easy_setopt(hnd, CURLOPT_CUSTOMREQUEST, "POST");
curl_easy_setopt(hnd, CURLOPT_URL, "https://wcode.net/api/gpt/v1/chat/completions");

struct curl_slist *headers = NULL;
headers = curl_slist_append(headers, "Authorization: Bearer API_KEY");  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers = curl_slist_append(headers, "content-type: application/json");
curl_easy_setopt(hnd, CURLOPT_HTTPHEADER, headers);

curl_easy_setopt(hnd, CURLOPT_POSTFIELDS, "{\"model\":\"tencent/hy4-preview\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");

CURLcode ret = curl_easy_perform(hnd);
package main

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

func main() {
  url := "https://wcode.net/api/gpt/v1/chat/completions"

  payload := strings.NewReader("{\"model\":\"tencent/hy4-preview\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}")

  req, _ := http.NewRequest("POST", url, payload)

  req.Header.Add("Authorization", "Bearer API_KEY")  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  req.Header.Add("content-type", "application/json")

  res, _ := http.DefaultClient.Do(req)

  defer res.Body.Close()
  body, _ := io.ReadAll(res.Body)

  fmt.Println(res)
  fmt.Println(string(body))
}
using System.Net.Http.Headers;


var client = new HttpClient();

var request = new HttpRequestMessage(HttpMethod.Post, "https://wcode.net/api/gpt/v1/chat/completions");

request.Headers.Add("Authorization", "Bearer API_KEY");  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net

request.Content = new StringContent("{\"model\":\"tencent/hy4-preview\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", null, "application/json");

var response = await client.SendAsync(request);

response.EnsureSuccessStatusCode();

Console.WriteLine(await response.Content.ReadAsStringAsync());
var client = new RestClient("https://wcode.net/api/gpt/v1/chat/completions");

var request = new RestRequest("", Method.Post);

request.AddHeader("Authorization", "Bearer API_KEY");  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net

request.AddHeader("content-type", "application/json");

request.AddParameter("application/json", "{\"model\":\"tencent/hy4-preview\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", ParameterType.RequestBody);

var response = client.Execute(request);
const axios = require('axios');

let data = JSON.stringify({
  "model": "tencent/hy4-preview",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
});

let config = {
  method: 'post',
  maxBodyLength: Infinity,
  url: 'https://wcode.net/api/gpt/v1/chat/completions',
  headers: {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer API_KEY'  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  },
  data : data
};

axios.request(config).then((response) => {
  console.log(JSON.stringify(response.data));
}).catch((error) => {
  console.log(error);
});
OkHttpClient client = new OkHttpClient();

MediaType mediaType = MediaType.parse("application/json");

RequestBody body = RequestBody.create(mediaType, "{\"model\":\"tencent/hy4-preview\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");

Request request = new Request.Builder()
  .url("https://wcode.net/api/gpt/v1/chat/completions")
  .post(body)
  .addHeader("Authorization", "Bearer API_KEY")  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  .addHeader("content-type", "application/json")
  .build();

Response response = client.newCall(request).execute();
$client = new \GuzzleHttp\Client();

$headers = [
  'Content-Type' => 'application/json',
  'Authorization' => 'Bearer API_KEY',  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
];

$body = '{
  "model": "tencent/hy4-preview",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
}';

$request = new \GuzzleHttp\Psr7\Request('POST', 'https://wcode.net/api/gpt/v1/chat/completions', $headers, $body);

$response = $client->sendAsync($request)->wait();

echo $response->getBody();
$curl = curl_init();

curl_setopt_array($curl, [
  CURLOPT_URL => "https://wcode.net/api/gpt/v1/chat/completions",
  CURLOPT_RETURNTRANSFER => true,
  CURLOPT_ENCODING => "",
  CURLOPT_MAXREDIRS => 5,
  CURLOPT_TIMEOUT => 300,
  CURLOPT_CUSTOMREQUEST => "POST",
  CURLOPT_POSTFIELDS => json_encode([
    'model' => 'tencent/hy4-preview',
    'messages' => [
      [
        'role' => 'user',
        'content' => '你好'
      ]
    ]
  ]),
  CURLOPT_HTTPHEADER => [
    "Authorization: Bearer API_KEY",  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
    "content-type: application/json",
  ],
]);

$response = curl_exec($curl);
$error = curl_error($curl);

curl_close($curl);

if ($error) {
  echo "cURL Error #:" . $error;
} else {
  echo $response;
}
import requests
import json

url = "https://wcode.net/api/gpt/v1/chat/completions"

payload = {
  "model": "tencent/hy4-preview",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
}

headers = {
  "Authorization": "Bearer API_KEY",  # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  "content-type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

print(json.dumps(response.json(), indent=4, ensure_ascii=False))
from openai import OpenAI

client = OpenAI(
  base_url="https://wcode.net/api/gpt/v1",
  api_key="API_KEY"  # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
)

completion = client.chat.completions.create(
  model="tencent/hy4-preview",
  messages=[
    {
      "role": "user",
      "content": "你好"
    }
  ]
)

print(completion.choices[0].message.content)

各 AI 产品/工具/第三方应用接入示例:

配置 Hermes Agent 使用 Tencent Hunyuan Hy4 Preview 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

方式一:交互式配置

在命令行输入 hermes model,然后选择 Custom endpoint 选项,根据交互式命令引导,分别配置以下信息:

  • API base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model:tencent/hy4-preview

方式二:手动配置

修改 config.yaml(通常位于~/.hermes/config.yaml

model:
  default: "tencent/hy4-preview"
  provider: custom
  base_url: "https://wcode.net/api/gpt/v1"
  api_key: "<API_KEY>"
  context_length: 1024000

配置完成后,就可以开始使用 Hermes Agent ~

配置 Roo Code 使用 Tencent Hunyuan Hy4 Preview 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

  • API Provider:OpenAI Compatible
  • Base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model:tencent/hy4-preview

配置完成后,就可以开始使用 Roo Code ~

配置 Kilo Code 使用 Tencent Hunyuan Hy4 Preview 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

选择 Use your own API key,然后配置以下信息:

  • API Provider:OpenAI Compatible
  • Base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model:tencent/hy4-preview

配置完成后,就可以开始使用 Kilo Code ~

配置 Cline 使用 Tencent Hunyuan Hy4 Preview 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

  • API Provider:OpenAI Compatible
  • Base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model ID:tencent/hy4-preview

配置完成后,就可以开始使用 Cline ~

注:以下安装和配置过程以 Ubuntu Server 24.04 (root 用户) + Node 22 安装 OpenClaw 🦞 2026.3.8 为例

安装 🦞 OpenClaw(龙虾),步骤如下:

  1. 命令行执行 npm install -g openclaw@latest
  2. 命令行执行 openclaw onboard --install-daemon
  3. I understand this is personal-by-default and shared/multi-user use requires lock-down. Continue? 选择 yes
  4. Onboarding mode 选择 QuickStart
  5. Model/auth provider 选择 Skip for now
  6. Default model 选择 Keep current (default: ...)
  7. Select channel (QuickStart) 选择 Skip for now
  8. Web search 选择 Skip for now
  9. Configure skills now? (recommended) 选择 No
  10. Enable hooks? (这是一个多选,按空格键可选中选项)按空格键选中 📝 command-logger💾 session-memory 这两个选项,然后按回车键进入下一步
  11. (如有) How do you want to hatch your bot? 选择 Hatch in TUI (recommended)

配置 🦞 OpenClaw(龙虾)使用 Tencent Hunyuan Hy4 Preview 模型:

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

推荐方式:修改 openclaw.json(通常位于~/.openclaw/openclaw.json

找到openclaw.json的第一层级的modelsagents属性(如果没有则在第一层级添加modelsagents属性),改为如下配置:

{
  ...其他配置,

  "models": {
      "mode": "merge",
      "providers": {
          "wcode": {
              "baseUrl": "https://wcode.net/api/gpt/v1",
              "apiKey": "<API_KEY>",
              "api": "openai-completions",
              "models": [
                  {
                      "id": "tencent/hy4-preview",
                      "name": "Tencent Hunyuan Hy4 Preview",
                      "reasoning": false,
                      "input": ["text"],
                      "contextWindow": 1024000,
                      "maxTokens": 64000
                  }
              ]
          }
      }
  },
  "agents": {
      "defaults": {
         "model": {
             "primary": "wcode/tencent/hy4-preview"
         }
      }
  },

  ...其他配置
}

完成以上配置后,

  1. 执行以下命令,即可通过命令行的方式开始对话:
openclaw tui
  1. 执行以下命令,即可通过 Web 界面的方式开始对话:
openclaw dashboard

配置 OpenCode 使用 Tencent Hunyuan Hy4 Preview 模型

推荐方式:修改 opencode.json(通常位于~/.config/opencode/opencode.json

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取的 API Key

配置如下:

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "myprovider": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "wcode",
      "options": {
        "baseURL": "https://wcode.net/api/gpt/v1",
        "apiKey": "<API_KEY>"
      },
      "models": {
        "tencent/hy4-preview": {
          "name": "Tencent Hunyuan Hy4 Preview"
        }
      }
    }
  }
}

完成以上配置后,执行以下命令,即可启动 OpenCode:

opencode

输入 /models,选择配置的 tencent/hy4-preview 模型并在 OpenCode 中使用。

API 响应示例(curl):

{
    "id": "chatcmpl-t1787905582s173r5fb7e38d540aeb19dce1a2fb",
    "object": "chat.completion",
    "model": "hy4-preview",
    "created": 1787905589,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "我不是Tencent Hunyuan Hy4 Preview,我是混元,是由腾讯开发的大模型。我具有文本生成、问答、对话等功能,还能够处理图片、文件等多模态内容。我适用于内容创作、信息查询等多种场景。",
                "reasoning_content": "好的,用户让我介绍一下自己,但我的身份是混元。首先需要澄清用户的误解,然后明确我的身份和功能。\n\n用户可能混淆了不同的模型版本,或者有其他信息。我需要先确认用户的问题,是否希望我以其他身份介绍。因此,我需要先指出用户可能存在的误解,并明确说明我是混元,由腾讯开发的大模型。\n\n接下来,我需要介绍自己的核心功能,比如文本生成、问答、对话等,同时强调多模态能力,比如处理图片、文件等。还要提到适用场景,比如内容创作、信息查询等,展示我的多功能性。同时,保持回答简洁清晰,避免使用技术术语,让用户更容易理解。\n\n最后,确保整个回答友好且信息全面,让用户清楚了解我的能力和用途,同时纠正可能的混淆。需要检查是否有遗漏的关键点,比如模型版本、开发公司等,确保所有信息准确无误。"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 34,
        "completion_tokens": 263,
        "total_tokens": 297,
        "prompt_tokens_details": {
            "cached_tokens": 0
        },
        "completion_tokens_details": {
            "reasoning_tokens": 213
        }
    }
}

请求参数:

重要提示:由于模型架构不同,部分参数可能仅适用于特定的模型。

messages(对话消息)

  • 参数:messages

  • 必选object

对话消息列表,包含当前对话的完整上下文信息。每条消息都有特定的角色和内容,模型会根据这些消息生成回复。消息按时间顺序排列,支持三种角色:system(系统消息,用于设定 AI 的行为和角色)、user(用户消息,来自用户的输入)、assistant(助手消息,来自 AI 的回复)。普通对话模型主要支持纯文本内容。

messages 格式请参考代码示例。注意:不能只包含系统消息或助手消息。

model(模型 ID)

  • 参数:model

  • 必选string

调用时使用的模型 ID。请使用模型详情页展示的模型 ID。

max_tokens(最大 tokens 数)

  • 参数:max_tokens

  • 可选,int,>= 1

max_tokens 可设定模型在响应中可以生成的 token 数量的上限。模型不会生成超过此限制的 token。其最大值等于上下文长度减去 prompt 长度。

n(候选回复数)

  • 参数:n

  • 可选,int,>= 1

  • 默认:1

为同一次请求生成的候选回复数量。

注意n > 1 时按总 Token 量计费。

logprobs(对数概率)

  • 参数:logprobs

  • 可选,boolean

logprobs 设置是否返回输出 token 的对数概率。如果为 true,则返回每个输出 token 的对数概率。

tools(工具)

  • 参数:tools

  • 可选,array

工具调用参数,遵循 OpenAI 的工具调用请求格式。对于非 OpenAI 提供者,会相应地进行转换。

logit_bias(Logit Bias)

  • 参数:logit_bias

  • 可选,object

logit_bias 是一个可选参数,用于修改指定 token 在模型生成输出中出现的可能性。

stream(流式输出)

  • 参数:stream

  • 可选,boolean

  • 取值范围:true | false

  • 默认:false

是否开启流式输出。设为 true 时,模型以 SSE 形式逐块返回生成内容;设为 false 时,等待完整响应后一次性返回。

seed(种子)

  • 参数:seed

  • 可选,int

如果指定了 seed 参数,推理将确定性地进行采样,即使用相同种子和参数的重复请求应该返回相同的结果。某些模型无法保证确定性。

parallel_tool_calls(并行工具调用)

  • 参数:parallel_tool_calls

  • 可选,boolean

  • 默认:true

是否在使用工具时启用并行函数调用。如果为 true,模型可以同时调用多个函数。如果为 false,函数将按顺序依次调用。

frequency_penalty(频率惩罚)

  • 参数:frequency_penalty

  • 可选,float,-2.0 至 2.0

  • 默认:0.0

frequency_penalty 可根据词条在输入中出现的频率来控制其重复使用。它会尝试减少那些在输入中出现频率较高的词条的使用频率,这与它们出现的频率成正比。词条惩罚会随着出现次数的增加而增加。负值将鼓励词条重复使用。

top_p(Top-P)

  • 参数:top_p

  • 可选,float,0.0 至 1.0

  • 默认:1.0

top_p 参数控制模型在生成文本时的候选词选择范围。具体来说,模型会生成一组候选 token,然后从累积概率达到或超过 p 的 token 中随机选择一个作为输出。通过这种方式,top_p 能够在保证生成内容的多样性的同时,考虑到概率分布的合理性。

由于 temperature 与 top_p 均可以控制生成文本的多样性,因此建议您只设置其中一个值。

tool_choice(工具选择)

  • 参数:tool_choice

  • 可选,string | object

  • 默认:auto

工具调用策略。

  • "none":禁止模型调用工具。
  • "auto":自动判断是否调用(默认)。
  • "required":强制模型必须调用一个或多个工具。
  • {"type": "function", "function": {"name": "my_function"}}:指定特定工具会强制模型调用该工具。

stop(停止)

  • 参数:stop

  • 可选,array

如果模型遇到 stop 数组中指定的任意 token,则立即停止生成。

thinking(思考模式)

  • 参数:thinking

  • 可选,object

  • 默认:{"type": "enabled"}

用于控制模型的思考模式。以 object 形式传入,通过 type 字段指定模型在回答前是否进行内部推理,以及具体推理策略。

示例

"thinking": {
    "type": "enabled"
}

thinking.type(思考类型)

  • 参数:thinking.type

  • 必选string

  • 取值范围:enabled | disabled

  • 默认:enabled

指定 thinking 对象的 type 字段,控制思考策略。

  • enabled:开启思考模式,模型强制先思考再回答。
  • disabled:关闭思考模式,模型直接回答问题,不进行思考。

hy3 系列模型默认为 disabled

temperature(温度)

  • 参数:temperature

  • 可选,float,0.0 到 2.0

  • 默认:1.0

此设置影响模型回复的多样性。较低的值会使回复更可预测、更常见;较高的值会鼓励更具多样性且较不常见的回复。当设置为 0 时,模型对相同输入将尽可能的给出相同的回复。

reasoning_effort(推理强度)

  • 参数:reasoning_effort

  • 可选,string

  • 取值范围:low | medium | high

控制模型的推理强度。

推理深度控制,仅对思考类模型生效。

top_logprobs(最高对数概率)

  • 参数:top_logprobs

  • 可选,int,0 至 20

top_logprobs 是一个介于 0 和 20 之间的整数,指定在每个 token 位置要返回的最可能 token 的数量,每个 token 都会带有相应的对数概率。如果使用此参数,则必须将 logprobs 设置为 true

response_format(响应格式)

  • 参数:response_format

  • 可选,object

指定响应输出格式。

  • {"type": "text"}:默认文本输出。
  • {"type": "json_object"}:JSON 模式,强制输出合法 JSON。
  • {"type": "json_schema", "json_schema": {...}}:结构化输出,按指定 Schema 约束。

presence_penalty(存在惩罚)

  • 参数:presence_penalty

  • 可选,float,-2.0 至 2.0

  • 默认:0.0

presence_penalty 调整模型重复输入中已使用的特定标记的频率。值越高,重复的可能性就越小,负值则相反。标记惩罚不会随着出现次数而变化。负值会鼓励标记重用。


以上文档为标准版 API 接口文档,可直接用于项目开发和系统调用。如果标准版 API 接口无法满足您的需求,需要定制开发 API 接口,请联系我们的 IT 技术支持工程师:

(沟通需求✅ → 确认技术方案✅ → 沟通费用与工期✅ → 开发&测试✅ → 验收交付✅ → 维护升级✅)

最受关注模型

DeepSeek V4 Pro

文本生成、深度思考

DeepSeek V4 Flash

文本生成、深度思考

Tencent Hunyuan Hy3

文本生成、深度思考、Agent增强

GLM 5.2

深度思考、长任务能力

Doubao Seed 2.1 Pro

多模态、深度思考、图片理解

最新发布模型

Tencent Hunyuan Hy4 Preview

Agent、Coding、深度思考

Qwen3.8 Flash

多模态、深度思考

GLM 5.3 Flash

多模态输入、深度思考

DeepSeek V4 Flash Vision Exp

图片理解、深度思考

GLM 5.3

文本生成、深度思考、Agent 工作流

向量化模型

Qwen3.7 Text Embedding

文本向量化

GLM Embedding 3

文本向量化

Qwen3 Embedding 8B

文本嵌入、文本向量化

Doubao Embedding Large Text 250515

文本向量化

Qwen Text Embedding V4

文本向量化

语音识别模型

MiMo V2.5 ASR

音频识别

Fun ASR Flash

语音识别、方言识别

Qwen3 ASR Flash

语音识别

GLM ASR 2512

语音识别

语音合成模型

Qwen Audio 3.0 TTS Plus

语音合成

Qwen Audio 3.0 TTS Flash

语音合成

CosyVoice V3 Plus

语音合成

CosyVoice V3 Flash

语音合成

GLM TTS

语音合成