Skip to main content
工具包/框架

OpenAI兼容-Batch(文件输入)

阿里云百炼提供与 OpenAI 兼容的 Batch File API,支持通过文件批量提交请求。系统异步处理所有请求,在全部完成或达到最长等待时间后返回结果,费用仅为实时调用的 50% 。适用于数据分析、模型评测等时效性要求不高但需大批量处理的场景。

如需在控制台操作,请参见批量推理。

工作流程

image

前提条件

支持通过 OpenAI SDK(Python、Node.js)或HTTP API调用 Batch File 接口。
  • 获取API Key:获取并配置API Key 到环境变量
  • 安装 SDK(可选):如需使用SDK调用,请安装 OpenAI SDK
  • 服务端点
    • 华北2(北京):https://dashscope.aliyuncs.com/compatible-mode/v1
    • 新加坡:https://dashscope-intl.aliyuncs.com/compatible-mode/v1

适用范围

  • 华北2(北京)
  • 新加坡
支持的模型:
  • 文本生成模型
    • 千问 Max:qwen3.8-max、qwen3.7-max、qwen3-max
    • 千问 Plus:qwen3.7-plus、qwen3.6-plus、qwen3.5-plus、qwen-plus、qwen-plus-latest
    • 千问 Flash:qwen3.7-flash、qwen3.6-flash、qwen3.5-flash、qwen-flash
    • 千问 Long:qwen-long、qwen-long-latest
    • 第三方模型:deepseek-r1、deepseek-v3.2、deepseek-v3
  • 多模态模型
    • 图像与视频理解:qwen3.8-max、qwen3.7-plus、qwen3.6-plus、qwen3.7-flash、qwen3.6-flash、qwen3.5-plus、qwen3.5-flash、qwen3-vl-plus、qwen3-vl-flash
    • 文字提取:qwen-vl-ocr、qwen-vl-ocr-latest
    • 全模态:qwen3.5-omni-plus
  • 向量模型text-embedding-v1、text-embedding-v2、text-embedding-v3、text-embedding-v4、qwen3.7-text-embedding
  • 在Batch 场景下,qwen3.8-maxqwen3.7-maxqwen3.7-plusqwen3.6-plusqwen3.7-flashqwen3.6-flashqwen3.5-plusqwen3.5-flashqwen3.5-omni-plus单次请求的上下文 Token 数最大支持 256K,qwen3.5-omni-plus不支持语音输出。
  • 部分模型支持思考模式,开启后会产生思考tokens导致成本增加。
  • qwen3.8qwen3.7qwen3.6qwen3.5 系列模型默认开启思考模式。建议使用混合思考模型时,显式设置enable_thinking参数(true开启/false关闭)。
  • 在 JSONL 请求体中,enable_thinkingbody 的顶层参数,须与 model 同级传入,不能放在 extra_body 中。

快速开始

在处理正式任务前,使用测试模型batch-test-model进行全链路闭环测试。该模型跳过推理过程,直接返回固定的成功响应,用于验证API调用链路和数据格式是否正确。
测试模型(batch-test-model)的限制:
  • 测试文件需满足输入文件要求,且文件大小不超过 1 MB,行数不超过100行
  • 并发限制:最大并行任务数 2 个
  • 费用:测试模型不产生模型推理费用。

第 1 步:准备输入文件

准备一个名为test_model.jsonl的文件,内容如下:
{"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!有什么可以帮助你的吗?"}]}}
{"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?"}]}}
多模态模型(如 qwen-vl-plus)支持文件 URL、Base64 编码传入方式:
{"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":"请描述这张图片"}]}]}}
{"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":"请描述这张图片"}]}]}}

第 2 步:运行代码

根据使用的编程语言,选择以下示例代码并保存到输入文件的同一目录下,然后运行。代码将完成文件上传、创建任务、轮询状态和下载结果的完整流程。
如需调整文件路径或其他参数,请根据实际情况修改代码。
复用已有文件 ID:文件上传后返回的 ID(如 file-batch-xxx)可重复使用。如果输入内容不变,无需每次重新上传,直接用已有 ID 创建任务即可:
batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 直接使用已有文件 ID,无需重新上传
    endpoint="/v1/chat/completions",
    completion_window="24h"
)
可通过 client.files.list(purpose="batch") 接口查询已上传的 Batch 文件 ID。
OpenAI Python SDK
import os
from pathlib import Path
from openai import OpenAI
import time

# 初始化客户端
client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx",但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    # 注意:切换地域时,API Key也需要对应更换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"  # 阿里云百炼服务的base_url
)

def upload_file(file_path):
    print(f"正在上传包含请求信息的JSONL文件...")
    file_object = client.files.create(file=Path(file_path), purpose="batch")
    print(f"文件上传成功。得到文件ID: {file_object.id}\n")
    return file_object.id

def create_batch_job(input_file_id):
    print(f"正在基于文件ID,创建Batch任务...")
    # 请注意:此处endpoint参数值需和输入文件中的url字段保持一致.测试模型(batch-test-model)填写/v1/chat/ds-test,向量模型填写/v1/embeddings,其他模型填写/v1/chat/completions
    batch = client.batches.create(input_file_id=input_file_id, endpoint="/v1/chat/ds-test", completion_window="24h")
    print(f"Batch任务创建完成。 得到Batch任务ID: {batch.id}\n")
    return batch.id

def check_job_status(batch_id):
    print(f"正在检查Batch任务状态...")
    batch = client.batches.retrieve(batch_id=batch_id)
    print(f"Batch任务状态: {batch.status}\n")
    return batch.status

def get_output_id(batch_id):
    print(f"正在获取Batch任务中执行成功请求的输出文件ID...")
    batch = client.batches.retrieve(batch_id=batch_id)
    print(f"输出文件ID: {batch.output_file_id}\n")
    return batch.output_file_id

def get_error_id(batch_id):
    print(f"正在获取Batch任务中执行错误请求的输出文件ID...")
    batch = client.batches.retrieve(batch_id=batch_id)
    print(f"错误文件ID: {batch.error_file_id}\n")
    return batch.error_file_id

def download_results(output_file_id, output_file_path):
    print(f"正在打印并下载Batch任务的请求成功结果...")
    content = client.files.content(output_file_id)
    # 打印部分内容以供测试
    print(f"打印请求成功结果的前1000个字符内容: {content.text[:1000]}...\n")
    # 保存结果文件至本地
    content.write_to_file(output_file_path)
    print(f"完整的输出结果已保存至本地输出文件result.jsonl\n")

def download_errors(error_file_id, error_file_path):
    print(f"正在打印并下载Batch任务的请求失败信息...")
    content = client.files.content(error_file_id)
    # 打印部分内容以供测试
    print(f"打印请求失败信息的前1000个字符内容: {content.text[:1000]}...\n")
    # 保存错误信息文件至本地
    content.write_to_file(error_file_path)
    print(f"完整的请求失败信息已保存至本地错误文件error.jsonl\n")

def main():
    # 文件路径
    input_file_path = "test_model.jsonl"  # 可替换为您的输入文件路径
    output_file_path = "result.jsonl"  # 可替换为您的输出文件路径
    error_file_path = "error.jsonl"  # 可替换为您的错误文件路径
    try:
        # Step 1: 上传包含请求信息的JSONL文件,得到输入文件ID,如果您需要输入OSS文件,可将下行替换为:input_file_id = "实际的OSS文件URL或资源标识符"
        input_file_id = upload_file(input_file_path)
        # Step 2: 基于输入文件ID,创建Batch任务
        batch_id = create_batch_job(input_file_id)
        # Step 3: 检查Batch任务状态直到结束
        status = ""
        while status not in ["completed", "failed", "expired", "cancelled"]:
            status = check_job_status(batch_id)
            print(f"等待任务完成...")
            time.sleep(10)  # 等待10秒后再次查询状态
        # 如果任务失败,则打印错误信息并退出
        if status == "failed":
            batch = client.batches.retrieve(batch_id)
            print(f"Batch任务失败。错误信息为:{batch.errors}\n")
            print(f"参见错误码文档: https://help.aliyun.com/zh/model-studio/developer-reference/error-code")
            return
        # Step 4: 下载结果:如果输出文件ID不为空,则打印请求成功结果的前1000个字符内容,并下载完整的请求成功结果到本地输出文件;
        # 如果错误文件ID不为空,则打印请求失败信息的前1000个字符内容,并下载完整的请求失败信息到本地错误文件.
        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"参见错误码文档: https://help.aliyun.com/zh/model-studio/developer-reference/error-code")
    except Exception as e:
        print(f"An error occurred: {e}")
        print(f"参见错误码文档: https://help.aliyun.com/zh/model-studio/developer-reference/error-code")

if __name__ == "__main__":
    main()

第 3 步: 验证测试结果

任务成功完成后,结果文件result.jsonl包含固定响应{"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}

执行正式任务

输入文件要求

  • 格式:UTF-8 编码的 JSONL(每行一个独立JSON对象)
  • 规模限制:单文件最多 50,000 个请求,且不超过 500 MB
  • 单行限制:每个JSON对象不超过 6 MB,且不超过模型上下文长度
  • 一致性要求:同一文件内所有请求须使用相同的模型及思考模式(如适用)
  • 唯一标识:每个请求必须包含文件内唯一的 custom_id 字段,用于匹配请求与结果
场景1:文本对话 示例文件内容:
{"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":"你好!有什么可以帮助你的吗?"}]}}
{"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?"}]}}
场景2:图像与视频理解 多模态模型(如 qwen-vl-plus)支持文件 URL、Base64 编码传入方式。
{"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":"请描述这张图片"}]}]}}
{"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":"请描述这张图片"}]}]}}
{"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":"描述这个视频"}]}]}}
{"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":"描述这个视频"}]}]}}
{"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":"对比这两张图片"}]}]}}
{"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":"对比这两张图片"}]}]}}
示例中的 Base64 字符串已省略,使用下方 Python 代码生成完整编码即可。
  1. 将本地文件转换为 Base64 编码:
#  编码函数: 将本地文件转换为 Base64 编码的字符串
import base64
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# 将xxxx/eagle.png替换为你本地图像的绝对路径
base64_image = encode_image("xxx/eagle.png")
  1. 构建Data URL格式:data:[MIME_type];base64,{base64_image}
    1. MIME_type需替换为实际的媒体类型,确保与MIME Type 的值匹配(如image/jpegimage/png);
    2. base64_image为上一步生成的 Base64 字符串。
完整说明(包括文件限制、MIME 类型、编码方法)请参见传入本地文件(Base64 编码或文件路径)。
Batch 推理 JSONL 文件生成工具 Batch 推理需要构造 JSONL 文件,每行为一个独立请求。以下 Python 脚本可直接运行生成符合格式的 JSONL 文件。

使用方式

  1. 将以下代码保存为 generate_batch_jsonl.py
  2. 修改脚本中 TASKS 列表的请求内容
  3. 运行 python generate_batch_jsonl.py
  4. 生成的 batch_input.jsonl 文件可直接用于 Batch 推理任务

文本生成模型 JSONL 生成脚本

#!/usr/bin/env python3
"""
Batch 推理 JSONL 文件生成工具

支持的地域:
  - 华北2(北京):文本生成、多模态、向量
  - 新加坡:文本生成(qwen-max、qwen-plus、qwen-turbo)

支持的模型:
  文本生成(华北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
    (* 表示支持思考模式和非思考模式)
  文本生成(新加坡):qwen-max, qwen-plus, qwen-turbo
  多模态(华北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
  向量模型(华北2):text-embedding-v1/v2/v3/v4, qwen3.7-text-embedding

文件大小限制:单行 ≤6MB,总文件 ≤500MB,建议 ≤10000 行

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

# ═══════════════════════════════════════════════════════
# 配置区:修改以下内容来生成您需要的 JSONL
# ═══════════════════════════════════════════════════════

MODEL = "qwen-max"          # 选择模型(参见上方支持列表)
ENABLE_THINKING = False     # 是否开启思考模式(仅部分模型支持)
THINKING_BUDGET = 50        # 思考 token 预算(思考模式下生效)

# 任务列表:每个 dict 代表一条用户消息
TASKS = [
    {"role": "user", "content": "你好!请介绍一下自己。"},
    {"role": "user", "content": "What is 2+2?"},
    {"role": "user", "content": "请用Python写一个快速排序算法"},
]

# ═══════════════════════════════════════════════════════
# 以下为生成逻辑,一般无需修改
# ═══════════════════════════════════════════════════════

def build_request(custom_id: str, model: str, messages: list,
                  enable_thinking: bool = False, thinking_budget: int = 50) -> dict:
    """构造单条 Batch 请求"""
    body = {"model": model, "messages": messages}
    if enable_thinking:
        body["enable_thinking"] = True
        body["thinking_budget"] = thinking_budget
        body["stream"] = True  # 思考模式需开启 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"已生成 {output_file},共 {len(TASKS)} 条请求")

if __name__ == "__main__":
    main()

多模态模型请求格式

多模态模型的 content 字段为数组格式,包含媒体对象和文本提问。每行请求中的媒体URL需为同一类型(图片、视频或音频)。将上方脚本中的 TASKS 替换为以下格式即可:
# 多模态模型配置示例
MODEL = "qwen-vl-max"       # 多模态模型

# 多模态任务:content 为数组格式
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": "这些图描绘了什么内容?"}
    ]},
]

# qwen-omni-turbo 音频/视频格式:
# {"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 设置为 500
# - 其他多模态模型包含 system 角色,thinking_budget 设置为 50
# - 思考模式需额外设置 ENABLE_THINKING = True

向量模型请求格式

向量模型使用 /v1/embeddings 接口,请求格式不同于文本生成模型。可使用以下独立脚本生成:
#!/usr/bin/env python3
"""向量模型 Batch JSONL 生成(使用 /v1/embeddings 接口)"""
import json

MODEL = "text-embedding-v3"  # 可选: v1, v2, v3, v4, qwen3.7-text-embedding

TEXTS = [
    "衣服的质量杠杠的,很漂亮,不枉我等了这么久啊,喜欢,以后还来这里买。",
    "风急天高猿啸哀",
    "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"已生成 {output_file},共 {len(TEXTS)} 条请求")

1. 修改输入文件

  • 可直接修改用于测试的 test_model.jsonl 文件,将 model 参数设置为目标正式模型,并设置URL字段:

    模型类型

    url

    文本生成/多模态模型

    /v1/chat/completions

    向量模型

    /v1/embeddings

  • 或使用上方的“JSONL 批量生成工具”为正式任务生成一个新的文件。关键是确保 modelurl 字段正确。

2. 修改快速开始的代码

  1. 输入文件路径更改为您的文件名
  2. 将 endpoint 参数值修改为与输入文件中URL字段一致的值

3. 运行代码并等待结果

任务完成后,成功请求的结果保存在本地 result.jsonl 文件中。如有请求失败,错误详情保存在 error.jsonl 文件中。
  • 成功结果(output_file_id):每一行对应一个成功的原始请求,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!杭州西湖是中国著名的风景名胜区,位于浙江省杭州市西部,因此得名“西湖”。它是中国十大风景名胜之一,也是世界文化遗产(2011年被联合国教科文组织列入《世界遗产名录》),以其秀丽的自然风光与深厚的人文底蕴闻名于世。\n\n### 一、自然景观\n西湖三面环山,一面邻城,湖面面积约6.39平方公里,形似如意,碧波荡漾。湖中被孤山、白堤、苏堤、杨公堤等自然或人工分隔成多个水域,形成“一山二塔三岛三堤”的格局。\n\n主要景点包括:\n- **苏堤春晓**:北宋大文豪苏东坡任杭州知州时主持疏浚西湖,用挖出的淤泥堆筑成堤,后人称为“苏堤”。春天桃红柳绿,景色如画。\n- **断桥残雪**:位于白堤东端,是白蛇传中“断桥相会”的发生地,冬日雪后银装素裹,尤为著名。\n- **雷峰夕照**:雷峰塔在夕阳映照下金光熠熠,曾是“西湖十景”之一。\n- **三潭印月**:湖中小瀛洲上的三座石塔,中秋夜可在塔内点灯,月影、灯光、湖光交相辉映。\n- **平湖秋月**:位于白堤西端,是观赏湖上明月的绝佳地点。\n- **花港观鱼**:以赏花和观鱼著称,园内牡丹、锦鲤相映成趣。\n\n### 二、人文历史\n西湖不仅风景优美,还承载着丰富的历史文化:\n- 自唐宋以来,众多文人墨客如白居易、苏东坡、林逋、杨万里等在此留下诗篇。\n- 白居易曾主持修建“白堤”,疏浚西湖,造福百姓。\n- 西湖周边有众多古迹,如岳王庙(纪念民族英雄岳飞)、灵隐寺(千年古刹)、六和塔、龙井村(中国十大名茶龙井茶的产地)等。\n\n### 三、文化象征\n西湖被誉为“人间天堂”的代表,是中国传统山水美学的典范。它融合了自然美与人文美,体现了“天人合一”的哲学思想。许多诗词、绘画、戏曲都以西湖为题材,成为中国文化的重要符号。\n\n### 四、旅游建议\n- 最佳游览季节:春季(3-5月)桃红柳绿,秋季(9-11月)天高气爽。\n- 推荐方式:步行、骑行(环湖绿道)、乘船游湖。\n- 周边美食:西湖醋鱼、龙井虾仁、东坡肉、片儿川等。\n\n总之,杭州西湖不仅是一处自然美景,更是一座活着的文化博物馆,值得细细品味。如果你有机会到杭州,一定不要错过这个“淡妆浓抹总相宜”的人间仙境。"}}],"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":"春风拂柳绿,  \n夜雨润花红。  \n鸟语林间闹,  \n山川处处同。"}}],"object":"chat.completion"}},"error":null}
  • 失败请求详情(error_file_id):包含处理失败的请求行信息和错误原因,可参考错误码进行排查。

具体流程

Batch API使用流程分为四步:上传文件、创建任务、查询任务状态、下载结果。
如果数据已存储在阿里云OSS中,可跳过文件上传步骤,直接在创建 Batch 任务时使用OSS文件路径。详情请参见使用OSS文件创建 Batch 任务
创建 Batch 任务前,通过文件上传接口上传符合格式要求的 JSONL 文件,获取file_id
上传文件, purpose 必须是 batch
复用已有文件 ID:文件上传后返回的 ID(如 file-batch-xxx)可重复使用。如果输入内容不变,无需每次重新上传,直接用已有 ID 创建任务即可:
batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 直接使用已有文件 ID,无需重新上传
    endpoint="/v1/chat/completions",
    completion_window="24h"
)
可通过 client.files.list(purpose="batch") 接口查询已上传的 Batch 文件 ID。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

请求示例

import os
from pathlib import Path
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx"。但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    # 注意:切换地域时,API Key也需要对应更换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# test.jsonl 是一个本地示例文件,purpose必须是batch
file_object = client.files.create(file=Path("test.jsonl"), purpose="batch")

print(file_object.model_dump_json())

返回示例

{
    "id": "file-batch-xxx",
    "bytes": 437,
    "created_at": 1742304153,
    "filename": "test.jsonl",
    "object": "file",
    "purpose": "batch",
    "status": "processed",
    "status_details": null
}
使用上传文件返回的文件ID 或OSS路径 创建 Batch 任务。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

请求示例

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx"。但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    # 注意:切换地域时,API Key也需要对应更换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 上传文件返回的id或OSS文件URL或OSS文件资源标识符
    endpoint="/v1/chat/completions",  # 测试模型batch-test-model填写/v1/chat/ds-test,向量模型填写/v1/embeddings,文本生成/多模态模型填写/v1/chat/completions
    completion_window="24h",
    metadata={'ds_name':"任务名称",'ds_description':'任务描述'} # metadata数据,非必填字段,用于创建任务名称、描述
)
print(batch)

输入参数

字段

类型

传参

方式

必选

描述

input_file_id

String

Body

用于指定文件ID、OSS文件URL或OSS文件资源标识符,作为Batch任务的输入文件。您可以通过以下任一方式提供此参数:

endpoint

String

Body

访问路径,须与输入文件中的URL字段一致。

  • 向量模型填写/v1/embeddings

  • 测试模型batch-test-model填写/v1/chat/ds-test

  • 其他模型填写/v1/chat/completions

completion_window

String

Body

等待时间,最短 24h,最长 336h,仅支持整数。

支持"h"和"d"两个单位,如"24h"或"14d"。

metadata

Map

Body

任务扩展元数据,以键值对形式附加额外信息。

metadata.ds_name

String

Body

任务名称。

示例:"ds_name":"Batch任务"

限制:长度不超过100个字符。

若重复定义该字段,以最后一次传入的值为准。

metadata.ds_description

String

Body

任务描述。

示例:"ds_description":"Batch推理任务测试"

限制:长度不超过200个字符。

若重复定义该字段,以最后一次传入的值为准。

返回示例

{
    "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": "任务名称",
        "ds_description": "任务描述"
    }
}

返回参数

字段

类型

描述

id

String

本次创建的 Batch 任务 ID。

object

String

对象类型,固定值batch

endpoint

String

访问路径。

errors

Map

错误信息。

input_file_id

String

文件ID 或OSS文件URL或OSS文件资源标识符

completion_window

String

等待时间,支持最短等待时间24h,最长等待时间336h,仅支持整数。

支持"h"和"d"两个单位,如"24h"或"14d"。

status

String

任务状态,可选值:validating、failed、in_progress、finalizing、completed、expired、cancelling、cancelled。

output_file_id

String

成功请求的输出文件 ID。

error_file_id

String

失败请求的错误文件 ID。

created_at

Integer

任务创建的 Unix 时间戳(秒)。

in_progress_at

Integer

任务开始运行的 Unix 时间戳(秒)。

expires_at

Integer

任务预计过期的 Unix 时间戳(秒)。

finalizing_at

Integer

任务开始汇总结果的 Unix 时间戳(秒)。

completed_at

Integer

任务完成的 Unix 时间戳(秒)。

failed_at

Integer

任务失败的 Unix 时间戳(秒)。

expired_at

Integer

任务过期的 Unix 时间戳(秒)。

cancelling_at

Integer

任务开始取消的 Unix 时间戳(秒)。

cancelled_at

Integer

任务取消完成的 Unix 时间戳(秒)。

request_counts

Map

各状态的请求数量统计。

metadata

Map

附加元数据,键值对形式。

metadata.ds_name

String

任务名称。

metadata.ds_description

String

任务描述。

任务创建后,可通过以下接口查询状态、列出历史任务或取消进行中的任务。
传入 Batch 任务ID可查询指定任务的详细信息。当前仅支持查询 30 天内创建的 Batch 任务。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

请求示例

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx"。但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    # 注意:切换地域时,API Key也需要对应更换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
batch = client.batches.retrieve("batch_id")  # 将batch_id替换为Batch任务的id
print(batch)

返回示例

查询成功后返回 Batch 任务的详细信息。以下为 completed 状态的返回示例:
{
  "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对象包含 Batch 任务完整信息,包括任务状态、结果文件 ID、请求统计等。各字段说明见下表。

字段

类型

描述

id

String

Batch 任务 ID。

status

String

任务状态,可能的值包括:

  • validating:正在验证输入文件

  • in_progress:任务处理中

  • finalizing:处理完成,正在生成输出文件

  • completed:任务成功完成

  • failed:任务因严重错误失败

  • expired:任务在 completion_window 内未完成而过期

  • cancelling:正在取消任务

  • cancelled:任务已取消

output_file_id

String

成功结果文件的 ID,任务完成后生成。

error_file_id

String

失败结果文件的 ID,任务完成且有失败请求时生成。

request_counts

Object

请求数量统计对象,包含 total、completed、failed 字段。

可使用 batches.list() 方法查询 Batch 任务列表,通过分页机制逐步获取完整的任务列表。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

请求示例

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx"。但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
batches = client.batches.list(after="batch_xxx", limit=2,extra_query={'ds_name':'任务名称','input_file_ids':'file-batch-xxx,file-batch-xxx','status':'completed,expired','create_after':'20250304000000','create_before':'20250306123000'})
print(batches)

输入参数

字段

类型

传参方式

必选

描述

after

String

Query

用于分页的游标,值为上一页最后一个任务的ID。

limit

Integer

Query

每页返回的任务数量,范围[1, 100],默认20。

ds_name

String

Query

按任务名称进行模糊匹配。

input_file_ids

String

Query

按文件ID筛选,多个ID用逗号分隔,最多20个。

status

String

Query

按任务状态筛选,多个状态用逗号分隔。

create_after

String

Query

筛选在此时间点之后创建的任务,格式:yyyyMMddHHmmss

create_before

String

Query

筛选在此时间点之前创建的任务,格式:yyyyMMddHHmmss

返回示例

{
  "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
}

返回参数

字段

类型

描述

object

String

类型,固定值list。

data

Array

Batch任务对象,参见创建Batch任务的返回参数。

first_id

String

当前页第一个 Batch任务 ID。

last_id

String

当前页最后一个Batch任务 ID。

has_more

Boolean

是否有下一页。

取消一个正在进行或排队中的任务。成功调用后,任务状态将变为 cancelling,最终变为 cancelled。在任务被完全取消前,已完成的部分仍会计费。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)

请求示例

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx"。但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
batch = client.batches.cancel("batch_id")  # 将batch_id替换为Batch任务的id
print(batch)

返回示例

取消任务成功后返回 Batch 任务的详细信息。以下是一个 cancelling 状态的返回示例:
{
  "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
}
取消任务后,状态会先变为 cancelling ,等待正在执行的请求完成;最终会变为 cancelled 。已完成的请求结果仍会保存在输出文件中。
任务结束后会生成结果文件(output_file_id)和可能的错误文件(error_file_id),两者均通过相同的文件下载接口获取。仅支持下载以file-batch_output开头的file_id对应的文件。
  • OpenAI Python SDK
  • OpenAI Node.js SDK
  • Java(HTTP)
  • curl(HTTP)
您可以通过content方法获取Batch任务结果文件内容,并通过write_to_file方法将其保存至本地。

请求示例

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx"。但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    # 注意:切换地域时,API Key也需要对应更换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
content = client.files.content(file_id="file-batch_output-xxx")
# 打印结果文件内容
print(content.text)
# 保存结果文件至本地
content.write_to_file("result.jsonl")

返回示例

{"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!当然可以。无论是需要信息查询、学习资料、解决问题的方法,还是其他任何帮助,我都在这里为你提供支持。请告诉我你需要什么方面的帮助?"}}],"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}

返回示例

单条响应结果:
{
    "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!当然可以。无论是需要信息查询、学习资料、解决问题的方法,还是其他任何帮助,我都在这里为你提供支持。请告诉我你需要什么方面的帮助?"
                    }
                }
            ],
            "object": "chat.completion"
        }
    },
    "error": null
}

返回参数

字段

类型

描述

id

String

请求 ID。

custom_id

String

用户自定义的 ID。

response

Object

请求结果。

status_code

Integer

状态码。200表示请求成功。

request_id

String

服务端为这次请求生成的唯一ID。

completion_tokens

Integer

模型生成的回复内容(completion)所消耗的Token数量。

prompt_tokens

Integer

发送给模型的输入内容(prompt)所消耗的Token数量。

reasoning_tokens

Integer

深度思考模型的思考过程token数。

total_tokens

Integer

本次调用总共消耗的Token数量。

model

String

本次调用所使用的模型名称。

reasoning_content

String

深度思考模型的思考过程。

error

Object

错误信息对象。如果API调用成功,该值为null。如果发生错误,这里会包含错误代码和详细的错误信息。

error.code

String

错误行信息和错误原因,可参考错误码进行排查。

error.message

String

错误信息。

进阶功能

使用OSS文件创建 Batch 任务

大型文件推荐存储在阿里云OSS中,通过 input_file_id 直接引用,避免本地上传限制。 方式一:使用文件 URL 将具有公共读权限或预签名授权的OSS文件URL直接作为 input_file_id
batch_job = client.batches.create(
    input_file_id="https://your-bucket.oss-cn-beijing.aliyuncs.com/file.jsonl?Expires=...",
    endpoint="/v1/chat/completions",
    completion_window="24h"
)
  1. OSS 控制台
    1. 进入Bucket列表页面,找到目标Bucket并单击名称;
    2. 文件列表中定位目标文件,单击右侧详情按钮;
      您可在 文件列表 中新建子文件夹如 Batch/20260101 并上传文件 。
    3. 在弹出面板中,单击复制文件URL
  2. SDK:生成OSS文件 URL,参考使用预签名URL下载(Java SDK V1)
方式二:使用资源标识符(推荐)
  1. 完成OSS授权 参阅从OSS导入文件配置说明的授权和添加标签步骤。
  2. 参数配置 使用oss:{region}:{bucket}/{file_path}格式的OSS资源标识符:
batch_job = client.batches.create(
    input_file_id="oss:cn-beijing:your-bucket/path/to/file.jsonl",
    endpoint="/v1/chat/completions",
    completion_window="24h"
)
建议
  • 使用与阿里云百炼服务同地域 Bucket( cn-beijing)可利用阿里云内网传输,降低网络延迟、提升稳定性并避免跨地域流量费用。
  • 方式二更安全,基于RAM授权而非公开 URL。

配置任务完成通知

长时间运行的任务使用轮询会消耗不必要的资源。建议配置异步通知,系统在任务完成后主动通知。
任务完成通知功能仅支持在北京地域配置。
  • Callback 回调:在创建任务时指定一个公网可访问的 URL
  • EventBridge 消息队列:与阿里云生态深度集成,无需公网 IP
创建任务时通过 metadata 指定一个公网可访问的 URL。任务完成后,系统向该URL发送包含任务状态的 POST 请求:
  • OpenAI Python SDK
  • curl(HTTP)
import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量,可用阿里云百炼API Key将下行替换为:api_key="sk-xxx"。但不建议在生产环境中直接将API Key硬编码到代码中,以减少API Key泄露风险。
    # 新加坡和北京地域的API Key不同。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下是北京地域base_url,如果使用新加坡地域的模型,需要将base_url替换为:https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    # 注意:切换地域时,API Key也需要对应更换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

batch = client.batches.create(
    input_file_id="file-batch-xxx",  # 上传文件返回的 id
    endpoint="/v1/chat/completions",  # 向量模型填写"/v1/embeddings",测试模型batch-test-model填写/v1/chat/ds-test,其他模型填写/v1/chat/completions
    completion_window="24h",
    metadata={
            "ds_batch_finish_callback": "https://xxx/xxx"
          }
)
print(batch)
此方式无需公网 IP,适用于与阿里云其他服务(如函数计算、RocketMQ)集成的场景。当 Batch 任务完成时,系统会向阿里云事件总线 EventBridge 发送一个事件。您可以配置 EventBridge 规则来监听此事件,并将其路由到指定目标。
  • 事件源 (Source): acs.dashscope
  • 事件类型 (Type): dashscope:System:BatchTaskFinish
相关文档:路由到消息队列RocketMQ版

应用于生产环境

  • 文件管理
    • 定期调用 OpenAI-File删除文件接口删除不需要的文件,避免达到文件存储上限(10000个文件或100GB)
    • 对于大型文件,推荐将其存储在阿里云OSS中
  • 任务监控
    • 优先使用 Callback 或 EventBridge 异步通知
    • 轮询间隔 > 1分钟,使用指数退避策略
  • 错误处理
    • 实现完整的异常处理机制,涵盖网络错误、API 错误等
    • 下载并分析 error_file_id 的错误详情
    • 对于常见错误码,参考错误码进行解决
  • 成本优化
    • 将时效性要求不高的任务迁移到 Batch API
    • 合并小任务到一个批次
    • 合理设置 completion_window 提供更多调度灵活性

实用工具

原始数据存储在 CSV 文件中(第一列为 ID,第二列为内容)时,可使用以下脚本快速生成 Batch 任务所需的 JSONL 文件。
如需调整文件路径或其他参数,请根据实际情况修改代码。
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])}
            # 选择向量模型进行调用时,url的值需填写"/v1/embeddings",其他模型填写/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")
使用以下脚本可将 result.jsonl 文件解析为易于在Excel中分析的 result.csv 文件。
如需调整文件路径或其他参数,请根据实际情况修改代码。
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 乱码解决
  • 可使用文本编辑器(如Sublime)将 CSV 文件的编码转换为GBK,然后再用Excel打开。
  • 或在Excel中新建一个Excel文件,并在导入数据时指定正确的编码格式 UTF-8。

接口限流

接口

限流(主账号级别)

创建任务

1000 次/分钟,最大并行 1000 个

查询任务

1000 次/分钟

查询任务列表

100 次/分钟

取消任务

1000 次/分钟

计费说明

  • 计费单价: 所有成功请求的输入和输出Token,单价均为对应模型实时推理价格的50% ,具体请参见模型列表
  • 计费范围:
    • 仅对成功执行的请求计费。
    • 文件解析失败、任务执行失败或行级错误请求均不产生费用
    • 已取消的任务中,取消前已成功完成的请求仍正常计费。
  • 批量推理为独立计费项,支持AI 通用型节省计划,但不支持预付费(节省计划)、新人免费额度等优惠,以及上下文缓存等功能。
  • 部分模型(如 qwen3.5-plus、qwen3.5-flash)默认开启思考模式,会产生额外的思考tokens,并按输出token价格计费,导致成本增加。建议根据任务复杂度设置enable_thinking参数以控制成本,具体请参考深度思考。

错误码

调用失败时,请参见错误码进行解决。

常见问题

  1. 如何选择使用 Batch Chat 还是Batch File? 处理包含大量请求的单个大文件且可异步获取结果时,选择 Batch File。需要以API同步调用方式高并发提交大量独立对话请求时,选择 Batch Chat。
  2. Batch File调用如何计费?需要单独购买吗? 答:Batch 是一种调用方式,采用后付费模式,按成功请求的 Token 用量计费,无需额外购买套餐。
  3. 提交的Batch File是按顺序执行的吗? 答:不是。系统采用动态调度机制,根据计算资源负载安排任务执行,不保证严格遵循提交顺序。资源紧张时,任务启动和执行可能延迟。
  4. 提交的Batch File需要多长时间完成? 答:执行时间取决于系统资源分配和任务规模。若任务在设定的 completion_window 内未完成,状态变为 expired,未处理的请求不再执行,也不产生费用。 场景建议:对时效性有严格要求的场景,建议使用实时调用;对时效性有一定容忍度的大规模数据处理场景,推荐使用 Batch 调用。