Puwedeng mukhang kumpleto ang sagot pero hindi pala. Ang finish_reason ang nag-iisang field na nagsasabi kung kusang tumapos ang model.
Paano ito gumagana
May finish_reason ang bawat item sa choices. Inililista ng reference ng OpenAI ang mga value na ito:
| Value | Kahulugan (OpenAI) |
|---|---|
stop |
Natural na hintuan, o tumama ang ibinigay na stop sequence |
length |
“The maximum number of tokens specified in the request was reached” (naabot ang maximum na bilang ng token na itinakda sa request) |
tool_calls |
Tumawag ng tool ang model |
content_filter |
“Content was omitted due to a flag from our content filters” (inalis ang content dahil sa flag ng aming mga content filter) |
function_call |
Mas luma at deprecated na anyo ng function call |
Gumagamit ang Messages API ng Anthropic ng stop_reason na may sariling mga value, kasama ang end_turn, max_tokens, stop_sequence, tool_use, pause_turn, refusal at model_context_window_exceeded. Kapag tumama ang stop sequence, ibinabalik din ng Anthropic kung alin ito sa stop_sequence.
choice = r.choices[0]
if choice.finish_reason == "length":
raise RuntimeError("cut off: raise max_tokens and resend")
if choice.finish_reason == "tool_calls":
run_tools(choice.message.tool_calls)
Bakit ito mahalaga
- Naputol na JSON. Hindi kumpleto ang sagot na
length. Kapag isinara mo ang mga bracket, nae-parse ito pero may nawawalang data. Tinatalakay ito ng post tungkol sa invalid na JSON. - Mga agent loop. Ang ibig sabihin ng
tool_callsay “patakbuhin ang mga tool at tawagan ulit ako”, hindi “tapos na”. - Caching. Mga sagot lang na nagtapos sa
stopang i-cache. Ang naputol na sagot na naka-cache nang isang linggo ay magmumukhang bug ng model.
Sa BroadNet Inference
Hindi idinodokumento ng API reference ng BroadNet ang mga value ng finish_reason, kaya i-log muna ang nakukuha mo bago umasa rito. Pero idinodokumento nito ang pangunahing sanhi ng di-inaasahang length: nagre-reason muna bago sumagot ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B, at bilang sa max_tokens ang mga reasoning token. Sinasabi ng BroadNet na kapag maliit ang limit, “the reasoning can use the whole budget and the answer comes back empty.” (Salin ng BroadRouter: “puwedeng maubos ng reasoning ang buong budget at walang lamang sagot ang bumalik.”) Mag-iwan ng 1,000 token o higit pa, o i-set ang reasoning_effort sa low. Ipinapakita ng gabay sa walang lamang response ang ayos.
Mga karaniwang pagkakamali
- Pagbasa ng
message.contentnang hindi muna tinitingnan ang finish_reason. - Pagturing sa walang lamang sagot bilang pagpalya ng model, kahit naubos lang ng reasoning ang buong budget.