Qwen2.5-7B-Instruct je textový model 7B doladěný pro instrukce v rodině obecných jazykových modelů Qwen2.5. Qwen zdůrazňuje programování a matematiku, plnění instrukcí, dlouhé texty, porozumění tabulkám a strukturovaný výstup, zejména JSON. Je to hustý model pouze s dekodérem a celkem 7,61 miliardy parametrů, z toho 6,53 miliardy neembeddingových parametrů. Přijímá textové konverzace a generuje text. Užitečné zadání jej může požádat o převod dodaných informací do jasného vysvětlení, strukturovaného záznamu, upraveného návrhu textu nebo navrhovaného programu.
Model podporuje více než 29 jazyků včetně čínštiny, angličtiny, francouzštiny, španělštiny, portugalštiny, němčiny, italštiny, ruštiny, japonštiny, korejštiny, vietnamštiny, thajštiny a arabštiny. Výrobce zdůrazňuje také odolnost vůči různým systémovým promptům, užitečnou pro definování konverzační role a jejích podmínek. Přímo uveďte roli, publikum, terminologii a jazyk výstupu. Například požadavek na úpravu může poskytnout technickou pasáž, určit zamýšleného čtenáře a požádat o kratší vysvětlení zachovávající pojmenované termíny a uvedené podmínky. Vydání doladěné pro instrukce je konverzační model odlišný od odpovídajícího předtrénovaného základního modelu.
Porozumění strukturovaným datům a generování JSON jsou hlavními vylepšeními Qwen2.5. Při extrakci nebo transformaci tabulky zachovejte její záhlaví a jednotky a vysvětlete, které řádky nebo vztahy jsou důležité. Definujte požadované klíče, typy hodnot a zacházení s chybějícími informacemi místo žádosti pouze o obecné shrnutí. Ilustrativní zadání může dodat seznam problémů a požadovat jeden objekt pro každý problém se zdrojovým identifikátorem, kategorií a krátkým vysvětlením. Takový výsledek zůstává generovaným textem: ověření jeho struktury a hodnot podle vstupu je součástí použití v navazujícím postupu.
Přesná karta popisuje plnou délku kontextu 131 072 tokenů a generování až 8 192 tokenů. Dodaná konfigurace je nastavena na 32 768 kontextových tokenů; zpracování delšího materiálu využívá dokumentovanou konfiguraci YaRN. Výrobce upozorňuje, že statické škálování může ovlivnit výkon u kratších vstupů, a doporučuje je přidat, když je potřeba zpracování dlouhého kontextu. Vstup a požadovanou odpověď udržte v příslušném nakonfigurovaném prostoru. U dlouhé zprávy zachovejte názvy oddílů, upřednostněte pasáže navázané na otázku a požadujte potřebnou délku výstupu místo používání většího kontextu jako důvodu zahrnout nesouvisející materiál.
Oficiální rychlý start používá systémové a uživatelské zprávy se šablonou chatu modelu a poté dekóduje vygenerované pokračování. Programovací úkol připravte s relevantním zdrojem, jazykem, očekávaným chováním a omezeními. Matematickou otázku připravte se zadanými údaji a formátem výsledku. Dokumentovaná vylepšení obecného modelu v těchto oblastech z něj nedělají samostatně trénované vydání Qwen2.5-Coder nebo Qwen2.5-Math. Ilustrativní programovací zadání může požadovat vysvětlení funkce, navrhovanou opravu a důvod, proč návrh splňuje uvedené podmínky; provedení a ověření zůstávají samostatnými kroky.
Dokumentace vydání Qwen popisuje také volání nástrojů a šablonu chatu zohledňující nástroje, včetně kompatibility s Qwen-Agent. Definujte dostupné nástroje a jejich argumenty, uveďte cíl a dodejte vrácené výsledky k interpretaci modelem. Asistent dokumentů může požádat o relevantní informace před sestavením konečné odpovědi a asistent kódu může uvažovat o výstupu kontroly provedené aplikací. Užitečným výstupem je pak odpověď navázaná na dodané důkazy a požadovaný formát. Jde o profil textového modelu; vizuální, zvukové nebo video-generační schopnosti jiných modelů Qwen jsou samostatné.
", "aboutText": "Qwen2.5-7B-Instruct je textový model 7B doladěný pro instrukce v rodině obecných jazykových modelů Qwen2.5. Qwen zdůrazňuje programování a matematiku, plnění instrukcí, dlouhé texty, porozumění tabulkám a strukturovaný výstup, zejména JSON. Je to hustý model pouze s dekodérem a celkem 7,61 miliardy parametrů, z toho 6,53 miliardy neembeddingových parametrů. Přijímá textové konverzace a generuje text. Užitečné zadání jej může požádat o převod dodaných informací do jasného vysvětlení, strukturovaného záznamu, upraveného návrhu textu nebo navrhovaného programu.\n\nModel podporuje více než 29 jazyků včetně čínštiny, angličtiny, francouzštiny, španělštiny, portugalštiny, němčiny, italštiny, ruštiny, japonštiny, korejštiny, vietnamštiny, thajštiny a arabštiny. Výrobce zdůrazňuje také odolnost vůči různým systémovým promptům, užitečnou pro definování konverzační role a jejích podmínek. Přímo uveďte roli, publikum, terminologii a jazyk výstupu. Například požadavek na úpravu může poskytnout technickou pasáž, určit zamýšleného čtenáře a požádat o kratší vysvětlení zachovávající pojmenované termíny a uvedené podmínky. Vydání doladěné pro instrukce je konverzační model odlišný od odpovídajícího předtrénovaného základního modelu.\n\nPorozumění strukturovaným datům a generování JSON jsou hlavními vylepšeními Qwen2.5. Při extrakci nebo transformaci tabulky zachovejte její záhlaví a jednotky a vysvětlete, které řádky nebo vztahy jsou důležité. Definujte požadované klíče, typy hodnot a zacházení s chybějícími informacemi místo žádosti pouze o obecné shrnutí. Ilustrativní zadání může dodat seznam problémů a požadovat jeden objekt pro každý problém se zdrojovým identifikátorem, kategorií a krátkým vysvětlením. Takový výsledek zůstává generovaným textem: ověření jeho struktury a hodnot podle vstupu je součástí použití v navazujícím postupu.\n\nPřesná karta popisuje plnou délku kontextu 131 072 tokenů a generování až 8 192 tokenů. Dodaná konfigurace je nastavena na 32 768 kontextových tokenů; zpracování delšího materiálu využívá dokumentovanou konfiguraci YaRN. Výrobce upozorňuje, že statické škálování může ovlivnit výkon u kratších vstupů, a doporučuje je přidat, když je potřeba zpracování dlouhého kontextu. Vstup a požadovanou odpověď udržte v příslušném nakonfigurovaném prostoru. U dlouhé zprávy zachovejte názvy oddílů, upřednostněte pasáže navázané na otázku a požadujte potřebnou délku výstupu místo používání většího kontextu jako důvodu zahrnout nesouvisející materiál.\n\nOficiální rychlý start používá systémové a uživatelské zprávy se šablonou chatu modelu a poté dekóduje vygenerované pokračování. Programovací úkol připravte s relevantním zdrojem, jazykem, očekávaným chováním a omezeními. Matematickou otázku připravte se zadanými údaji a formátem výsledku. Dokumentovaná vylepšení obecného modelu v těchto oblastech z něj nedělají samostatně trénované vydání Qwen2.5-Coder nebo Qwen2.5-Math. Ilustrativní programovací zadání může požadovat vysvětlení funkce, navrhovanou opravu a důvod, proč návrh splňuje uvedené podmínky; provedení a ověření zůstávají samostatnými kroky.\n\nDokumentace vydání Qwen popisuje také volání nástrojů a šablonu chatu zohledňující nástroje, včetně kompatibility s Qwen-Agent. Definujte dostupné nástroje a jejich argumenty, uveďte cíl a dodejte vrácené výsledky k interpretaci modelem. Asistent dokumentů může požádat o relevantní informace před sestavením konečné odpovědi a asistent kódu může uvažovat o výstupu kontroly provedené aplikací. Užitečným výstupem je pak odpověď navázaná na dodané důkazy a požadovaný formát. Jde o profil textového modelu; vizuální, zvukové nebo video-generační schopnosti jiných modelů Qwen jsou samostatné.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct je kompaktní textový model Qwen doladěný pro instrukce, pro vícejazyčné psaní, kód, matematiku a strukturovaná data. Výrobce dokumentuje až 131 072 kontextových tokenů s konfigurací dlouhého kontextu a generování až 8 192 tokenů.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen2.5-7B-Instruct je textový model 7B doladěný pro instrukce v rodině obecných jazykových modelů Qwen2.5. Qwen zdůrazňuje programování a matematiku, plnění instrukcí, dlouhé texty, porozumění tabulkám a strukturovaný výstup, zejména JSON. Je to hustý model pouze s dekodérem a celkem 7,61 miliardy parametrů, z toho 6,53 miliardy neembeddingových parametrů. Přijímá textové konverzace a generuje text. Užitečné zadání jej může požádat o převod dodaných informací do jasného vysvětlení, strukturovaného záznamu, upraveného návrhu textu nebo navrhovaného programu.
Model podporuje více než 29 jazyků včetně čínštiny, angličtiny, francouzštiny, španělštiny, portugalštiny, němčiny, italštiny, ruštiny, japonštiny, korejštiny, vietnamštiny, thajštiny a arabštiny. Výrobce zdůrazňuje také odolnost vůči různým systémovým promptům, užitečnou pro definování konverzační role a jejích podmínek. Přímo uveďte roli, publikum, terminologii a jazyk výstupu. Například požadavek na úpravu může poskytnout technickou pasáž, určit zamýšleného čtenáře a požádat o kratší vysvětlení zachovávající pojmenované termíny a uvedené podmínky. Vydání doladěné pro instrukce je konverzační model odlišný od odpovídajícího předtrénovaného základního modelu.
Porozumění strukturovaným datům a generování JSON jsou hlavními vylepšeními Qwen2.5. Při extrakci nebo transformaci tabulky zachovejte její záhlaví a jednotky a vysvětlete, které řádky nebo vztahy jsou důležité. Definujte požadované klíče, typy hodnot a zacházení s chybějícími informacemi místo žádosti pouze o obecné shrnutí. Ilustrativní zadání může dodat seznam problémů a požadovat jeden objekt pro každý problém se zdrojovým identifikátorem, kategorií a krátkým vysvětlením. Takový výsledek zůstává generovaným textem: ověření jeho struktury a hodnot podle vstupu je součástí použití v navazujícím postupu.
Přesná karta popisuje plnou délku kontextu 131 072 tokenů a generování až 8 192 tokenů. Dodaná konfigurace je nastavena na 32 768 kontextových tokenů; zpracování delšího materiálu využívá dokumentovanou konfiguraci YaRN. Výrobce upozorňuje, že statické škálování může ovlivnit výkon u kratších vstupů, a doporučuje je přidat, když je potřeba zpracování dlouhého kontextu. Vstup a požadovanou odpověď udržte v příslušném nakonfigurovaném prostoru. U dlouhé zprávy zachovejte názvy oddílů, upřednostněte pasáže navázané na otázku a požadujte potřebnou délku výstupu místo používání většího kontextu jako důvodu zahrnout nesouvisející materiál.
Oficiální rychlý start používá systémové a uživatelské zprávy se šablonou chatu modelu a poté dekóduje vygenerované pokračování. Programovací úkol připravte s relevantním zdrojem, jazykem, očekávaným chováním a omezeními. Matematickou otázku připravte se zadanými údaji a formátem výsledku. Dokumentovaná vylepšení obecného modelu v těchto oblastech z něj nedělají samostatně trénované vydání Qwen2.5-Coder nebo Qwen2.5-Math. Ilustrativní programovací zadání může požadovat vysvětlení funkce, navrhovanou opravu a důvod, proč návrh splňuje uvedené podmínky; provedení a ověření zůstávají samostatnými kroky.
Dokumentace vydání Qwen popisuje také volání nástrojů a šablonu chatu zohledňující nástroje, včetně kompatibility s Qwen-Agent. Definujte dostupné nástroje a jejich argumenty, uveďte cíl a dodejte vrácené výsledky k interpretaci modelem. Asistent dokumentů může požádat o relevantní informace před sestavením konečné odpovědi a asistent kódu může uvažovat o výstupu kontroly provedené aplikací. Užitečným výstupem je pak odpověď navázaná na dodané důkazy a požadovaný formát. Jde o profil textového modelu; vizuální, zvukové nebo video-generační schopnosti jiných modelů Qwen jsou samostatné.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen/qwen-2.5-7b-instruct | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0004 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0004 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Použijte cesty metod uvedené výše.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct je kompaktní textový model Qwen doladěný pro instrukce, pro vícejazyčné psaní, kód, matematiku a strukturovaná data. Výrobce dokumentuje až 131 072 kontextových tokenů s konfigurací dlouhého kontextu a generování až 8 192 tokenů.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen2.5-7B-Instruct je textový model 7B doladěný pro instrukce v rodině obecných jazykových modelů Qwen2.5. Qwen zdůrazňuje programování a matematiku, plnění instrukcí, dlouhé texty, porozumění tabulkám a strukturovaný výstup, zejména JSON. Je to hustý model pouze s dekodérem a celkem 7,61 miliardy parametrů, z toho 6,53 miliardy neembeddingových parametrů. Přijímá textové konverzace a generuje text. Užitečné zadání jej může požádat o převod dodaných informací do jasného vysvětlení, strukturovaného záznamu, upraveného návrhu textu nebo navrhovaného programu.
Model podporuje více než 29 jazyků včetně čínštiny, angličtiny, francouzštiny, španělštiny, portugalštiny, němčiny, italštiny, ruštiny, japonštiny, korejštiny, vietnamštiny, thajštiny a arabštiny. Výrobce zdůrazňuje také odolnost vůči různým systémovým promptům, užitečnou pro definování konverzační role a jejích podmínek. Přímo uveďte roli, publikum, terminologii a jazyk výstupu. Například požadavek na úpravu může poskytnout technickou pasáž, určit zamýšleného čtenáře a požádat o kratší vysvětlení zachovávající pojmenované termíny a uvedené podmínky. Vydání doladěné pro instrukce je konverzační model odlišný od odpovídajícího předtrénovaného základního modelu.
Porozumění strukturovaným datům a generování JSON jsou hlavními vylepšeními Qwen2.5. Při extrakci nebo transformaci tabulky zachovejte její záhlaví a jednotky a vysvětlete, které řádky nebo vztahy jsou důležité. Definujte požadované klíče, typy hodnot a zacházení s chybějícími informacemi místo žádosti pouze o obecné shrnutí. Ilustrativní zadání může dodat seznam problémů a požadovat jeden objekt pro každý problém se zdrojovým identifikátorem, kategorií a krátkým vysvětlením. Takový výsledek zůstává generovaným textem: ověření jeho struktury a hodnot podle vstupu je součástí použití v navazujícím postupu.
Přesná karta popisuje plnou délku kontextu 131 072 tokenů a generování až 8 192 tokenů. Dodaná konfigurace je nastavena na 32 768 kontextových tokenů; zpracování delšího materiálu využívá dokumentovanou konfiguraci YaRN. Výrobce upozorňuje, že statické škálování může ovlivnit výkon u kratších vstupů, a doporučuje je přidat, když je potřeba zpracování dlouhého kontextu. Vstup a požadovanou odpověď udržte v příslušném nakonfigurovaném prostoru. U dlouhé zprávy zachovejte názvy oddílů, upřednostněte pasáže navázané na otázku a požadujte potřebnou délku výstupu místo používání většího kontextu jako důvodu zahrnout nesouvisející materiál.
Oficiální rychlý start používá systémové a uživatelské zprávy se šablonou chatu modelu a poté dekóduje vygenerované pokračování. Programovací úkol připravte s relevantním zdrojem, jazykem, očekávaným chováním a omezeními. Matematickou otázku připravte se zadanými údaji a formátem výsledku. Dokumentovaná vylepšení obecného modelu v těchto oblastech z něj nedělají samostatně trénované vydání Qwen2.5-Coder nebo Qwen2.5-Math. Ilustrativní programovací zadání může požadovat vysvětlení funkce, navrhovanou opravu a důvod, proč návrh splňuje uvedené podmínky; provedení a ověření zůstávají samostatnými kroky.
Dokumentace vydání Qwen popisuje také volání nástrojů a šablonu chatu zohledňující nástroje, včetně kompatibility s Qwen-Agent. Definujte dostupné nástroje a jejich argumenty, uveďte cíl a dodejte vrácené výsledky k interpretaci modelem. Asistent dokumentů může požádat o relevantní informace před sestavením konečné odpovědi a asistent kódu může uvažovat o výstupu kontroly provedené aplikací. Užitečným výstupem je pak odpověď navázaná na dodané důkazy a požadovaný formát. Jde o profil textového modelu; vizuální, zvukové nebo video-generační schopnosti jiných modelů Qwen jsou samostatné.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen/qwen-2.5-7b-instruct | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0004 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0004 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.