Qwen2.5-7B-Instruct er den instruktionstilpassede 7B-tekstmodel i Qwen2.5-familien af generelle sprogmodeller. Qwen fremhæver programmering og matematik, instruktionsfølgning, længere tekster, tabelforståelse og struktureret output, især JSON. Det er en tæt decoder-only-model med i alt 7,61 milliarder parametre, heraf 6,53 milliarder uden for embeddings. Den modtager tekstsamtaler og genererer tekst. En nyttig opgavebeskrivelse kan bede den om at omdanne givne oplysninger til en tydelig forklaring, en struktureret post, et revideret udkast eller et programforslag.
Modellen understøtter mere end 29 sprog, herunder kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Producenten fremhæver også robusthed over for forskellige systemprompts, hvilket er nyttigt ved definition af en samtalerolle og dens betingelser. Angiv rolle, målgruppe, terminologi og outputsprog direkte. En redigeringsanmodning kan for eksempel give en teknisk passage, angive den tilsigtede læser og bede om en kortere forklaring, der bevarer navngivne termer og angivne betingelser. Den instruktionstilpassede version er samtalemodellen, adskilt fra den tilsvarende prætrænede basismodel.
Forståelse af strukturerede data og JSON-generering er centrale forbedringer i Qwen2.5. For at udtrække eller transformere en tabel skal du bevare dens overskrifter og enheder og forklare, hvilke rækker eller relationer der er vigtige. Definér de ønskede nøgler, værdityper og behandlingen af manglende oplysninger frem for kun at bede om et generelt resumé. Et eksempel kan give en liste over problemer og bede om ét objekt for hvert problem med kildeidentifikator, kategori og en kort forklaring. Resultatet er stadig genereret tekst: kontrol af dets struktur og værdier mod input er en del af at bruge det i en efterfølgende arbejdsgang.
Det præcise kort beskriver en fuld kontekstlængde på 131.072 tokens og generering af op til 8.192 tokens. Den medfølgende konfiguration er indstillet til 32.768 konteksttokens; længere materiale håndteres med den dokumenterede YaRN-konfiguration. Producenten advarer om, at statisk skalering kan påvirke ydeevnen for kortere input, og anbefaler at tilføje den, når behandling med lang kontekst er nødvendig. Hold input og det ønskede svar inden for det relevante konfigurerede rum. Ved en lang rapport skal du bevare afsnitstitler, prioritere de passager, der vedrører spørgsmålet, og bede om den nødvendige outputlængde frem for at bruge det større konteksttal som grund til at medtage uvedkommende materiale.
Den officielle hurtigstart bruger system- og brugermeddelelser med modellens chatskabelon og dekoder derefter den genererede fortsættelse. Forbered programmeringsarbejde med relevant kildekode, sprog, forventet adfærd og begrænsninger. Forbered et matematisk spørgsmål med de givne forudsætninger og resultatets format. Den generelle models dokumenterede forbedringer på disse områder gør den ikke til den særskilt trænede version Qwen2.5-Coder eller Qwen2.5-Math. En kodeopgave kan for eksempel bede om en forklaring af en funktion, en foreslået rettelse og hvorfor forslaget opfylder de angivne betingelser; udførelse og verificering er fortsat separate trin.
Qwens udgivelsesdokumentation beskriver også værktøjskald og en værktøjsbevidst chatskabelon, herunder kompatibilitet med Qwen-Agent. Definér tilgængelige værktøjer og deres argumenter, angiv målet, og giv returnerede resultater, som modellen kan fortolke. En dokumentassistent kan anmode om relevante oplysninger før det endelige svar, mens en kodeassistent kan ræsonnere om output fra en kontrol, som applikationen har udført. Den nyttige leverance er så et svar knyttet til det leverede grundlag og det ønskede format. Dette er en tekstmodelprofil; andre Qwen-modellers billed- og lydfunktioner eller videogenerering er separate.
", "aboutText": "Qwen2.5-7B-Instruct er den instruktionstilpassede 7B-tekstmodel i Qwen2.5-familien af generelle sprogmodeller. Qwen fremhæver programmering og matematik, instruktionsfølgning, længere tekster, tabelforståelse og struktureret output, især JSON. Det er en tæt decoder-only-model med i alt 7,61 milliarder parametre, heraf 6,53 milliarder uden for embeddings. Den modtager tekstsamtaler og genererer tekst. En nyttig opgavebeskrivelse kan bede den om at omdanne givne oplysninger til en tydelig forklaring, en struktureret post, et revideret udkast eller et programforslag.\n\nModellen understøtter mere end 29 sprog, herunder kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Producenten fremhæver også robusthed over for forskellige systemprompts, hvilket er nyttigt ved definition af en samtalerolle og dens betingelser. Angiv rolle, målgruppe, terminologi og outputsprog direkte. En redigeringsanmodning kan for eksempel give en teknisk passage, angive den tilsigtede læser og bede om en kortere forklaring, der bevarer navngivne termer og angivne betingelser. Den instruktionstilpassede version er samtalemodellen, adskilt fra den tilsvarende prætrænede basismodel.\n\nForståelse af strukturerede data og JSON-generering er centrale forbedringer i Qwen2.5. For at udtrække eller transformere en tabel skal du bevare dens overskrifter og enheder og forklare, hvilke rækker eller relationer der er vigtige. Definér de ønskede nøgler, værdityper og behandlingen af manglende oplysninger frem for kun at bede om et generelt resumé. Et eksempel kan give en liste over problemer og bede om ét objekt for hvert problem med kildeidentifikator, kategori og en kort forklaring. Resultatet er stadig genereret tekst: kontrol af dets struktur og værdier mod input er en del af at bruge det i en efterfølgende arbejdsgang.\n\nDet præcise kort beskriver en fuld kontekstlængde på 131.072 tokens og generering af op til 8.192 tokens. Den medfølgende konfiguration er indstillet til 32.768 konteksttokens; længere materiale håndteres med den dokumenterede YaRN-konfiguration. Producenten advarer om, at statisk skalering kan påvirke ydeevnen for kortere input, og anbefaler at tilføje den, når behandling med lang kontekst er nødvendig. Hold input og det ønskede svar inden for det relevante konfigurerede rum. Ved en lang rapport skal du bevare afsnitstitler, prioritere de passager, der vedrører spørgsmålet, og bede om den nødvendige outputlængde frem for at bruge det større konteksttal som grund til at medtage uvedkommende materiale.\n\nDen officielle hurtigstart bruger system- og brugermeddelelser med modellens chatskabelon og dekoder derefter den genererede fortsættelse. Forbered programmeringsarbejde med relevant kildekode, sprog, forventet adfærd og begrænsninger. Forbered et matematisk spørgsmål med de givne forudsætninger og resultatets format. Den generelle models dokumenterede forbedringer på disse områder gør den ikke til den særskilt trænede version Qwen2.5-Coder eller Qwen2.5-Math. En kodeopgave kan for eksempel bede om en forklaring af en funktion, en foreslået rettelse og hvorfor forslaget opfylder de angivne betingelser; udførelse og verificering er fortsat separate trin.\n\nQwens udgivelsesdokumentation beskriver også værktøjskald og en værktøjsbevidst chatskabelon, herunder kompatibilitet med Qwen-Agent. Definér tilgængelige værktøjer og deres argumenter, angiv målet, og giv returnerede resultater, som modellen kan fortolke. En dokumentassistent kan anmode om relevante oplysninger før det endelige svar, mens en kodeassistent kan ræsonnere om output fra en kontrol, som applikationen har udført. Den nyttige leverance er så et svar knyttet til det leverede grundlag og det ønskede format. Dette er en tekstmodelprofil; andre Qwen-modellers billed- og lydfunktioner eller videogenerering er separate.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Qwens kompakte, instruktionstilpassede tekstmodel til flersproget skrivning, programmering, matematik og strukturerede data. Producenten dokumenterer op til 131.072 konteksttokens med konfigurationen til lang kontekst og generering af op til 8.192 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2.5-7B-Instruct er den instruktionstilpassede 7B-tekstmodel i Qwen2.5-familien af generelle sprogmodeller. Qwen fremhæver programmering og matematik, instruktionsfølgning, længere tekster, tabelforståelse og struktureret output, især JSON. Det er en tæt decoder-only-model med i alt 7,61 milliarder parametre, heraf 6,53 milliarder uden for embeddings. Den modtager tekstsamtaler og genererer tekst. En nyttig opgavebeskrivelse kan bede den om at omdanne givne oplysninger til en tydelig forklaring, en struktureret post, et revideret udkast eller et programforslag.
Modellen understøtter mere end 29 sprog, herunder kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Producenten fremhæver også robusthed over for forskellige systemprompts, hvilket er nyttigt ved definition af en samtalerolle og dens betingelser. Angiv rolle, målgruppe, terminologi og outputsprog direkte. En redigeringsanmodning kan for eksempel give en teknisk passage, angive den tilsigtede læser og bede om en kortere forklaring, der bevarer navngivne termer og angivne betingelser. Den instruktionstilpassede version er samtalemodellen, adskilt fra den tilsvarende prætrænede basismodel.
Forståelse af strukturerede data og JSON-generering er centrale forbedringer i Qwen2.5. For at udtrække eller transformere en tabel skal du bevare dens overskrifter og enheder og forklare, hvilke rækker eller relationer der er vigtige. Definér de ønskede nøgler, værdityper og behandlingen af manglende oplysninger frem for kun at bede om et generelt resumé. Et eksempel kan give en liste over problemer og bede om ét objekt for hvert problem med kildeidentifikator, kategori og en kort forklaring. Resultatet er stadig genereret tekst: kontrol af dets struktur og værdier mod input er en del af at bruge det i en efterfølgende arbejdsgang.
Det præcise kort beskriver en fuld kontekstlængde på 131.072 tokens og generering af op til 8.192 tokens. Den medfølgende konfiguration er indstillet til 32.768 konteksttokens; længere materiale håndteres med den dokumenterede YaRN-konfiguration. Producenten advarer om, at statisk skalering kan påvirke ydeevnen for kortere input, og anbefaler at tilføje den, når behandling med lang kontekst er nødvendig. Hold input og det ønskede svar inden for det relevante konfigurerede rum. Ved en lang rapport skal du bevare afsnitstitler, prioritere de passager, der vedrører spørgsmålet, og bede om den nødvendige outputlængde frem for at bruge det større konteksttal som grund til at medtage uvedkommende materiale.
Den officielle hurtigstart bruger system- og brugermeddelelser med modellens chatskabelon og dekoder derefter den genererede fortsættelse. Forbered programmeringsarbejde med relevant kildekode, sprog, forventet adfærd og begrænsninger. Forbered et matematisk spørgsmål med de givne forudsætninger og resultatets format. Den generelle models dokumenterede forbedringer på disse områder gør den ikke til den særskilt trænede version Qwen2.5-Coder eller Qwen2.5-Math. En kodeopgave kan for eksempel bede om en forklaring af en funktion, en foreslået rettelse og hvorfor forslaget opfylder de angivne betingelser; udførelse og verificering er fortsat separate trin.
Qwens udgivelsesdokumentation beskriver også værktøjskald og en værktøjsbevidst chatskabelon, herunder kompatibilitet med Qwen-Agent. Definér tilgængelige værktøjer og deres argumenter, angiv målet, og giv returnerede resultater, som modellen kan fortolke. En dokumentassistent kan anmode om relevante oplysninger før det endelige svar, mens en kodeassistent kan ræsonnere om output fra en kontrol, som applikationen har udført. Den nyttige leverance er så et svar knyttet til det leverede grundlag og det ønskede format. Dette er en tekstmodelprofil; andre Qwen-modellers billed- og lydfunktioner eller videogenerering er separate.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen-2.5-7b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Brug metodestierne vist ovenfor.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct er Qwens kompakte, instruktionstilpassede tekstmodel til flersproget skrivning, programmering, matematik og strukturerede data. Producenten dokumenterer op til 131.072 konteksttokens med konfigurationen til lang kontekst og generering af op til 8.192 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2.5-7B-Instruct er den instruktionstilpassede 7B-tekstmodel i Qwen2.5-familien af generelle sprogmodeller. Qwen fremhæver programmering og matematik, instruktionsfølgning, længere tekster, tabelforståelse og struktureret output, især JSON. Det er en tæt decoder-only-model med i alt 7,61 milliarder parametre, heraf 6,53 milliarder uden for embeddings. Den modtager tekstsamtaler og genererer tekst. En nyttig opgavebeskrivelse kan bede den om at omdanne givne oplysninger til en tydelig forklaring, en struktureret post, et revideret udkast eller et programforslag.
Modellen understøtter mere end 29 sprog, herunder kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Producenten fremhæver også robusthed over for forskellige systemprompts, hvilket er nyttigt ved definition af en samtalerolle og dens betingelser. Angiv rolle, målgruppe, terminologi og outputsprog direkte. En redigeringsanmodning kan for eksempel give en teknisk passage, angive den tilsigtede læser og bede om en kortere forklaring, der bevarer navngivne termer og angivne betingelser. Den instruktionstilpassede version er samtalemodellen, adskilt fra den tilsvarende prætrænede basismodel.
Forståelse af strukturerede data og JSON-generering er centrale forbedringer i Qwen2.5. For at udtrække eller transformere en tabel skal du bevare dens overskrifter og enheder og forklare, hvilke rækker eller relationer der er vigtige. Definér de ønskede nøgler, værdityper og behandlingen af manglende oplysninger frem for kun at bede om et generelt resumé. Et eksempel kan give en liste over problemer og bede om ét objekt for hvert problem med kildeidentifikator, kategori og en kort forklaring. Resultatet er stadig genereret tekst: kontrol af dets struktur og værdier mod input er en del af at bruge det i en efterfølgende arbejdsgang.
Det præcise kort beskriver en fuld kontekstlængde på 131.072 tokens og generering af op til 8.192 tokens. Den medfølgende konfiguration er indstillet til 32.768 konteksttokens; længere materiale håndteres med den dokumenterede YaRN-konfiguration. Producenten advarer om, at statisk skalering kan påvirke ydeevnen for kortere input, og anbefaler at tilføje den, når behandling med lang kontekst er nødvendig. Hold input og det ønskede svar inden for det relevante konfigurerede rum. Ved en lang rapport skal du bevare afsnitstitler, prioritere de passager, der vedrører spørgsmålet, og bede om den nødvendige outputlængde frem for at bruge det større konteksttal som grund til at medtage uvedkommende materiale.
Den officielle hurtigstart bruger system- og brugermeddelelser med modellens chatskabelon og dekoder derefter den genererede fortsættelse. Forbered programmeringsarbejde med relevant kildekode, sprog, forventet adfærd og begrænsninger. Forbered et matematisk spørgsmål med de givne forudsætninger og resultatets format. Den generelle models dokumenterede forbedringer på disse områder gør den ikke til den særskilt trænede version Qwen2.5-Coder eller Qwen2.5-Math. En kodeopgave kan for eksempel bede om en forklaring af en funktion, en foreslået rettelse og hvorfor forslaget opfylder de angivne betingelser; udførelse og verificering er fortsat separate trin.
Qwens udgivelsesdokumentation beskriver også værktøjskald og en værktøjsbevidst chatskabelon, herunder kompatibilitet med Qwen-Agent. Definér tilgængelige værktøjer og deres argumenter, angiv målet, og giv returnerede resultater, som modellen kan fortolke. En dokumentassistent kan anmode om relevante oplysninger før det endelige svar, mens en kodeassistent kan ræsonnere om output fra en kontrol, som applikationen har udført. Den nyttige leverance er så et svar knyttet til det leverede grundlag og det ønskede format. Dette er en tekstmodelprofil; andre Qwen-modellers billed- og lydfunktioner eller videogenerering er separate.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen-2.5-7b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
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.