Qwen2.5 14B Instruct 1M ist die 14B-Ausführung mit längerem Kontext innerhalb der Qwen2.5-Familie. Die Modellkarte des Herstellers veröffentlicht einen vollständigen Kontext von 1,010,000 Tokens und ein Generierungsbudget von 8,192 Tokens. Sie beschreibt ein Sprachmodell mit 14.7 Milliarden Parametern, davon 13.1 Milliarden ohne Embeddings.
Kennzeichnen Sie Dokumente oder Passagen und nennen Sie das Ergebnis, das sie stützen sollen. Ein Vergleich kann Kriterien definieren und Unterschiede mit Quellenbezug anfordern. Eine Zusammenfassung kann die Zielgruppe und die zu bewahrenden Informationen festlegen. Ein gezieltes Briefing hält eine größere Quellsammlung mit der erforderlichen Antwort verbunden.
Bewahren Sie bei einer Folgefrage die Quellkennungen und den relevanten früheren Befund. Ergänzen Sie eine Korrektur oder neue Passage ausdrücklich, damit sich eine überarbeitete Schlussfolgerung mit den ursprünglichen Belegen vergleichen lässt.
Der Hersteller demonstriert eine Systemanweisung und eine Nutzerfrage über das Chat-Template der Veröffentlichung. Halten Sie zitiertes Material von Anweisungen getrennt und definieren Sie die Struktur der endgültigen Antwort. Geben Sie für ein strukturiertes Ergebnis die Felder und die Darstellung fehlender Informationen an und prüfen Sie anschließend die zurückgegebenen Werte anhand der Quelle.
Eine große Eingabe verlangt keine ebenso große Antwort. Fordern Sie die für das Artefakt benötigte Detailtiefe an und lassen Sie innerhalb der Grenzen der gewählten Schnittstelle ausreichend Platz für die Antwort.
Der Hersteller empfiehlt für ultralange Eingaben ein spezialisiertes Inferenz-Framework mit Sparse Attention und Längenextrapolation. Sein Leitfaden erklärt die Einstellung der maximalen Modelllänge und weiterer Ausführungsparameter; er weist auch darauf hin, dass ein älteres kompatibles Framework jenseits von 262,144 Tokens an Genauigkeit verlieren kann.
Das sind Modell- und Bereitstellungsfähigkeiten und keine Einstellungen, die automatisch von jeder gehosteten Schnittstelle angeboten werden. Das konkrete gehostete Profil nennt einen Arbeitskontext von 128,000 Tokens. Bereiten Sie die tatsächliche Anfrage anhand der dokumentierten Grenzen dieser Schnittstelle vor, statt den Namen der 1M-Ausführung als Garantie für jede Route zu behandeln.
Der gemeinsame Langkontext-Leitfaden des Herstellers nennt separate 7B- und 14B-Modelle. Dieser Eintrag folgt den eigenen Parameter- und Generierungsspezifikationen des 14B-Modells. Bewahren Sie die genaue Ausführung zusammen mit Prompt und Ergebnis, wenn Sie Aufgaben oder Überarbeitungen mit größeren Quellsammlungen vergleichen.
", "aboutText": "Qwen2.5 14B Instruct 1M ist die 14B-Ausführung mit längerem Kontext innerhalb der Qwen2.5-Familie. Die Modellkarte des Herstellers veröffentlicht einen vollständigen Kontext von 1,010,000 Tokens und ein Generierungsbudget von 8,192 Tokens. Sie beschreibt ein Sprachmodell mit 14.7 Milliarden Parametern, davon 13.1 Milliarden ohne Embeddings.\n\n### Langes Material um die Frage herum organisieren\n\nKennzeichnen Sie Dokumente oder Passagen und nennen Sie das Ergebnis, das sie stützen sollen. Ein Vergleich kann Kriterien definieren und Unterschiede mit Quellenbezug anfordern. Eine Zusammenfassung kann die Zielgruppe und die zu bewahrenden Informationen festlegen. Ein gezieltes Briefing hält eine größere Quellsammlung mit der erforderlichen Antwort verbunden.\n\nBewahren Sie bei einer Folgefrage die Quellkennungen und den relevanten früheren Befund. Ergänzen Sie eine Korrektur oder neue Passage ausdrücklich, damit sich eine überarbeitete Schlussfolgerung mit den ursprünglichen Belegen vergleichen lässt.\n\n### Das Konversations-Template des Modells verwenden\n\nDer Hersteller demonstriert eine Systemanweisung und eine Nutzerfrage über das Chat-Template der Veröffentlichung. Halten Sie zitiertes Material von Anweisungen getrennt und definieren Sie die Struktur der endgültigen Antwort. Geben Sie für ein strukturiertes Ergebnis die Felder und die Darstellung fehlender Informationen an und prüfen Sie anschließend die zurückgegebenen Werte anhand der Quelle.\n\nEine große Eingabe verlangt keine ebenso große Antwort. Fordern Sie die für das Artefakt benötigte Detailtiefe an und lassen Sie innerhalb der Grenzen der gewählten Schnittstelle ausreichend Platz für die Antwort.\n\n### Langkontext-Konfiguration\n\nDer Hersteller empfiehlt für ultralange Eingaben ein spezialisiertes Inferenz-Framework mit Sparse Attention und Längenextrapolation. Sein Leitfaden erklärt die Einstellung der maximalen Modelllänge und weiterer Ausführungsparameter; er weist auch darauf hin, dass ein älteres kompatibles Framework jenseits von 262,144 Tokens an Genauigkeit verlieren kann.\n\nDas sind Modell- und Bereitstellungsfähigkeiten und keine Einstellungen, die automatisch von jeder gehosteten Schnittstelle angeboten werden. Das konkrete gehostete Profil nennt einen Arbeitskontext von 128,000 Tokens. Bereiten Sie die tatsächliche Anfrage anhand der dokumentierten Grenzen dieser Schnittstelle vor, statt den Namen der 1M-Ausführung als Garantie für jede Route zu behandeln.\n\n### Die 14B-Ausführung bewahren\n\nDer gemeinsame Langkontext-Leitfaden des Herstellers nennt separate 7B- und 14B-Modelle. Dieser Eintrag folgt den eigenen Parameter- und Generierungsspezifikationen des 14B-Modells. Bewahren Sie die genaue Ausführung zusammen mit Prompt und Ergebnis, wenn Sie Aufgaben oder Überarbeitungen mit größeren Quellsammlungen vergleichen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile a source collection\n\nCreate a current project summary from these labeled records. [M1] May plan: pilot in two branches, North and East. [M2] June decision: replace East with West; North unchanged. [M3] June staffing note: West lead unassigned. Treat later explicit decisions as updates. Return active branches, the change history and unresolved ownership, citing the relevant record IDs.A source-linked current-state summary, a concise change history and the missing West owner.Check East survives only in history and West is active with its owner unassigned.qwen2.5-14b-instruct-1mQwen2.5 14B Instruct 1M ist Qwens Langkontext-Textausführung für größere Quellsammlungen und anweisungsorientierte Aufgaben. Der Hersteller veröffentlicht für das Modell einen vollständigen Kontext von 1,010,000 Tokens und ein Generierungsbudget von 8,192 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5 14B Instruct 1M ist die 14B-Ausführung mit längerem Kontext innerhalb der Qwen2.5-Familie. Die Modellkarte des Herstellers veröffentlicht einen vollständigen Kontext von 1,010,000 Tokens und ein Generierungsbudget von 8,192 Tokens. Sie beschreibt ein Sprachmodell mit 14.7 Milliarden Parametern, davon 13.1 Milliarden ohne Embeddings.
Kennzeichnen Sie Dokumente oder Passagen und nennen Sie das Ergebnis, das sie stützen sollen. Ein Vergleich kann Kriterien definieren und Unterschiede mit Quellenbezug anfordern. Eine Zusammenfassung kann die Zielgruppe und die zu bewahrenden Informationen festlegen. Ein gezieltes Briefing hält eine größere Quellsammlung mit der erforderlichen Antwort verbunden.
Bewahren Sie bei einer Folgefrage die Quellkennungen und den relevanten früheren Befund. Ergänzen Sie eine Korrektur oder neue Passage ausdrücklich, damit sich eine überarbeitete Schlussfolgerung mit den ursprünglichen Belegen vergleichen lässt.
Der Hersteller demonstriert eine Systemanweisung und eine Nutzerfrage über das Chat-Template der Veröffentlichung. Halten Sie zitiertes Material von Anweisungen getrennt und definieren Sie die Struktur der endgültigen Antwort. Geben Sie für ein strukturiertes Ergebnis die Felder und die Darstellung fehlender Informationen an und prüfen Sie anschließend die zurückgegebenen Werte anhand der Quelle.
Eine große Eingabe verlangt keine ebenso große Antwort. Fordern Sie die für das Artefakt benötigte Detailtiefe an und lassen Sie innerhalb der Grenzen der gewählten Schnittstelle ausreichend Platz für die Antwort.
Der Hersteller empfiehlt für ultralange Eingaben ein spezialisiertes Inferenz-Framework mit Sparse Attention und Längenextrapolation. Sein Leitfaden erklärt die Einstellung der maximalen Modelllänge und weiterer Ausführungsparameter; er weist auch darauf hin, dass ein älteres kompatibles Framework jenseits von 262,144 Tokens an Genauigkeit verlieren kann.
Das sind Modell- und Bereitstellungsfähigkeiten und keine Einstellungen, die automatisch von jeder gehosteten Schnittstelle angeboten werden. Das konkrete gehostete Profil nennt einen Arbeitskontext von 128,000 Tokens. Bereiten Sie die tatsächliche Anfrage anhand der dokumentierten Grenzen dieser Schnittstelle vor, statt den Namen der 1M-Ausführung als Garantie für jede Route zu behandeln.
Der gemeinsame Langkontext-Leitfaden des Herstellers nennt separate 7B- und 14B-Modelle. Dieser Eintrag folgt den eigenen Parameter- und Generierungsspezifikationen des 14B-Modells. Bewahren Sie die genaue Ausführung zusammen mit Prompt und Ergebnis, wenn Sie Aufgaben oder Überarbeitungen mit größeren Quellsammlungen vergleichen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-14b-instruct-1m | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.00086 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2.5-14b-instruct-1m", "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='qwen2.5-14b-instruct-1m',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='qwen2.5-14b-instruct-1m',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-14b-instruct-1m
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-14b-instruct-1mQwen2.5 14B Instruct 1M ist Qwens Langkontext-Textausführung für größere Quellsammlungen und anweisungsorientierte Aufgaben. Der Hersteller veröffentlicht für das Modell einen vollständigen Kontext von 1,010,000 Tokens und ein Generierungsbudget von 8,192 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5 14B Instruct 1M ist die 14B-Ausführung mit längerem Kontext innerhalb der Qwen2.5-Familie. Die Modellkarte des Herstellers veröffentlicht einen vollständigen Kontext von 1,010,000 Tokens und ein Generierungsbudget von 8,192 Tokens. Sie beschreibt ein Sprachmodell mit 14.7 Milliarden Parametern, davon 13.1 Milliarden ohne Embeddings.
Kennzeichnen Sie Dokumente oder Passagen und nennen Sie das Ergebnis, das sie stützen sollen. Ein Vergleich kann Kriterien definieren und Unterschiede mit Quellenbezug anfordern. Eine Zusammenfassung kann die Zielgruppe und die zu bewahrenden Informationen festlegen. Ein gezieltes Briefing hält eine größere Quellsammlung mit der erforderlichen Antwort verbunden.
Bewahren Sie bei einer Folgefrage die Quellkennungen und den relevanten früheren Befund. Ergänzen Sie eine Korrektur oder neue Passage ausdrücklich, damit sich eine überarbeitete Schlussfolgerung mit den ursprünglichen Belegen vergleichen lässt.
Der Hersteller demonstriert eine Systemanweisung und eine Nutzerfrage über das Chat-Template der Veröffentlichung. Halten Sie zitiertes Material von Anweisungen getrennt und definieren Sie die Struktur der endgültigen Antwort. Geben Sie für ein strukturiertes Ergebnis die Felder und die Darstellung fehlender Informationen an und prüfen Sie anschließend die zurückgegebenen Werte anhand der Quelle.
Eine große Eingabe verlangt keine ebenso große Antwort. Fordern Sie die für das Artefakt benötigte Detailtiefe an und lassen Sie innerhalb der Grenzen der gewählten Schnittstelle ausreichend Platz für die Antwort.
Der Hersteller empfiehlt für ultralange Eingaben ein spezialisiertes Inferenz-Framework mit Sparse Attention und Längenextrapolation. Sein Leitfaden erklärt die Einstellung der maximalen Modelllänge und weiterer Ausführungsparameter; er weist auch darauf hin, dass ein älteres kompatibles Framework jenseits von 262,144 Tokens an Genauigkeit verlieren kann.
Das sind Modell- und Bereitstellungsfähigkeiten und keine Einstellungen, die automatisch von jeder gehosteten Schnittstelle angeboten werden. Das konkrete gehostete Profil nennt einen Arbeitskontext von 128,000 Tokens. Bereiten Sie die tatsächliche Anfrage anhand der dokumentierten Grenzen dieser Schnittstelle vor, statt den Namen der 1M-Ausführung als Garantie für jede Route zu behandeln.
Der gemeinsame Langkontext-Leitfaden des Herstellers nennt separate 7B- und 14B-Modelle. Dieser Eintrag folgt den eigenen Parameter- und Generierungsspezifikationen des 14B-Modells. Bewahren Sie die genaue Ausführung zusammen mit Prompt und Ergebnis, wenn Sie Aufgaben oder Überarbeitungen mit größeren Quellsammlungen vergleichen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-14b-instruct-1m | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.00086 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-14b-instruct-1m",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-14b-instruct-1m', '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': 'qwen2.5-14b-instruct-1m', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-14b-instruct-1m
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile a source collection\n\nCreate a current project summary from these labeled records. [M1] May plan: pilot in two branches, North and East. [M2] June decision: replace East with West; North unchanged. [M3] June staffing note: West lead unassigned. Treat later explicit decisions as updates. Return active branches, the change history and unresolved ownership, citing the relevant record IDs.A source-linked current-state summary, a concise change history and the missing West owner.Check East survives only in history and West is active with its owner unassigned.