Qwen2.5-Coder-14B-Instruct ist die auf Anweisungen abgestimmte 14B-Ausführung aus Qwens codeorientierter Modellfamilie. Sie nimmt schriftliche Anweisungen und Quellcode entgegen und liefert Text, einschließlich Implementierungen, Erklärungen und Korrekturvorschlägen. Ihre Hauptfähigkeiten sind Codegenerierung, Schlussfolgerungen zu Code und Codekorrektur, mit einer Grundlage in Mathematik und allgemeinen Sprachaufgaben.
Geben Sie dem Modell Programmiersprache, erforderliches Verhalten und umgebende Schnittstellen. Eine gezielte Anfrage könnte eine Parsing-Funktion verlangen, die festgelegte Eingaben akzeptiert und ein bestehendes Rückgabeformat bewahrt. Fügen Sie Randfälle hinzu und benennen Sie Namen oder Abhängigkeiten, die unverändert bleiben müssen. Das Ergebnis kann eine Funktion oder ein kleiner Patch mit einer Erklärung sein, wie die Anforderung erfüllt wird.
Der Schnellstart des Herstellers demonstriert eine Konversation mit anschließend generiertem Code. Instruct ist die auf diese Interaktionsform abgestimmte Ausführung. Eine Folgefrage kann dieselbe Aufgabe verfeinern: eine Eingabebedingung ändern, einen Zweig erklären oder die Implementierung an eine bestehende Schnittstelle anpassen. Speichern Sie den resultierenden Code und führen Sie ihn in der Entwicklungsumgebung der Anwendung aus, um das angeforderte Verhalten zu prüfen.
Stellen Sie für Schlussfolgerungen zu Code den relevanten Ausschnitt bereit und fragen Sie nach einem bestimmten Zusammenhang: wie Daten zwischen Funktionen fließen, welche Bedingung die Ausgabe verändert oder warum ein Wert einen unerwarteten Zustand erreicht. Verbinden Sie bei einer Korrektur den Code mit dem beobachteten Fehler, einer auslösenden Eingabe und dem beabsichtigten Ergebnis. Fordern Sie Korrektur und Erklärung getrennt an, damit sich beide anhand des ursprünglichen Verhaltens prüfen lassen.
Das Trainingsmaterial der Familie umfasst Quellcode, mit Code gepaarten Text und synthetisches Material. Der veröffentlichte Trainingsumfang beträgt 5.5 Billionen Tokens. Das ist Hintergrund zur Programmierspezialisierung; es belegt nicht, dass eine vorgeschlagene Implementierung ausgeführt wurde oder die Prüfungen Ihres Projekts besteht.
Die konkrete Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens. Die ausgelieferte Konfiguration ist auf 32,768 Tokens eingestellt; längere Eingaben erfordern die beschriebene YaRN-Konfiguration in einer unterstützenden Laufzeit. Der Hersteller merkt an, dass statische Skalierung kürzere Eingaben beeinflussen kann, und empfiehlt ihre Aktivierung, wenn Langkontext-Verarbeitung benötigt wird. Das sind Bedingungen der Modellbereitstellung; die vollständige Kontextangabe begründet daher für sich allein nicht die Grenze einer bestimmten API-Schnittstelle.
Dieses Modell besitzt 14.7 Milliarden Parameter, darunter 13.1 Milliarden Parameter außerhalb der Embeddings, und 48 Schichten. Es verwendet Grouped-Query Attention mit 40 Query-Heads und acht Key/Value-Heads. Bewahren Sie bei der Aufgabenauswahl die Identität von 14B-Instruct: Die Base-Ausführung und größere Familienmitglieder haben eigene Spezifikationen. Ein hilfreiches fertiges Artefakt besteht aus dem vorgeschlagenen Code, seiner Erklärung und den zu seiner Prüfung erforderlichen Fällen.
", "aboutText": "Qwen2.5-Coder-14B-Instruct ist die auf Anweisungen abgestimmte 14B-Ausführung aus Qwens codeorientierter Modellfamilie. Sie nimmt schriftliche Anweisungen und Quellcode entgegen und liefert Text, einschließlich Implementierungen, Erklärungen und Korrekturvorschlägen. Ihre Hauptfähigkeiten sind Codegenerierung, Schlussfolgerungen zu Code und Codekorrektur, mit einer Grundlage in Mathematik und allgemeinen Sprachaufgaben.\n\n### Code aus einer konkreten Anforderung generieren\n\nGeben Sie dem Modell Programmiersprache, erforderliches Verhalten und umgebende Schnittstellen. Eine gezielte Anfrage könnte eine Parsing-Funktion verlangen, die festgelegte Eingaben akzeptiert und ein bestehendes Rückgabeformat bewahrt. Fügen Sie Randfälle hinzu und benennen Sie Namen oder Abhängigkeiten, die unverändert bleiben müssen. Das Ergebnis kann eine Funktion oder ein kleiner Patch mit einer Erklärung sein, wie die Anforderung erfüllt wird.\n\nDer Schnellstart des Herstellers demonstriert eine Konversation mit anschließend generiertem Code. Instruct ist die auf diese Interaktionsform abgestimmte Ausführung. Eine Folgefrage kann dieselbe Aufgabe verfeinern: eine Eingabebedingung ändern, einen Zweig erklären oder die Implementierung an eine bestehende Schnittstelle anpassen. Speichern Sie den resultierenden Code und führen Sie ihn in der Entwicklungsumgebung der Anwendung aus, um das angeforderte Verhalten zu prüfen.\n\n### Verhalten erklären und eine Korrektur vorschlagen\n\nStellen Sie für Schlussfolgerungen zu Code den relevanten Ausschnitt bereit und fragen Sie nach einem bestimmten Zusammenhang: wie Daten zwischen Funktionen fließen, welche Bedingung die Ausgabe verändert oder warum ein Wert einen unerwarteten Zustand erreicht. Verbinden Sie bei einer Korrektur den Code mit dem beobachteten Fehler, einer auslösenden Eingabe und dem beabsichtigten Ergebnis. Fordern Sie Korrektur und Erklärung getrennt an, damit sich beide anhand des ursprünglichen Verhaltens prüfen lassen.\n\nDas Trainingsmaterial der Familie umfasst Quellcode, mit Code gepaarten Text und synthetisches Material. Der veröffentlichte Trainingsumfang beträgt 5.5 Billionen Tokens. Das ist Hintergrund zur Programmierspezialisierung; es belegt nicht, dass eine vorgeschlagene Implementierung ausgeführt wurde oder die Prüfungen Ihres Projekts besteht.\n\n### Mit dem dokumentierten Kontext arbeiten\n\nDie konkrete Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens. Die ausgelieferte Konfiguration ist auf 32,768 Tokens eingestellt; längere Eingaben erfordern die beschriebene YaRN-Konfiguration in einer unterstützenden Laufzeit. Der Hersteller merkt an, dass statische Skalierung kürzere Eingaben beeinflussen kann, und empfiehlt ihre Aktivierung, wenn Langkontext-Verarbeitung benötigt wird. Das sind Bedingungen der Modellbereitstellung; die vollständige Kontextangabe begründet daher für sich allein nicht die Grenze einer bestimmten API-Schnittstelle.\n\n### Die konkrete 14B-Instruct-Ausführung\n\nDieses Modell besitzt 14.7 Milliarden Parameter, darunter 13.1 Milliarden Parameter außerhalb der Embeddings, und 48 Schichten. Es verwendet Grouped-Query Attention mit 40 Query-Heads und acht Key/Value-Heads. Bewahren Sie bei der Aufgabenauswahl die Identität von 14B-Instruct: Die Base-Ausführung und größere Familienmitglieder haben eigene Spezifikationen. Ein hilfreiches fertiges Artefakt besteht aus dem vorgeschlagenen Code, seiner Erklärung und den zu seiner Prüfung erforderlichen Fällen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a strict inventory-line parser\n\nWrite a Python function parse_line(text) for inventory lines formatted SKU|quantity. Trim surrounding spaces on both fields, reject an empty SKU, and require quantity to be a nonnegative integer. Return a tuple of SKU and quantity; raise ValueError for invalid input. Include tests for a valid line, zero quantity, an empty SKU and a negative quantity.A complete parser and four concrete tests preserving the specified tuple return format.Zero is accepted, a negative quantity is rejected, and invalid records raise ValueError rather than silently changing data.qwen2.5-coder-14b-instructQwen2.5-Coder-14B-Instruct ist ein Programmiermodell mit 14.7 Milliarden Parametern zum Generieren, Erklären und Korrigieren von Code. Sein auf Anweisungen abgestimmtes Design unterstützt dialogorientierte Aufgaben; der dokumentierte Kontext von 131,072 Tokens erfordert eine Langkontext-Konfiguration über die ausgelieferte Einstellung von 32,768 Tokens hinaus.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Coder-14B-Instruct ist die auf Anweisungen abgestimmte 14B-Ausführung aus Qwens codeorientierter Modellfamilie. Sie nimmt schriftliche Anweisungen und Quellcode entgegen und liefert Text, einschließlich Implementierungen, Erklärungen und Korrekturvorschlägen. Ihre Hauptfähigkeiten sind Codegenerierung, Schlussfolgerungen zu Code und Codekorrektur, mit einer Grundlage in Mathematik und allgemeinen Sprachaufgaben.
Geben Sie dem Modell Programmiersprache, erforderliches Verhalten und umgebende Schnittstellen. Eine gezielte Anfrage könnte eine Parsing-Funktion verlangen, die festgelegte Eingaben akzeptiert und ein bestehendes Rückgabeformat bewahrt. Fügen Sie Randfälle hinzu und benennen Sie Namen oder Abhängigkeiten, die unverändert bleiben müssen. Das Ergebnis kann eine Funktion oder ein kleiner Patch mit einer Erklärung sein, wie die Anforderung erfüllt wird.
Der Schnellstart des Herstellers demonstriert eine Konversation mit anschließend generiertem Code. Instruct ist die auf diese Interaktionsform abgestimmte Ausführung. Eine Folgefrage kann dieselbe Aufgabe verfeinern: eine Eingabebedingung ändern, einen Zweig erklären oder die Implementierung an eine bestehende Schnittstelle anpassen. Speichern Sie den resultierenden Code und führen Sie ihn in der Entwicklungsumgebung der Anwendung aus, um das angeforderte Verhalten zu prüfen.
Stellen Sie für Schlussfolgerungen zu Code den relevanten Ausschnitt bereit und fragen Sie nach einem bestimmten Zusammenhang: wie Daten zwischen Funktionen fließen, welche Bedingung die Ausgabe verändert oder warum ein Wert einen unerwarteten Zustand erreicht. Verbinden Sie bei einer Korrektur den Code mit dem beobachteten Fehler, einer auslösenden Eingabe und dem beabsichtigten Ergebnis. Fordern Sie Korrektur und Erklärung getrennt an, damit sich beide anhand des ursprünglichen Verhaltens prüfen lassen.
Das Trainingsmaterial der Familie umfasst Quellcode, mit Code gepaarten Text und synthetisches Material. Der veröffentlichte Trainingsumfang beträgt 5.5 Billionen Tokens. Das ist Hintergrund zur Programmierspezialisierung; es belegt nicht, dass eine vorgeschlagene Implementierung ausgeführt wurde oder die Prüfungen Ihres Projekts besteht.
Die konkrete Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens. Die ausgelieferte Konfiguration ist auf 32,768 Tokens eingestellt; längere Eingaben erfordern die beschriebene YaRN-Konfiguration in einer unterstützenden Laufzeit. Der Hersteller merkt an, dass statische Skalierung kürzere Eingaben beeinflussen kann, und empfiehlt ihre Aktivierung, wenn Langkontext-Verarbeitung benötigt wird. Das sind Bedingungen der Modellbereitstellung; die vollständige Kontextangabe begründet daher für sich allein nicht die Grenze einer bestimmten API-Schnittstelle.
Dieses Modell besitzt 14.7 Milliarden Parameter, darunter 13.1 Milliarden Parameter außerhalb der Embeddings, und 48 Schichten. Es verwendet Grouped-Query Attention mit 40 Query-Heads und acht Key/Value-Heads. Bewahren Sie bei der Aufgabenauswahl die Identität von 14B-Instruct: Die Base-Ausführung und größere Familienmitglieder haben eigene Spezifikationen. Ein hilfreiches fertiges Artefakt besteht aus dem vorgeschlagenen Code, seiner Erklärung und den zu seiner Prüfung erforderlichen Fällen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-coder-14b-instruct | 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 $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00172 / 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-coder-14b-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='qwen2.5-coder-14b-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='qwen2.5-coder-14b-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 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-coder-14b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-coder-14b-instructQwen2.5-Coder-14B-Instruct ist ein Programmiermodell mit 14.7 Milliarden Parametern zum Generieren, Erklären und Korrigieren von Code. Sein auf Anweisungen abgestimmtes Design unterstützt dialogorientierte Aufgaben; der dokumentierte Kontext von 131,072 Tokens erfordert eine Langkontext-Konfiguration über die ausgelieferte Einstellung von 32,768 Tokens hinaus.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Coder-14B-Instruct ist die auf Anweisungen abgestimmte 14B-Ausführung aus Qwens codeorientierter Modellfamilie. Sie nimmt schriftliche Anweisungen und Quellcode entgegen und liefert Text, einschließlich Implementierungen, Erklärungen und Korrekturvorschlägen. Ihre Hauptfähigkeiten sind Codegenerierung, Schlussfolgerungen zu Code und Codekorrektur, mit einer Grundlage in Mathematik und allgemeinen Sprachaufgaben.
Geben Sie dem Modell Programmiersprache, erforderliches Verhalten und umgebende Schnittstellen. Eine gezielte Anfrage könnte eine Parsing-Funktion verlangen, die festgelegte Eingaben akzeptiert und ein bestehendes Rückgabeformat bewahrt. Fügen Sie Randfälle hinzu und benennen Sie Namen oder Abhängigkeiten, die unverändert bleiben müssen. Das Ergebnis kann eine Funktion oder ein kleiner Patch mit einer Erklärung sein, wie die Anforderung erfüllt wird.
Der Schnellstart des Herstellers demonstriert eine Konversation mit anschließend generiertem Code. Instruct ist die auf diese Interaktionsform abgestimmte Ausführung. Eine Folgefrage kann dieselbe Aufgabe verfeinern: eine Eingabebedingung ändern, einen Zweig erklären oder die Implementierung an eine bestehende Schnittstelle anpassen. Speichern Sie den resultierenden Code und führen Sie ihn in der Entwicklungsumgebung der Anwendung aus, um das angeforderte Verhalten zu prüfen.
Stellen Sie für Schlussfolgerungen zu Code den relevanten Ausschnitt bereit und fragen Sie nach einem bestimmten Zusammenhang: wie Daten zwischen Funktionen fließen, welche Bedingung die Ausgabe verändert oder warum ein Wert einen unerwarteten Zustand erreicht. Verbinden Sie bei einer Korrektur den Code mit dem beobachteten Fehler, einer auslösenden Eingabe und dem beabsichtigten Ergebnis. Fordern Sie Korrektur und Erklärung getrennt an, damit sich beide anhand des ursprünglichen Verhaltens prüfen lassen.
Das Trainingsmaterial der Familie umfasst Quellcode, mit Code gepaarten Text und synthetisches Material. Der veröffentlichte Trainingsumfang beträgt 5.5 Billionen Tokens. Das ist Hintergrund zur Programmierspezialisierung; es belegt nicht, dass eine vorgeschlagene Implementierung ausgeführt wurde oder die Prüfungen Ihres Projekts besteht.
Die konkrete Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens. Die ausgelieferte Konfiguration ist auf 32,768 Tokens eingestellt; längere Eingaben erfordern die beschriebene YaRN-Konfiguration in einer unterstützenden Laufzeit. Der Hersteller merkt an, dass statische Skalierung kürzere Eingaben beeinflussen kann, und empfiehlt ihre Aktivierung, wenn Langkontext-Verarbeitung benötigt wird. Das sind Bedingungen der Modellbereitstellung; die vollständige Kontextangabe begründet daher für sich allein nicht die Grenze einer bestimmten API-Schnittstelle.
Dieses Modell besitzt 14.7 Milliarden Parameter, darunter 13.1 Milliarden Parameter außerhalb der Embeddings, und 48 Schichten. Es verwendet Grouped-Query Attention mit 40 Query-Heads und acht Key/Value-Heads. Bewahren Sie bei der Aufgabenauswahl die Identität von 14B-Instruct: Die Base-Ausführung und größere Familienmitglieder haben eigene Spezifikationen. Ein hilfreiches fertiges Artefakt besteht aus dem vorgeschlagenen Code, seiner Erklärung und den zu seiner Prüfung erforderlichen Fällen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-coder-14b-instruct | 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 $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00172 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-coder-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-coder-14b-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': 'qwen2.5-coder-14b-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 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-coder-14b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a strict inventory-line parser\n\nWrite a Python function parse_line(text) for inventory lines formatted SKU|quantity. Trim surrounding spaces on both fields, reject an empty SKU, and require quantity to be a nonnegative integer. Return a tuple of SKU and quantity; raise ValueError for invalid input. Include tests for a valid line, zero quantity, an empty SKU and a negative quantity.A complete parser and four concrete tests preserving the specified tuple return format.Zero is accepted, a negative quantity is rejected, and invalid records raise ValueError rather than silently changing data.