Qwen2.5-Coder-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung der Größe 7B aus Qwens codeorientierter Familie, die zuvor CodeQwen hieß. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen zum Programmverhalten und Codekorrektur. Sie erhält Text, einschließlich Anforderungen und Quellcode, und liefert Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.
Programmierfähigkeiten und Training
Der Hersteller beschreibt 5.5 Billionen Trainingstokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben der Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet das Generieren eines Programms, Schlussfolgerungen über dessen Ablauf und das Korrigieren einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche abschließende Artefakte nötig.
Stellen Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert bereit. Fügen Sie Vorgaben hinzu, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Fordern Sie die Implementierung und eine kurze Erklärung an, wie sie jede Anforderung erfüllt. Eine Sortieranfrage kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und dann eine Funktion samt Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.
Stellen Sie für Schlussfolgerungen zu Code den exakten Ausschnitt und die konkret nachzuverfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich die Zwischenwerte ändern und was die Funktion zurückgibt. Das ist hilfreicher als eine ungezielte Bitte, eine ganze Datei zu erklären: Die Antwort verbindet eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Bewahren Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Ausschnitt.
Stellen Sie für eine Korrektur das fehlerhafte Verhalten, das erwartete Verhalten und den Code bereit, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Fordern Sie einen Korrekturvorschlag, eine Erklärung der Ursache und Beispiele an, die altes und beabsichtigtes Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilieren, Ausführen oder Anwenden auf ein Repository erfordert die umgebende Entwicklungsumgebung.
Die benannte 7B-Ausführung
Das veröffentlichte Modell besitzt 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter außerhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet Rotary Positional Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention besitzt 28 Query-Heads und 4 Key/Value-Heads. Diese Details beschreiben diese Veröffentlichung und keine größere Coder-Ausführung.
Die Familie bietet separate Base- und Instruct-Modelle. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Completion und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Die Beispiele und hervorgehobenen Ergebnisse anderer Größen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausführung.
Die Anweisung vorbereiten
Die Modellkarte demonstriert eine Konversation mit getrennten System- und Nutzernachrichten und dem passenden Chat-Template. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Markieren Sie, welcher Ausschnitt bestehender Quelltext ist, welcher Text eine Anforderung enthält und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die die angeforderte Änderung erhalten muss.
Eine hilfreiche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, seinen Aufrufer und die beabsichtigte Änderung enthalten. Fordern Sie eine überarbeitete Funktion, eine Liste von Annahmen und Beispieleingaben mit erwarteten Ausgaben an. Geben Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen an und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein separater Schritt nach der Generierung seiner Quelle.
Lange Texte verarbeiten
Die Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung längerer Eingaben erfordert die dokumentierte YaRN-Erweiterung. Das Beispiel legt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionsanzahl von 32,768 fest. Der Hersteller merkt an, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt die Erweiterung, wenn lange Kontexte benötigt werden.
Nutzen Sie den größeren Kontext, um zusammengehörigen Code und Anforderungen gemeinsam zu halten, benennen Sie jedoch die eigentliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer festgelegten Schnittstelle vorschlagen. Nehmen Sie die verhaltensbestimmenden Teile auf statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte begründet daraus keine separate maximale Ausgabekapazität.
Das dokumentierte Modellergebnis ist Text. Die Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt. Halten Sie diese Operationen von der Fähigkeit des Modells getrennt, Code vorzuschlagen und dessen Verhalten zu erklären, und nennen Sie bei der Planung einer wiederholbaren Aufgabe die genaue 7B-Instruct-Ausführung und die Langkontext-Einstellungen ausdrücklich.
", "aboutText": "Qwen2.5-Coder-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung der Größe 7B aus Qwens codeorientierter Familie, die zuvor CodeQwen hieß. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen zum Programmverhalten und Codekorrektur. Sie erhält Text, einschließlich Anforderungen und Quellcode, und liefert Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.\n\nProgrammierfähigkeiten und Training\n\nDer Hersteller beschreibt 5.5 Billionen Trainingstokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben der Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet das Generieren eines Programms, Schlussfolgerungen über dessen Ablauf und das Korrigieren einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche abschließende Artefakte nötig.\n\nStellen Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert bereit. Fügen Sie Vorgaben hinzu, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Fordern Sie die Implementierung und eine kurze Erklärung an, wie sie jede Anforderung erfüllt. Eine Sortieranfrage kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und dann eine Funktion samt Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.\n\nStellen Sie für Schlussfolgerungen zu Code den exakten Ausschnitt und die konkret nachzuverfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich die Zwischenwerte ändern und was die Funktion zurückgibt. Das ist hilfreicher als eine ungezielte Bitte, eine ganze Datei zu erklären: Die Antwort verbindet eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Bewahren Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Ausschnitt.\n\nStellen Sie für eine Korrektur das fehlerhafte Verhalten, das erwartete Verhalten und den Code bereit, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Fordern Sie einen Korrekturvorschlag, eine Erklärung der Ursache und Beispiele an, die altes und beabsichtigtes Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilieren, Ausführen oder Anwenden auf ein Repository erfordert die umgebende Entwicklungsumgebung.\n\nDie benannte 7B-Ausführung\n\nDas veröffentlichte Modell besitzt 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter außerhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet Rotary Positional Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention besitzt 28 Query-Heads und 4 Key/Value-Heads. Diese Details beschreiben diese Veröffentlichung und keine größere Coder-Ausführung.\n\nDie Familie bietet separate Base- und Instruct-Modelle. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Completion und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Die Beispiele und hervorgehobenen Ergebnisse anderer Größen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausführung.\n\nDie Anweisung vorbereiten\n\nDie Modellkarte demonstriert eine Konversation mit getrennten System- und Nutzernachrichten und dem passenden Chat-Template. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Markieren Sie, welcher Ausschnitt bestehender Quelltext ist, welcher Text eine Anforderung enthält und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die die angeforderte Änderung erhalten muss.\n\nEine hilfreiche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, seinen Aufrufer und die beabsichtigte Änderung enthalten. Fordern Sie eine überarbeitete Funktion, eine Liste von Annahmen und Beispieleingaben mit erwarteten Ausgaben an. Geben Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen an und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein separater Schritt nach der Generierung seiner Quelle.\n\nLange Texte verarbeiten\n\nDie Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung längerer Eingaben erfordert die dokumentierte YaRN-Erweiterung. Das Beispiel legt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionsanzahl von 32,768 fest. Der Hersteller merkt an, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt die Erweiterung, wenn lange Kontexte benötigt werden.\n\nNutzen Sie den größeren Kontext, um zusammengehörigen Code und Anforderungen gemeinsam zu halten, benennen Sie jedoch die eigentliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer festgelegten Schnittstelle vorschlagen. Nehmen Sie die verhaltensbestimmenden Teile auf statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte begründet daraus keine separate maximale Ausgabekapazität.\n\nDas dokumentierte Modellergebnis ist Text. Die Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt. Halten Sie diese Operationen von der Fähigkeit des Modells getrennt, Code vorzuschlagen und dessen Verhalten zu erklären, und nennen Sie bei der Planung einer wiederholbaren Aufgabe die genaue 7B-Instruct-Ausführung und die Langkontext-Einstellungen ausdrücklich.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct ist ein Textmodell zum Generieren, Erklären und Korrigieren von Code anhand von Anweisungen. Die Veröffentlichung mit 7.61 Milliarden Parametern unterstützt erweiterte Kontexte bis zu 131,072 Tokens mit der dokumentierten Langkontext-Konfiguration.
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-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung der Größe 7B aus Qwens codeorientierter Familie, die zuvor CodeQwen hieß. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen zum Programmverhalten und Codekorrektur. Sie erhält Text, einschließlich Anforderungen und Quellcode, und liefert Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.
Programmierfähigkeiten und Training
Der Hersteller beschreibt 5.5 Billionen Trainingstokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben der Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet das Generieren eines Programms, Schlussfolgerungen über dessen Ablauf und das Korrigieren einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche abschließende Artefakte nötig.
Stellen Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert bereit. Fügen Sie Vorgaben hinzu, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Fordern Sie die Implementierung und eine kurze Erklärung an, wie sie jede Anforderung erfüllt. Eine Sortieranfrage kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und dann eine Funktion samt Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.
Stellen Sie für Schlussfolgerungen zu Code den exakten Ausschnitt und die konkret nachzuverfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich die Zwischenwerte ändern und was die Funktion zurückgibt. Das ist hilfreicher als eine ungezielte Bitte, eine ganze Datei zu erklären: Die Antwort verbindet eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Bewahren Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Ausschnitt.
Stellen Sie für eine Korrektur das fehlerhafte Verhalten, das erwartete Verhalten und den Code bereit, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Fordern Sie einen Korrekturvorschlag, eine Erklärung der Ursache und Beispiele an, die altes und beabsichtigtes Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilieren, Ausführen oder Anwenden auf ein Repository erfordert die umgebende Entwicklungsumgebung.
Die benannte 7B-Ausführung
Das veröffentlichte Modell besitzt 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter außerhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet Rotary Positional Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention besitzt 28 Query-Heads und 4 Key/Value-Heads. Diese Details beschreiben diese Veröffentlichung und keine größere Coder-Ausführung.
Die Familie bietet separate Base- und Instruct-Modelle. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Completion und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Die Beispiele und hervorgehobenen Ergebnisse anderer Größen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausführung.
Die Anweisung vorbereiten
Die Modellkarte demonstriert eine Konversation mit getrennten System- und Nutzernachrichten und dem passenden Chat-Template. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Markieren Sie, welcher Ausschnitt bestehender Quelltext ist, welcher Text eine Anforderung enthält und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die die angeforderte Änderung erhalten muss.
Eine hilfreiche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, seinen Aufrufer und die beabsichtigte Änderung enthalten. Fordern Sie eine überarbeitete Funktion, eine Liste von Annahmen und Beispieleingaben mit erwarteten Ausgaben an. Geben Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen an und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein separater Schritt nach der Generierung seiner Quelle.
Lange Texte verarbeiten
Die Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung längerer Eingaben erfordert die dokumentierte YaRN-Erweiterung. Das Beispiel legt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionsanzahl von 32,768 fest. Der Hersteller merkt an, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt die Erweiterung, wenn lange Kontexte benötigt werden.
Nutzen Sie den größeren Kontext, um zusammengehörigen Code und Anforderungen gemeinsam zu halten, benennen Sie jedoch die eigentliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer festgelegten Schnittstelle vorschlagen. Nehmen Sie die verhaltensbestimmenden Teile auf statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte begründet daraus keine separate maximale Ausgabekapazität.
Das dokumentierte Modellergebnis ist Text. Die Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt. Halten Sie diese Operationen von der Fähigkeit des Modells getrennt, Code vorzuschlagen und dessen Verhalten zu erklären, und nennen Sie bei der Planung einer wiederholbaren Aufgabe die genaue 7B-Instruct-Ausführung und die Langkontext-Einstellungen ausdrücklich.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-coder-7b-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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0001 / 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-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='qwen2.5-coder-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='qwen2.5-coder-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 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-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct ist ein Textmodell zum Generieren, Erklären und Korrigieren von Code anhand von Anweisungen. Die Veröffentlichung mit 7.61 Milliarden Parametern unterstützt erweiterte Kontexte bis zu 131,072 Tokens mit der dokumentierten Langkontext-Konfiguration.
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-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung der Größe 7B aus Qwens codeorientierter Familie, die zuvor CodeQwen hieß. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen zum Programmverhalten und Codekorrektur. Sie erhält Text, einschließlich Anforderungen und Quellcode, und liefert Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.
Programmierfähigkeiten und Training
Der Hersteller beschreibt 5.5 Billionen Trainingstokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben der Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet das Generieren eines Programms, Schlussfolgerungen über dessen Ablauf und das Korrigieren einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche abschließende Artefakte nötig.
Stellen Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert bereit. Fügen Sie Vorgaben hinzu, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Fordern Sie die Implementierung und eine kurze Erklärung an, wie sie jede Anforderung erfüllt. Eine Sortieranfrage kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und dann eine Funktion samt Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.
Stellen Sie für Schlussfolgerungen zu Code den exakten Ausschnitt und die konkret nachzuverfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich die Zwischenwerte ändern und was die Funktion zurückgibt. Das ist hilfreicher als eine ungezielte Bitte, eine ganze Datei zu erklären: Die Antwort verbindet eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Bewahren Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Ausschnitt.
Stellen Sie für eine Korrektur das fehlerhafte Verhalten, das erwartete Verhalten und den Code bereit, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Fordern Sie einen Korrekturvorschlag, eine Erklärung der Ursache und Beispiele an, die altes und beabsichtigtes Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilieren, Ausführen oder Anwenden auf ein Repository erfordert die umgebende Entwicklungsumgebung.
Die benannte 7B-Ausführung
Das veröffentlichte Modell besitzt 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter außerhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet Rotary Positional Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention besitzt 28 Query-Heads und 4 Key/Value-Heads. Diese Details beschreiben diese Veröffentlichung und keine größere Coder-Ausführung.
Die Familie bietet separate Base- und Instruct-Modelle. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Completion und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Die Beispiele und hervorgehobenen Ergebnisse anderer Größen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausführung.
Die Anweisung vorbereiten
Die Modellkarte demonstriert eine Konversation mit getrennten System- und Nutzernachrichten und dem passenden Chat-Template. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Markieren Sie, welcher Ausschnitt bestehender Quelltext ist, welcher Text eine Anforderung enthält und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die die angeforderte Änderung erhalten muss.
Eine hilfreiche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, seinen Aufrufer und die beabsichtigte Änderung enthalten. Fordern Sie eine überarbeitete Funktion, eine Liste von Annahmen und Beispieleingaben mit erwarteten Ausgaben an. Geben Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen an und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein separater Schritt nach der Generierung seiner Quelle.
Lange Texte verarbeiten
Die Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung längerer Eingaben erfordert die dokumentierte YaRN-Erweiterung. Das Beispiel legt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionsanzahl von 32,768 fest. Der Hersteller merkt an, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt die Erweiterung, wenn lange Kontexte benötigt werden.
Nutzen Sie den größeren Kontext, um zusammengehörigen Code und Anforderungen gemeinsam zu halten, benennen Sie jedoch die eigentliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer festgelegten Schnittstelle vorschlagen. Nehmen Sie die verhaltensbestimmenden Teile auf statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte begründet daraus keine separate maximale Ausgabekapazität.
Das dokumentierte Modellergebnis ist Text. Die Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt. Halten Sie diese Operationen von der Fähigkeit des Modells getrennt, Code vorzuschlagen und dessen Verhalten zu erklären, und nennen Sie bei der Planung einer wiederholbaren Aufgabe die genaue 7B-Instruct-Ausführung und die Langkontext-Einstellungen ausdrücklich.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-coder-7b-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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0001 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-coder-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-coder-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': 'qwen2.5-coder-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 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-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.