Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausführung der mathematischen Qwen2.5-Math-Familie. Der Hersteller zielt ausdrücklich auf englische und chinesische Mathematikaufgaben ab und beschreibt zwei Ansätze: Chain-of-Thought Reasoning und Tool-integrated Reasoning. Das Modell erhält eine schriftliche mathematische Bedingung und liefert Text mit einer Herleitung, Erklärung oder Lösung. Seine Spezialisierung ist Mathematik und nicht allgemeines kreatives Schreiben oder Dokumentverarbeitung.
Mathematische Fähigkeiten und Denkansätze
Beim textbasierten Denkansatz fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort an. Die Modellkarte beschreibt auch toolintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Bestimmen der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.
Toolintegriertes Schlussfolgern ist nicht dasselbe wie die bloße Anzeige von Code in einer Antwort. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann, und das Berechnungsergebnis fließt anschließend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Ablauf muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.
Base-, Instruct- und Reward-Model-Ausführungen
Die Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward Model. Die 72B-Instruct-Ausführung ist für Chat-artige Anweisungen vorgesehen. Die Qwen2.5-Math-72B-Basisausführung wird als Grundlage für Completion und Few-Shot sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das gesondert benannte Reward Model hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzliches synthetisch erzeugtes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Stufe nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward Model Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten für toolintegriertes Schlussfolgern sowie englische und chinesische Anweisungsdaten. Das erklärt den mathematischen Schwerpunkt der Ausführung; es bedeutet nicht, dass für jede Nutzeranfrage automatisch ein separater Verifikator aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen der Definitionsbereiche und die zu bestimmende Größe oder zu beweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine hilfreiche Anweisung kann die Methode, die wichtigen Umformungen und das endgültige Ergebnis mit einer separaten Prüfung anhand der ursprünglichen Bedingungen anfordern.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze anhand der Anweisungen. Eine Text-Reasoning-Anfrage verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine toolintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu kombinieren und dieselbe Konvention für die endgültige Antwort beizubehalten. Das sind dokumentierte mathematische Abläufe, kein separates Versprechen über die von jeder Bereitstellungsoberfläche angebotenen Tools.
Zur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabestruktur trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine aufwendigere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und angeben, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Version beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Ordnen Sie dieser mathematischen Ausführung nicht den wesentlich größeren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe angegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich anwendbaren Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausführung.
Wesentliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und rät von allgemeinen Aufgaben außerhalb dieser Spezialisierung ab. Die Gewichte sind Textgenerierungsmodelle; bei einer mathematischen Frage in einem Bild müssen die Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausführung selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lernablauf den Herleitungsversuch der lernenden Person bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit der gewünschten Detailtiefe an. Legen Sie bei einer technischen Berechnung exakte oder näherungsweise Ausgabe, Einheiten und Rundung fest, bevor Sie textbasiertes Schlussfolgern oder einen rechnergestützten Ablauf wählen. Diese Vorbereitung verbindet die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
", "aboutText": "Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausführung der mathematischen Qwen2.5-Math-Familie. Der Hersteller zielt ausdrücklich auf englische und chinesische Mathematikaufgaben ab und beschreibt zwei Ansätze: Chain-of-Thought Reasoning und Tool-integrated Reasoning. Das Modell erhält eine schriftliche mathematische Bedingung und liefert Text mit einer Herleitung, Erklärung oder Lösung. Seine Spezialisierung ist Mathematik und nicht allgemeines kreatives Schreiben oder Dokumentverarbeitung.\n\nMathematische Fähigkeiten und Denkansätze\n\nBeim textbasierten Denkansatz fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort an. Die Modellkarte beschreibt auch toolintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Bestimmen der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.\n\nToolintegriertes Schlussfolgern ist nicht dasselbe wie die bloße Anzeige von Code in einer Antwort. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann, und das Berechnungsergebnis fließt anschließend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Ablauf muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.\n\nBase-, Instruct- und Reward-Model-Ausführungen\n\nDie Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward Model. Die 72B-Instruct-Ausführung ist für Chat-artige Anweisungen vorgesehen. Die Qwen2.5-Math-72B-Basisausführung wird als Grundlage für Completion und Few-Shot sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das gesondert benannte Reward Model hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.\n\nDie Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzliches synthetisch erzeugtes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Stufe nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward Model Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten für toolintegriertes Schlussfolgern sowie englische und chinesische Anweisungsdaten. Das erklärt den mathematischen Schwerpunkt der Ausführung; es bedeutet nicht, dass für jede Nutzeranfrage automatisch ein separater Verifikator aufgerufen wird.\n\nDie Frage vorbereiten\n\nHalten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen der Definitionsbereiche und die zu bestimmende Größe oder zu beweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine hilfreiche Anweisung kann die Methode, die wichtigen Umformungen und das endgültige Ergebnis mit einer separaten Prüfung anhand der ursprünglichen Bedingungen anfordern.\n\nDer Schnellstart des Herstellers unterscheidet die beiden Ansätze anhand der Anweisungen. Eine Text-Reasoning-Anfrage verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine toolintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu kombinieren und dieselbe Konvention für die endgültige Antwort beizubehalten. Das sind dokumentierte mathematische Abläufe, kein separates Versprechen über die von jeder Bereitstellungsoberfläche angebotenen Tools.\n\nZur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabestruktur trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine aufwendigere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und angeben, welche numerische Berechnung an die Rechenumgebung delegiert würde.\n\nKontext und Konfiguration\n\nDie veröffentlichte Version beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Ordnen Sie dieser mathematischen Ausführung nicht den wesentlich größeren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.\n\nDie Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe angegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich anwendbaren Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausführung.\n\nWesentliche Grenzen und nützliche Ergebnisse\n\nDer Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und rät von allgemeinen Aufgaben außerhalb dieser Spezialisierung ab. Die Gewichte sind Textgenerierungsmodelle; bei einer mathematischen Frage in einem Bild müssen die Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausführung selbst nicht zu einem Modell mit Bildeingabe.\n\nStellen Sie für einen Lernablauf den Herleitungsversuch der lernenden Person bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit der gewünschten Detailtiefe an. Legen Sie bei einer technischen Berechnung exakte oder näherungsweise Ausgabe, Einheiten und Rundung fest, bevor Sie textbasiertes Schlussfolgern oder einen rechnergestützten Ablauf wählen. Diese Vorbereitung verbindet die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct ist ein mathematisches Anweisungsmodell für englische und chinesische Aufgaben. Es unterstützt ausgearbeitetes Schlussfolgern in Textform und toolintegrierte mathematische Abläufe, mit einer eigenständigen 4K-Veröffentlichungskonfiguration statt der allgemeinen Qwen2.5-Langkontextangaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausführung der mathematischen Qwen2.5-Math-Familie. Der Hersteller zielt ausdrücklich auf englische und chinesische Mathematikaufgaben ab und beschreibt zwei Ansätze: Chain-of-Thought Reasoning und Tool-integrated Reasoning. Das Modell erhält eine schriftliche mathematische Bedingung und liefert Text mit einer Herleitung, Erklärung oder Lösung. Seine Spezialisierung ist Mathematik und nicht allgemeines kreatives Schreiben oder Dokumentverarbeitung.
Mathematische Fähigkeiten und Denkansätze
Beim textbasierten Denkansatz fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort an. Die Modellkarte beschreibt auch toolintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Bestimmen der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.
Toolintegriertes Schlussfolgern ist nicht dasselbe wie die bloße Anzeige von Code in einer Antwort. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann, und das Berechnungsergebnis fließt anschließend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Ablauf muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.
Base-, Instruct- und Reward-Model-Ausführungen
Die Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward Model. Die 72B-Instruct-Ausführung ist für Chat-artige Anweisungen vorgesehen. Die Qwen2.5-Math-72B-Basisausführung wird als Grundlage für Completion und Few-Shot sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das gesondert benannte Reward Model hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzliches synthetisch erzeugtes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Stufe nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward Model Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten für toolintegriertes Schlussfolgern sowie englische und chinesische Anweisungsdaten. Das erklärt den mathematischen Schwerpunkt der Ausführung; es bedeutet nicht, dass für jede Nutzeranfrage automatisch ein separater Verifikator aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen der Definitionsbereiche und die zu bestimmende Größe oder zu beweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine hilfreiche Anweisung kann die Methode, die wichtigen Umformungen und das endgültige Ergebnis mit einer separaten Prüfung anhand der ursprünglichen Bedingungen anfordern.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze anhand der Anweisungen. Eine Text-Reasoning-Anfrage verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine toolintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu kombinieren und dieselbe Konvention für die endgültige Antwort beizubehalten. Das sind dokumentierte mathematische Abläufe, kein separates Versprechen über die von jeder Bereitstellungsoberfläche angebotenen Tools.
Zur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabestruktur trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine aufwendigere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und angeben, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Version beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Ordnen Sie dieser mathematischen Ausführung nicht den wesentlich größeren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe angegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich anwendbaren Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausführung.
Wesentliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und rät von allgemeinen Aufgaben außerhalb dieser Spezialisierung ab. Die Gewichte sind Textgenerierungsmodelle; bei einer mathematischen Frage in einem Bild müssen die Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausführung selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lernablauf den Herleitungsversuch der lernenden Person bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit der gewünschten Detailtiefe an. Legen Sie bei einer technischen Berechnung exakte oder näherungsweise Ausgabe, Einheiten und Rundung fest, bevor Sie textbasiertes Schlussfolgern oder einen rechnergestützten Ablauf wählen. Diese Vorbereitung verbindet die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-math-72b-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 $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.00344 / 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-math-72b-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-math-72b-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-math-72b-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-math-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct ist ein mathematisches Anweisungsmodell für englische und chinesische Aufgaben. Es unterstützt ausgearbeitetes Schlussfolgern in Textform und toolintegrierte mathematische Abläufe, mit einer eigenständigen 4K-Veröffentlichungskonfiguration statt der allgemeinen Qwen2.5-Langkontextangaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausführung der mathematischen Qwen2.5-Math-Familie. Der Hersteller zielt ausdrücklich auf englische und chinesische Mathematikaufgaben ab und beschreibt zwei Ansätze: Chain-of-Thought Reasoning und Tool-integrated Reasoning. Das Modell erhält eine schriftliche mathematische Bedingung und liefert Text mit einer Herleitung, Erklärung oder Lösung. Seine Spezialisierung ist Mathematik und nicht allgemeines kreatives Schreiben oder Dokumentverarbeitung.
Mathematische Fähigkeiten und Denkansätze
Beim textbasierten Denkansatz fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort an. Die Modellkarte beschreibt auch toolintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Bestimmen der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.
Toolintegriertes Schlussfolgern ist nicht dasselbe wie die bloße Anzeige von Code in einer Antwort. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann, und das Berechnungsergebnis fließt anschließend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Ablauf muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.
Base-, Instruct- und Reward-Model-Ausführungen
Die Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward Model. Die 72B-Instruct-Ausführung ist für Chat-artige Anweisungen vorgesehen. Die Qwen2.5-Math-72B-Basisausführung wird als Grundlage für Completion und Few-Shot sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das gesondert benannte Reward Model hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzliches synthetisch erzeugtes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Stufe nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward Model Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten für toolintegriertes Schlussfolgern sowie englische und chinesische Anweisungsdaten. Das erklärt den mathematischen Schwerpunkt der Ausführung; es bedeutet nicht, dass für jede Nutzeranfrage automatisch ein separater Verifikator aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen der Definitionsbereiche und die zu bestimmende Größe oder zu beweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine hilfreiche Anweisung kann die Methode, die wichtigen Umformungen und das endgültige Ergebnis mit einer separaten Prüfung anhand der ursprünglichen Bedingungen anfordern.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze anhand der Anweisungen. Eine Text-Reasoning-Anfrage verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine toolintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu kombinieren und dieselbe Konvention für die endgültige Antwort beizubehalten. Das sind dokumentierte mathematische Abläufe, kein separates Versprechen über die von jeder Bereitstellungsoberfläche angebotenen Tools.
Zur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabestruktur trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine aufwendigere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und angeben, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Version beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Ordnen Sie dieser mathematischen Ausführung nicht den wesentlich größeren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe angegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich anwendbaren Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausführung.
Wesentliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und rät von allgemeinen Aufgaben außerhalb dieser Spezialisierung ab. Die Gewichte sind Textgenerierungsmodelle; bei einer mathematischen Frage in einem Bild müssen die Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausführung selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lernablauf den Herleitungsversuch der lernenden Person bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit der gewünschten Detailtiefe an. Legen Sie bei einer technischen Berechnung exakte oder näherungsweise Ausgabe, Einheiten und Rundung fest, bevor Sie textbasiertes Schlussfolgern oder einen rechnergestützten Ablauf wählen. Diese Vorbereitung verbindet die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-math-72b-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 $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.00344 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-math-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-math-72b-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-math-72b-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-math-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.