Qwen2.5 72B Instruct ist das grosse, auf Anweisungen trainierte Textmodell der universellen Qwen2.5-Serie. Es erzeugt schriftliche Antworten, Code und strukturierten Text aus Anweisungen und Gesprächen. Seine Fähigkeiten umfassen Allgemeinwissen, Programmierung, Mathematik, das Befolgen detaillierter Anweisungen und die Arbeit mit Tabellen. Es bleibt vom Qwen2.5-Basischeckpoint und den separaten Coder-, Math- und Vision-Language-Editionen getrennt.
Das Modell ist ein dichter Decoder-only-Transformer mit insgesamt 72,7 Milliarden Parametern, darunter 70 Milliarden ohne Embedding-Parameter. Seine veröffentlichte Architektur umfasst 80 Schichten und Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie rotierende Positionsembeddings, SwiGLU und RMSNorm. Die Vortrainingsdaten der Serie umfassen bis zu 18 Billionen Tokens, gefolgt von Nachtraining für die anweisungsbasierte Nutzung.
Die genaue Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die veröffentlichte Konfiguration beginnt bei 32’768 Positionen; der erweiterte Kontext erfordert die Längenskalierungskonfiguration des Herstellers. Die Karte warnt, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt sie bei Bedarf an langen Eingaben. Diese Zahlen unterscheiden die vollständige Modellfähigkeit von der Standardkonfiguration des Checkpoints in einer bestimmten Bereitstellung.
Benennen Sie bei langen Dokumenten die zu prüfenden Abschnitte und das gewünschte Ergebnis: einen Vergleich, eine Gliederung, eine Zusammenfassung oder extrahierte Fakten. Halten Sie Anweisungen, Quelltext und angeforderte Antwort innerhalb des verfügbaren Kontexts. Ein ausführlicher Bericht profitiert von einem Abschnittsplan und klaren Prioritäten, damit die Ausgabe dem Auftrag folgt, statt ihre Generierungslänge für eine sachfremde Einleitung zu verbrauchen.
Das Verständnis strukturierter Daten und die JSON-Generierung sind wichtige Bestandteile dieser Veröffentlichung. Stellen Sie Tabellenüberschriften, Einheiten und Regeln für fehlende Werte bereit, bevor Sie eine Umwandlung anfordern. Definieren Sie für eine Extraktion die Ausgabefelder und lassen Sie im Quellmaterial genannte Werte von fehlenden Informationen unterscheiden. Die Anwendung kann das Ergebnis anschliessend parsen und anhand ihrer erwarteten Struktur prüfen. Die Erzeugung von JSON macht ein bestimmtes Schema allein noch nicht zu einem garantierten Ausgabevertrag.
Qwen dokumentiert Werkzeugaufrufe über Gesprächsvorlagen und kompatible Anwendungsintegrationen. Geben Sie Funktionsbeschreibungen und die jeweils benötigten Informationen an. Das Modell bereitet einen vorgeschlagenen Aufruf vor; die Anwendung führt ihn aus und liefert das Ergebnis für die nächste Gesprächsrunde. Eine nützliche Datenaufgabe kann einen Datensatz abrufen, ihn mit der Nutzerfrage vergleichen und eine knappe Erklärung anhand der abgerufenen Felder zurückgeben. Ausführung und Zugriff auf externe Systeme werden von der umgebenden Anwendung bereitgestellt.
Der Hersteller beschreibt die Unterstützung für mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Die Flexibilität des Systemprompts unterstützt zudem das Festlegen der Rolle und Bedingungen eines Chatbots. Geben Sie bei Code oder Mathematik die relevante Implementierung oder die Voraussetzungen an und verlangen Sie die Antwort mit den zu ihrer Beurteilung nötigen Prüfungen oder Zwischenschritten. Nennen Sie bei mehrsprachiger Ausgabe die Zielsprache und zu bewahrende Terminologie, damit das Ergebnis zur vorgesehenen Zielgruppe passt.
", "aboutText": "Qwen2.5 72B Instruct ist das grosse, auf Anweisungen trainierte Textmodell der universellen Qwen2.5-Serie. Es erzeugt schriftliche Antworten, Code und strukturierten Text aus Anweisungen und Gesprächen. Seine Fähigkeiten umfassen Allgemeinwissen, Programmierung, Mathematik, das Befolgen detaillierter Anweisungen und die Arbeit mit Tabellen. Es bleibt vom Qwen2.5-Basischeckpoint und den separaten Coder-, Math- und Vision-Language-Editionen getrennt.\n\nDas Modell ist ein dichter Decoder-only-Transformer mit insgesamt 72,7 Milliarden Parametern, darunter 70 Milliarden ohne Embedding-Parameter. Seine veröffentlichte Architektur umfasst 80 Schichten und Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie rotierende Positionsembeddings, SwiGLU und RMSNorm. Die Vortrainingsdaten der Serie umfassen bis zu 18 Billionen Tokens, gefolgt von Nachtraining für die anweisungsbasierte Nutzung.\n\nDie genaue Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die veröffentlichte Konfiguration beginnt bei 32’768 Positionen; der erweiterte Kontext erfordert die Längenskalierungskonfiguration des Herstellers. Die Karte warnt, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt sie bei Bedarf an langen Eingaben. Diese Zahlen unterscheiden die vollständige Modellfähigkeit von der Standardkonfiguration des Checkpoints in einer bestimmten Bereitstellung.\n\nBenennen Sie bei langen Dokumenten die zu prüfenden Abschnitte und das gewünschte Ergebnis: einen Vergleich, eine Gliederung, eine Zusammenfassung oder extrahierte Fakten. Halten Sie Anweisungen, Quelltext und angeforderte Antwort innerhalb des verfügbaren Kontexts. Ein ausführlicher Bericht profitiert von einem Abschnittsplan und klaren Prioritäten, damit die Ausgabe dem Auftrag folgt, statt ihre Generierungslänge für eine sachfremde Einleitung zu verbrauchen.\n\nDas Verständnis strukturierter Daten und die JSON-Generierung sind wichtige Bestandteile dieser Veröffentlichung. Stellen Sie Tabellenüberschriften, Einheiten und Regeln für fehlende Werte bereit, bevor Sie eine Umwandlung anfordern. Definieren Sie für eine Extraktion die Ausgabefelder und lassen Sie im Quellmaterial genannte Werte von fehlenden Informationen unterscheiden. Die Anwendung kann das Ergebnis anschliessend parsen und anhand ihrer erwarteten Struktur prüfen. Die Erzeugung von JSON macht ein bestimmtes Schema allein noch nicht zu einem garantierten Ausgabevertrag.\n\nQwen dokumentiert Werkzeugaufrufe über Gesprächsvorlagen und kompatible Anwendungsintegrationen. Geben Sie Funktionsbeschreibungen und die jeweils benötigten Informationen an. Das Modell bereitet einen vorgeschlagenen Aufruf vor; die Anwendung führt ihn aus und liefert das Ergebnis für die nächste Gesprächsrunde. Eine nützliche Datenaufgabe kann einen Datensatz abrufen, ihn mit der Nutzerfrage vergleichen und eine knappe Erklärung anhand der abgerufenen Felder zurückgeben. Ausführung und Zugriff auf externe Systeme werden von der umgebenden Anwendung bereitgestellt.\n\nDer Hersteller beschreibt die Unterstützung für mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Die Flexibilität des Systemprompts unterstützt zudem das Festlegen der Rolle und Bedingungen eines Chatbots. Geben Sie bei Code oder Mathematik die relevante Implementierung oder die Voraussetzungen an und verlangen Sie die Antwort mit den zu ihrer Beurteilung nötigen Prüfungen oder Zwischenschritten. Nennen Sie bei mehrsprachiger Ausgabe die Zielsprache und zu bewahrende Terminologie, damit das Ergebnis zur vorgesehenen Zielgruppe passt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct ist Qwens dichtes, auf Anweisungen trainiertes Textmodell für mehrsprachige Gespräche, Code, Mathematik und strukturierte Daten. Der Hersteller dokumentiert einen erweiterten Kontext von 131’072 Tokens, die Generierung von 8’192 Tokens und Vorlagen für Werkzeugaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5 72B Instruct ist das grosse, auf Anweisungen trainierte Textmodell der universellen Qwen2.5-Serie. Es erzeugt schriftliche Antworten, Code und strukturierten Text aus Anweisungen und Gesprächen. Seine Fähigkeiten umfassen Allgemeinwissen, Programmierung, Mathematik, das Befolgen detaillierter Anweisungen und die Arbeit mit Tabellen. Es bleibt vom Qwen2.5-Basischeckpoint und den separaten Coder-, Math- und Vision-Language-Editionen getrennt.
Das Modell ist ein dichter Decoder-only-Transformer mit insgesamt 72,7 Milliarden Parametern, darunter 70 Milliarden ohne Embedding-Parameter. Seine veröffentlichte Architektur umfasst 80 Schichten und Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie rotierende Positionsembeddings, SwiGLU und RMSNorm. Die Vortrainingsdaten der Serie umfassen bis zu 18 Billionen Tokens, gefolgt von Nachtraining für die anweisungsbasierte Nutzung.
Die genaue Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die veröffentlichte Konfiguration beginnt bei 32’768 Positionen; der erweiterte Kontext erfordert die Längenskalierungskonfiguration des Herstellers. Die Karte warnt, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt sie bei Bedarf an langen Eingaben. Diese Zahlen unterscheiden die vollständige Modellfähigkeit von der Standardkonfiguration des Checkpoints in einer bestimmten Bereitstellung.
Benennen Sie bei langen Dokumenten die zu prüfenden Abschnitte und das gewünschte Ergebnis: einen Vergleich, eine Gliederung, eine Zusammenfassung oder extrahierte Fakten. Halten Sie Anweisungen, Quelltext und angeforderte Antwort innerhalb des verfügbaren Kontexts. Ein ausführlicher Bericht profitiert von einem Abschnittsplan und klaren Prioritäten, damit die Ausgabe dem Auftrag folgt, statt ihre Generierungslänge für eine sachfremde Einleitung zu verbrauchen.
Das Verständnis strukturierter Daten und die JSON-Generierung sind wichtige Bestandteile dieser Veröffentlichung. Stellen Sie Tabellenüberschriften, Einheiten und Regeln für fehlende Werte bereit, bevor Sie eine Umwandlung anfordern. Definieren Sie für eine Extraktion die Ausgabefelder und lassen Sie im Quellmaterial genannte Werte von fehlenden Informationen unterscheiden. Die Anwendung kann das Ergebnis anschliessend parsen und anhand ihrer erwarteten Struktur prüfen. Die Erzeugung von JSON macht ein bestimmtes Schema allein noch nicht zu einem garantierten Ausgabevertrag.
Qwen dokumentiert Werkzeugaufrufe über Gesprächsvorlagen und kompatible Anwendungsintegrationen. Geben Sie Funktionsbeschreibungen und die jeweils benötigten Informationen an. Das Modell bereitet einen vorgeschlagenen Aufruf vor; die Anwendung führt ihn aus und liefert das Ergebnis für die nächste Gesprächsrunde. Eine nützliche Datenaufgabe kann einen Datensatz abrufen, ihn mit der Nutzerfrage vergleichen und eine knappe Erklärung anhand der abgerufenen Felder zurückgeben. Ausführung und Zugriff auf externe Systeme werden von der umgebenden Anwendung bereitgestellt.
Der Hersteller beschreibt die Unterstützung für mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Die Flexibilität des Systemprompts unterstützt zudem das Festlegen der Rolle und Bedingungen eines Chatbots. Geben Sie bei Code oder Mathematik die relevante Implementierung oder die Voraussetzungen an und verlangen Sie die Antwort mit den zu ihrer Beurteilung nötigen Prüfungen oder Zwischenschritten. Nennen Sie bei mehrsprachiger Ausgabe die Zielsprache und zu bewahrende Terminologie, damit das Ergebnis zur vorgesehenen Zielgruppe passt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen-2.5-72b-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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00118 / 1K Tokens Ausgabe · Ausgabetoken $0.00118 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00118 / 1K Tokens Ausgabe · Ausgabetoken $0.00118 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-72b-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='qwen/qwen-2.5-72b-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='qwen/qwen-2.5-72b-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 qwen/qwen-2.5-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct ist Qwens dichtes, auf Anweisungen trainiertes Textmodell für mehrsprachige Gespräche, Code, Mathematik und strukturierte Daten. Der Hersteller dokumentiert einen erweiterten Kontext von 131’072 Tokens, die Generierung von 8’192 Tokens und Vorlagen für Werkzeugaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5 72B Instruct ist das grosse, auf Anweisungen trainierte Textmodell der universellen Qwen2.5-Serie. Es erzeugt schriftliche Antworten, Code und strukturierten Text aus Anweisungen und Gesprächen. Seine Fähigkeiten umfassen Allgemeinwissen, Programmierung, Mathematik, das Befolgen detaillierter Anweisungen und die Arbeit mit Tabellen. Es bleibt vom Qwen2.5-Basischeckpoint und den separaten Coder-, Math- und Vision-Language-Editionen getrennt.
Das Modell ist ein dichter Decoder-only-Transformer mit insgesamt 72,7 Milliarden Parametern, darunter 70 Milliarden ohne Embedding-Parameter. Seine veröffentlichte Architektur umfasst 80 Schichten und Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie rotierende Positionsembeddings, SwiGLU und RMSNorm. Die Vortrainingsdaten der Serie umfassen bis zu 18 Billionen Tokens, gefolgt von Nachtraining für die anweisungsbasierte Nutzung.
Die genaue Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die veröffentlichte Konfiguration beginnt bei 32’768 Positionen; der erweiterte Kontext erfordert die Längenskalierungskonfiguration des Herstellers. Die Karte warnt, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt sie bei Bedarf an langen Eingaben. Diese Zahlen unterscheiden die vollständige Modellfähigkeit von der Standardkonfiguration des Checkpoints in einer bestimmten Bereitstellung.
Benennen Sie bei langen Dokumenten die zu prüfenden Abschnitte und das gewünschte Ergebnis: einen Vergleich, eine Gliederung, eine Zusammenfassung oder extrahierte Fakten. Halten Sie Anweisungen, Quelltext und angeforderte Antwort innerhalb des verfügbaren Kontexts. Ein ausführlicher Bericht profitiert von einem Abschnittsplan und klaren Prioritäten, damit die Ausgabe dem Auftrag folgt, statt ihre Generierungslänge für eine sachfremde Einleitung zu verbrauchen.
Das Verständnis strukturierter Daten und die JSON-Generierung sind wichtige Bestandteile dieser Veröffentlichung. Stellen Sie Tabellenüberschriften, Einheiten und Regeln für fehlende Werte bereit, bevor Sie eine Umwandlung anfordern. Definieren Sie für eine Extraktion die Ausgabefelder und lassen Sie im Quellmaterial genannte Werte von fehlenden Informationen unterscheiden. Die Anwendung kann das Ergebnis anschliessend parsen und anhand ihrer erwarteten Struktur prüfen. Die Erzeugung von JSON macht ein bestimmtes Schema allein noch nicht zu einem garantierten Ausgabevertrag.
Qwen dokumentiert Werkzeugaufrufe über Gesprächsvorlagen und kompatible Anwendungsintegrationen. Geben Sie Funktionsbeschreibungen und die jeweils benötigten Informationen an. Das Modell bereitet einen vorgeschlagenen Aufruf vor; die Anwendung führt ihn aus und liefert das Ergebnis für die nächste Gesprächsrunde. Eine nützliche Datenaufgabe kann einen Datensatz abrufen, ihn mit der Nutzerfrage vergleichen und eine knappe Erklärung anhand der abgerufenen Felder zurückgeben. Ausführung und Zugriff auf externe Systeme werden von der umgebenden Anwendung bereitgestellt.
Der Hersteller beschreibt die Unterstützung für mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Die Flexibilität des Systemprompts unterstützt zudem das Festlegen der Rolle und Bedingungen eines Chatbots. Geben Sie bei Code oder Mathematik die relevante Implementierung oder die Voraussetzungen an und verlangen Sie die Antwort mit den zu ihrer Beurteilung nötigen Prüfungen oder Zwischenschritten. Nennen Sie bei mehrsprachiger Ausgabe die Zielsprache und zu bewahrende Terminologie, damit das Ergebnis zur vorgesehenen Zielgruppe passt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen-2.5-72b-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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00118 / 1K Tokens Ausgabe · Ausgabetoken $0.00118 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00118 / 1K Tokens Ausgabe · Ausgabetoken $0.00118 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen-2.5-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen-2.5-72b-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': 'qwen/qwen-2.5-72b-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 qwen/qwen-2.5-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.