Qwen2.5-7B-Instruct ist das auf Anweisungen trainierte 7B-Textmodell der universellen Qwen2.5-Sprachmodellfamilie. Qwen hebt Programmierung und Mathematik, Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierte Ausgabe, besonders JSON, hervor. Es ist ein dichtes Decoder-only-Modell mit insgesamt 7,61 Milliarden Parametern, darunter 6,53 Milliarden ohne Embedding-Parameter. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag kann vorgegebene Informationen in eine klare Erklärung, einen strukturierten Datensatz, einen überarbeiteten Entwurf oder einen Programmvorschlag umwandeln lassen.
Das Modell unterstützt mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Der Hersteller betont ausserdem die Robustheit gegenüber unterschiedlichen Systemprompts, die sich für eine Gesprächsrolle und deren Bedingungen nutzen lässt. Geben Sie Rolle, Zielgruppe, Terminologie und Ausgabesprache direkt an. Ein Redaktionsauftrag kann beispielsweise einen technischen Abschnitt, den vorgesehenen Leser und die Bitte um eine kürzere Erklärung enthalten, die benannte Begriffe und vorgegebene Bedingungen bewahrt. Die anweisungstrainierte Edition ist das Gesprächsmodell und bleibt vom entsprechenden vortrainierten Basismodell getrennt.
Das Verständnis strukturierter Daten und die JSON-Generierung sind zentrale Verbesserungen von Qwen2.5. Bewahren Sie beim Extrahieren oder Umwandeln einer Tabelle ihre Überschriften und Einheiten und erklären Sie, welche Zeilen oder Beziehungen wichtig sind. Definieren Sie die gewünschten Schlüssel, Werttypen und den Umgang mit fehlenden Informationen, statt nur eine allgemeine Zusammenfassung anzufordern. Ein beispielhafter Auftrag könnte eine Problemliste vorgeben und für jedes Problem ein Objekt mit Quellkennung, Kategorie und kurzer Erklärung verlangen. Das Ergebnis bleibt generierter Text: Struktur und Werte anhand der Eingabe zu prüfen, gehört zur Nutzung in einem nachgelagerten Ablauf.
Die genaue Karte beschreibt eine vollständige Kontextlänge von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die mitgelieferte Konfiguration ist auf 32’768 Kontexttokens eingestellt; längeres Material verwendet die dokumentierte YaRN-Konfiguration. Der Hersteller weist darauf hin, dass statische Skalierung die Leistung bei kürzeren Eingaben beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist. Halten Sie Eingabe und gewünschte Antwort innerhalb des jeweils konfigurierten Raums. Bewahren Sie bei einem langen Bericht Abschnittstitel, priorisieren Sie die zur Frage gehörenden Passagen und verlangen Sie die nötige Ausgabelänge, statt die grössere Kontextzahl als Anlass für sachfremdes Material zu nehmen.
Der offizielle Schnellstart verwendet System- und Nutzernachrichten mit der Chatvorlage des Modells und dekodiert anschliessend die generierte Fortsetzung. Bereiten Sie Programmieraufgaben mit relevantem Quellcode, Sprache, erwartetem Verhalten und Einschränkungen vor. Geben Sie bei einer mathematischen Frage die Voraussetzungen und das Ergebnisformat an. Die dokumentierten Verbesserungen des allgemeinen Modells machen es nicht zur separat trainierten Qwen2.5-Coder- oder Qwen2.5-Math-Edition. Ein beispielhafter Programmierauftrag könnte eine Funktion erklären, eine Korrektur vorschlagen und begründen lassen, warum diese die Bedingungen erfüllt; Ausführung und Prüfung bleiben getrennte Schritte.
Qwens Veröffentlichungsdokumentation beschreibt ausserdem Werkzeugaufrufe und eine werkzeugfähige Chatvorlage, einschliesslich Kompatibilität mit Qwen-Agent. Definieren Sie verfügbare Werkzeuge und ihre Argumente, nennen Sie das Ziel und stellen Sie zurückgegebene Ergebnisse zur Interpretation bereit. Ein Dokumentassistent kann vor seiner endgültigen Antwort relevante Informationen anfordern, während ein Codeassistent das Ergebnis einer von der Anwendung ausgeführten Prüfung auswerten kann. Das nützliche Ergebnis ist eine Antwort, die mit den gelieferten Belegen und dem gewünschten Format verbunden ist. Dieses Profil gehört zu einem Textmodell; visuelle Fähigkeiten, Audiofähigkeiten oder Videogenerierungsfähigkeiten anderer Qwen-Modelle sind getrennte Fähigkeiten.
", "aboutText": "Qwen2.5-7B-Instruct ist das auf Anweisungen trainierte 7B-Textmodell der universellen Qwen2.5-Sprachmodellfamilie. Qwen hebt Programmierung und Mathematik, Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierte Ausgabe, besonders JSON, hervor. Es ist ein dichtes Decoder-only-Modell mit insgesamt 7,61 Milliarden Parametern, darunter 6,53 Milliarden ohne Embedding-Parameter. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag kann vorgegebene Informationen in eine klare Erklärung, einen strukturierten Datensatz, einen überarbeiteten Entwurf oder einen Programmvorschlag umwandeln lassen.\n\nDas Modell unterstützt mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Der Hersteller betont ausserdem die Robustheit gegenüber unterschiedlichen Systemprompts, die sich für eine Gesprächsrolle und deren Bedingungen nutzen lässt. Geben Sie Rolle, Zielgruppe, Terminologie und Ausgabesprache direkt an. Ein Redaktionsauftrag kann beispielsweise einen technischen Abschnitt, den vorgesehenen Leser und die Bitte um eine kürzere Erklärung enthalten, die benannte Begriffe und vorgegebene Bedingungen bewahrt. Die anweisungstrainierte Edition ist das Gesprächsmodell und bleibt vom entsprechenden vortrainierten Basismodell getrennt.\n\nDas Verständnis strukturierter Daten und die JSON-Generierung sind zentrale Verbesserungen von Qwen2.5. Bewahren Sie beim Extrahieren oder Umwandeln einer Tabelle ihre Überschriften und Einheiten und erklären Sie, welche Zeilen oder Beziehungen wichtig sind. Definieren Sie die gewünschten Schlüssel, Werttypen und den Umgang mit fehlenden Informationen, statt nur eine allgemeine Zusammenfassung anzufordern. Ein beispielhafter Auftrag könnte eine Problemliste vorgeben und für jedes Problem ein Objekt mit Quellkennung, Kategorie und kurzer Erklärung verlangen. Das Ergebnis bleibt generierter Text: Struktur und Werte anhand der Eingabe zu prüfen, gehört zur Nutzung in einem nachgelagerten Ablauf.\n\nDie genaue Karte beschreibt eine vollständige Kontextlänge von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die mitgelieferte Konfiguration ist auf 32’768 Kontexttokens eingestellt; längeres Material verwendet die dokumentierte YaRN-Konfiguration. Der Hersteller weist darauf hin, dass statische Skalierung die Leistung bei kürzeren Eingaben beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist. Halten Sie Eingabe und gewünschte Antwort innerhalb des jeweils konfigurierten Raums. Bewahren Sie bei einem langen Bericht Abschnittstitel, priorisieren Sie die zur Frage gehörenden Passagen und verlangen Sie die nötige Ausgabelänge, statt die grössere Kontextzahl als Anlass für sachfremdes Material zu nehmen.\n\nDer offizielle Schnellstart verwendet System- und Nutzernachrichten mit der Chatvorlage des Modells und dekodiert anschliessend die generierte Fortsetzung. Bereiten Sie Programmieraufgaben mit relevantem Quellcode, Sprache, erwartetem Verhalten und Einschränkungen vor. Geben Sie bei einer mathematischen Frage die Voraussetzungen und das Ergebnisformat an. Die dokumentierten Verbesserungen des allgemeinen Modells machen es nicht zur separat trainierten Qwen2.5-Coder- oder Qwen2.5-Math-Edition. Ein beispielhafter Programmierauftrag könnte eine Funktion erklären, eine Korrektur vorschlagen und begründen lassen, warum diese die Bedingungen erfüllt; Ausführung und Prüfung bleiben getrennte Schritte.\n\nQwens Veröffentlichungsdokumentation beschreibt ausserdem Werkzeugaufrufe und eine werkzeugfähige Chatvorlage, einschliesslich Kompatibilität mit Qwen-Agent. Definieren Sie verfügbare Werkzeuge und ihre Argumente, nennen Sie das Ziel und stellen Sie zurückgegebene Ergebnisse zur Interpretation bereit. Ein Dokumentassistent kann vor seiner endgültigen Antwort relevante Informationen anfordern, während ein Codeassistent das Ergebnis einer von der Anwendung ausgeführten Prüfung auswerten kann. Das nützliche Ergebnis ist eine Antwort, die mit den gelieferten Belegen und dem gewünschten Format verbunden ist. Dieses Profil gehört zu einem Textmodell; visuelle Fähigkeiten, Audiofähigkeiten oder Videogenerierungsfähigkeiten anderer Qwen-Modelle sind getrennte Fähigkeiten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct ist Qwens kompaktes, auf Anweisungen trainiertes Textmodell für mehrsprachiges Schreiben, Programmierung, Mathematik und strukturierte Daten. Der Hersteller dokumentiert bis zu 131’072 Kontexttokens mit der Langkontextkonfiguration und eine Generierung von bis zu 8’192 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-7B-Instruct ist das auf Anweisungen trainierte 7B-Textmodell der universellen Qwen2.5-Sprachmodellfamilie. Qwen hebt Programmierung und Mathematik, Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierte Ausgabe, besonders JSON, hervor. Es ist ein dichtes Decoder-only-Modell mit insgesamt 7,61 Milliarden Parametern, darunter 6,53 Milliarden ohne Embedding-Parameter. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag kann vorgegebene Informationen in eine klare Erklärung, einen strukturierten Datensatz, einen überarbeiteten Entwurf oder einen Programmvorschlag umwandeln lassen.
Das Modell unterstützt mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Der Hersteller betont ausserdem die Robustheit gegenüber unterschiedlichen Systemprompts, die sich für eine Gesprächsrolle und deren Bedingungen nutzen lässt. Geben Sie Rolle, Zielgruppe, Terminologie und Ausgabesprache direkt an. Ein Redaktionsauftrag kann beispielsweise einen technischen Abschnitt, den vorgesehenen Leser und die Bitte um eine kürzere Erklärung enthalten, die benannte Begriffe und vorgegebene Bedingungen bewahrt. Die anweisungstrainierte Edition ist das Gesprächsmodell und bleibt vom entsprechenden vortrainierten Basismodell getrennt.
Das Verständnis strukturierter Daten und die JSON-Generierung sind zentrale Verbesserungen von Qwen2.5. Bewahren Sie beim Extrahieren oder Umwandeln einer Tabelle ihre Überschriften und Einheiten und erklären Sie, welche Zeilen oder Beziehungen wichtig sind. Definieren Sie die gewünschten Schlüssel, Werttypen und den Umgang mit fehlenden Informationen, statt nur eine allgemeine Zusammenfassung anzufordern. Ein beispielhafter Auftrag könnte eine Problemliste vorgeben und für jedes Problem ein Objekt mit Quellkennung, Kategorie und kurzer Erklärung verlangen. Das Ergebnis bleibt generierter Text: Struktur und Werte anhand der Eingabe zu prüfen, gehört zur Nutzung in einem nachgelagerten Ablauf.
Die genaue Karte beschreibt eine vollständige Kontextlänge von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die mitgelieferte Konfiguration ist auf 32’768 Kontexttokens eingestellt; längeres Material verwendet die dokumentierte YaRN-Konfiguration. Der Hersteller weist darauf hin, dass statische Skalierung die Leistung bei kürzeren Eingaben beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist. Halten Sie Eingabe und gewünschte Antwort innerhalb des jeweils konfigurierten Raums. Bewahren Sie bei einem langen Bericht Abschnittstitel, priorisieren Sie die zur Frage gehörenden Passagen und verlangen Sie die nötige Ausgabelänge, statt die grössere Kontextzahl als Anlass für sachfremdes Material zu nehmen.
Der offizielle Schnellstart verwendet System- und Nutzernachrichten mit der Chatvorlage des Modells und dekodiert anschliessend die generierte Fortsetzung. Bereiten Sie Programmieraufgaben mit relevantem Quellcode, Sprache, erwartetem Verhalten und Einschränkungen vor. Geben Sie bei einer mathematischen Frage die Voraussetzungen und das Ergebnisformat an. Die dokumentierten Verbesserungen des allgemeinen Modells machen es nicht zur separat trainierten Qwen2.5-Coder- oder Qwen2.5-Math-Edition. Ein beispielhafter Programmierauftrag könnte eine Funktion erklären, eine Korrektur vorschlagen und begründen lassen, warum diese die Bedingungen erfüllt; Ausführung und Prüfung bleiben getrennte Schritte.
Qwens Veröffentlichungsdokumentation beschreibt ausserdem Werkzeugaufrufe und eine werkzeugfähige Chatvorlage, einschliesslich Kompatibilität mit Qwen-Agent. Definieren Sie verfügbare Werkzeuge und ihre Argumente, nennen Sie das Ziel und stellen Sie zurückgegebene Ergebnisse zur Interpretation bereit. Ein Dokumentassistent kann vor seiner endgültigen Antwort relevante Informationen anfordern, während ein Codeassistent das Ergebnis einer von der Anwendung ausgeführten Prüfung auswerten kann. Das nützliche Ergebnis ist eine Antwort, die mit den gelieferten Belegen und dem gewünschten Format verbunden ist. Dieses Profil gehört zu einem Textmodell; visuelle Fähigkeiten, Audiofähigkeiten oder Videogenerierungsfähigkeiten anderer Qwen-Modelle sind getrennte Fähigkeiten.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen-2.5-7b-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.
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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-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='qwen/qwen-2.5-7b-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='qwen/qwen-2.5-7b-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 qwen/qwen-2.5-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct ist Qwens kompaktes, auf Anweisungen trainiertes Textmodell für mehrsprachiges Schreiben, Programmierung, Mathematik und strukturierte Daten. Der Hersteller dokumentiert bis zu 131’072 Kontexttokens mit der Langkontextkonfiguration und eine Generierung von bis zu 8’192 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-7B-Instruct ist das auf Anweisungen trainierte 7B-Textmodell der universellen Qwen2.5-Sprachmodellfamilie. Qwen hebt Programmierung und Mathematik, Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierte Ausgabe, besonders JSON, hervor. Es ist ein dichtes Decoder-only-Modell mit insgesamt 7,61 Milliarden Parametern, darunter 6,53 Milliarden ohne Embedding-Parameter. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag kann vorgegebene Informationen in eine klare Erklärung, einen strukturierten Datensatz, einen überarbeiteten Entwurf oder einen Programmvorschlag umwandeln lassen.
Das Modell unterstützt mehr als 29 Sprachen, darunter Chinesisch, Englisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Russisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Der Hersteller betont ausserdem die Robustheit gegenüber unterschiedlichen Systemprompts, die sich für eine Gesprächsrolle und deren Bedingungen nutzen lässt. Geben Sie Rolle, Zielgruppe, Terminologie und Ausgabesprache direkt an. Ein Redaktionsauftrag kann beispielsweise einen technischen Abschnitt, den vorgesehenen Leser und die Bitte um eine kürzere Erklärung enthalten, die benannte Begriffe und vorgegebene Bedingungen bewahrt. Die anweisungstrainierte Edition ist das Gesprächsmodell und bleibt vom entsprechenden vortrainierten Basismodell getrennt.
Das Verständnis strukturierter Daten und die JSON-Generierung sind zentrale Verbesserungen von Qwen2.5. Bewahren Sie beim Extrahieren oder Umwandeln einer Tabelle ihre Überschriften und Einheiten und erklären Sie, welche Zeilen oder Beziehungen wichtig sind. Definieren Sie die gewünschten Schlüssel, Werttypen und den Umgang mit fehlenden Informationen, statt nur eine allgemeine Zusammenfassung anzufordern. Ein beispielhafter Auftrag könnte eine Problemliste vorgeben und für jedes Problem ein Objekt mit Quellkennung, Kategorie und kurzer Erklärung verlangen. Das Ergebnis bleibt generierter Text: Struktur und Werte anhand der Eingabe zu prüfen, gehört zur Nutzung in einem nachgelagerten Ablauf.
Die genaue Karte beschreibt eine vollständige Kontextlänge von 131’072 Tokens und eine Generierung von bis zu 8’192 Tokens. Die mitgelieferte Konfiguration ist auf 32’768 Kontexttokens eingestellt; längeres Material verwendet die dokumentierte YaRN-Konfiguration. Der Hersteller weist darauf hin, dass statische Skalierung die Leistung bei kürzeren Eingaben beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist. Halten Sie Eingabe und gewünschte Antwort innerhalb des jeweils konfigurierten Raums. Bewahren Sie bei einem langen Bericht Abschnittstitel, priorisieren Sie die zur Frage gehörenden Passagen und verlangen Sie die nötige Ausgabelänge, statt die grössere Kontextzahl als Anlass für sachfremdes Material zu nehmen.
Der offizielle Schnellstart verwendet System- und Nutzernachrichten mit der Chatvorlage des Modells und dekodiert anschliessend die generierte Fortsetzung. Bereiten Sie Programmieraufgaben mit relevantem Quellcode, Sprache, erwartetem Verhalten und Einschränkungen vor. Geben Sie bei einer mathematischen Frage die Voraussetzungen und das Ergebnisformat an. Die dokumentierten Verbesserungen des allgemeinen Modells machen es nicht zur separat trainierten Qwen2.5-Coder- oder Qwen2.5-Math-Edition. Ein beispielhafter Programmierauftrag könnte eine Funktion erklären, eine Korrektur vorschlagen und begründen lassen, warum diese die Bedingungen erfüllt; Ausführung und Prüfung bleiben getrennte Schritte.
Qwens Veröffentlichungsdokumentation beschreibt ausserdem Werkzeugaufrufe und eine werkzeugfähige Chatvorlage, einschliesslich Kompatibilität mit Qwen-Agent. Definieren Sie verfügbare Werkzeuge und ihre Argumente, nennen Sie das Ziel und stellen Sie zurückgegebene Ergebnisse zur Interpretation bereit. Ein Dokumentassistent kann vor seiner endgültigen Antwort relevante Informationen anfordern, während ein Codeassistent das Ergebnis einer von der Anwendung ausgeführten Prüfung auswerten kann. Das nützliche Ergebnis ist eine Antwort, die mit den gelieferten Belegen und dem gewünschten Format verbunden ist. Dieses Profil gehört zu einem Textmodell; visuelle Fähigkeiten, Audiofähigkeiten oder Videogenerierungsfähigkeiten anderer Qwen-Modelle sind getrennte Fähigkeiten.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen-2.5-7b-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.
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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen-2.5-7b-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': 'qwen/qwen-2.5-7b-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 qwen/qwen-2.5-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.