Qwen2.5-14B-Instruct ist die auf Anweisungen abgestimmte Edition in 14B-Grösse der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und gibt Text zurück: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und die Erzeugung strukturierter Antworten, insbesondere JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen und stärkere Programmier- und Mathematikfähigkeiten als bei der vorhergehenden Qwen2-Generation, dazu die Erzeugung langer Antworten und den besseren Umgang mit unterschiedlichen Systemanweisungen. Die Familie verwendet einen Vortrainingskorpus, der laut Beschreibung bis zu 18 Billionen Tokens umfasst. Diese Fähigkeiten unterstützen einen fachbezogenen Assistenten, dessen Rolle und Ausgabe durch die Aufgabe bestimmt werden. Dieses Modell bleibt die allgemeine Instruct-Edition; die separat benannten Linien Qwen2.5-Coder und Qwen2.5-Math haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einem ihrer Schritte erhalten. Legen Sie die Rolle des Lesers fest, verlangen Sie die für diesen Schritt relevanten Handlungen und fordern Sie, dass die Antwort die ursprünglichen Bedingungen der Vorgehensweise bewahrt. Eine nützliche Ausgabe kann die nächste Handlung, ihre Anwendungsbedingung und die noch benötigten Informationen getrennt aufführen. So wird aus einer allgemeinen Bitte um Rat eine Antwort mit Bezug zum vorgegebenen Prozess.
Geben Sie für eine Codeerklärung die Funktion, relevante Definitionen von Hilfsfunktionen und die unklare Eingabe an. Fragen Sie nach der Abfolge der Operationen und dem für diese Eingabe zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck, bevor Sie die Herleitung verlangen. Beide Aufgaben verwenden Text; die Programmausführung oder die Bereitstellung eines gesonderten numerischen Werkzeugs übernimmt die umgebende Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie die relevanten Zeilen und legen Sie den Vergleich fest. Die gewünschte Ausgabe kann die Kennungen passender Zeilen auflisten und erläutern, welche vorgegebene Bedingung jede Zeile erfüllt. Wenn Werte fehlen, geben Sie an, ob die Antwort sie weglassen oder ausdrücklich darstellen soll.
Zeigen Sie für eine strukturierte Extraktion die Feldnamen und erforderlichen Typen. Eine Eingabe mit Artikelkennung, Lagerbestand und Lagerbezeichnung kann in einen Datensatz mit genau diesen Feldern umgewandelt werden. Verlangen Sie nur den Datensatz, wenn eine Anwendung ihn parsen wird; verlangen Sie eine gesonderte Erklärung in Prosa, wenn der Nutzer die Interpretation der Quelle prüfen muss. Die dokumentierte JSON-Generierungsfähigkeit des Modells ist davon zu unterscheiden, ob eine bestimmte Schnittstelle ein Schema erzwingt.
Mehrsprachige Gespräche werden in mehr als 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie Terminologie vor, die unverändert bleiben muss. Bitten Sie bei einer übersetzten technischen Erklärung darum, Variablennamen, zitierte Bezeichnungen und Einheiten zu bewahren und die übrige Prosa an den Leser anzupassen.
Die konkrete 14B-Veröffentlichung
Die Modellkarte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Die Architektur verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie Grouped-Query Attention mit 40 Query-Köpfen und 8 Key/Value-Köpfen. Vortraining und Nachtraining ergeben diese Instruct-Edition. Parameter- und Schichtanzahl unterscheiden sich von der 32B-Edition, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Ersteres betrifft das Gespräch und das für eine Aufgabe vorgehaltene Material, Letzteres die erzeugte Antwort. Die Generierungseinstellung von 512 Tokens im Schnellstart ist nur ein Beispiel und ersetzt nicht die angegebene Antwortkapazität der Modellkarte. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht zu diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel wendet die passende Chatvorlage auf getrennte System- und Nutzernachrichten an. Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom zu untersuchenden Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie den Quelltext, damit eine darin zitierte Anweisung nicht mit der von der Anwendung vorgegebenen Aufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Vorlagen für Werkzeugaufrufe und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung, um Funktionsbeschreibungen bereitzustellen, die gewählte Operation auszuführen und ihr Ergebnis für die nächste Antwort zurückzugeben. Beispielsweise kann ein Gespräch um eine Berechnung mit einem bereitgestellten Rechenwerkzeug bitten; das Funktionsergebnis wird anschliessend zu einer Information, die das Modell erklären kann. Werkzeugverfügbarkeit und Ausführung kommen aus dieser Integration, während diese Veröffentlichung das textuelle Gesprächsverhalten bereitstellt.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32’768 Tokens ab. Die dokumentierte Erweiterung für längere Eingaben verwendet YaRN, mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32’768. Statische Skalierung kann das Verhalten bei kürzeren Texten beeinflussen; deshalb empfiehlt der Hersteller, sie bei Bedarf an langen Kontexten hinzuzufügen.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die zu beantwortende Frage und halten Sie die unterstützenden Teile zusammen. Eine klare Anfrage kann eine korrigierte Passage, eine Änderungstabelle und die ursprünglichen Abschnittsverweise verlangen. So wird der erweiterte Kontext für ein konkretes Ergebnis genutzt, während die Antwort innerhalb der separaten Generierungsgrenze bleibt.
", "aboutText": "Qwen2.5-14B-Instruct ist die auf Anweisungen abgestimmte Edition in 14B-Grösse der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und gibt Text zurück: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und die Erzeugung strukturierter Antworten, insbesondere JSON.\n\nVerbesserungen der Familie\n\nDer Hersteller beschreibt breiteres Wissen und stärkere Programmier- und Mathematikfähigkeiten als bei der vorhergehenden Qwen2-Generation, dazu die Erzeugung langer Antworten und den besseren Umgang mit unterschiedlichen Systemanweisungen. Die Familie verwendet einen Vortrainingskorpus, der laut Beschreibung bis zu 18 Billionen Tokens umfasst. Diese Fähigkeiten unterstützen einen fachbezogenen Assistenten, dessen Rolle und Ausgabe durch die Aufgabe bestimmt werden. Dieses Modell bleibt die allgemeine Instruct-Edition; die separat benannten Linien Qwen2.5-Coder und Qwen2.5-Math haben eigene Spezialisierungen.\n\nEin Prozessassistent kann eine Vorgehensweise und eine Frage zu einem ihrer Schritte erhalten. Legen Sie die Rolle des Lesers fest, verlangen Sie die für diesen Schritt relevanten Handlungen und fordern Sie, dass die Antwort die ursprünglichen Bedingungen der Vorgehensweise bewahrt. Eine nützliche Ausgabe kann die nächste Handlung, ihre Anwendungsbedingung und die noch benötigten Informationen getrennt aufführen. So wird aus einer allgemeinen Bitte um Rat eine Antwort mit Bezug zum vorgegebenen Prozess.\n\nGeben Sie für eine Codeerklärung die Funktion, relevante Definitionen von Hilfsfunktionen und die unklare Eingabe an. Fragen Sie nach der Abfolge der Operationen und dem für diese Eingabe zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck, bevor Sie die Herleitung verlangen. Beide Aufgaben verwenden Text; die Programmausführung oder die Bereitstellung eines gesonderten numerischen Werkzeugs übernimmt die umgebende Anwendung.\n\nTabellen und JSON\n\nBewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie die relevanten Zeilen und legen Sie den Vergleich fest. Die gewünschte Ausgabe kann die Kennungen passender Zeilen auflisten und erläutern, welche vorgegebene Bedingung jede Zeile erfüllt. Wenn Werte fehlen, geben Sie an, ob die Antwort sie weglassen oder ausdrücklich darstellen soll.\n\nZeigen Sie für eine strukturierte Extraktion die Feldnamen und erforderlichen Typen. Eine Eingabe mit Artikelkennung, Lagerbestand und Lagerbezeichnung kann in einen Datensatz mit genau diesen Feldern umgewandelt werden. Verlangen Sie nur den Datensatz, wenn eine Anwendung ihn parsen wird; verlangen Sie eine gesonderte Erklärung in Prosa, wenn der Nutzer die Interpretation der Quelle prüfen muss. Die dokumentierte JSON-Generierungsfähigkeit des Modells ist davon zu unterscheiden, ob eine bestimmte Schnittstelle ein Schema erzwingt.\n\nMehrsprachige Gespräche werden in mehr als 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie Terminologie vor, die unverändert bleiben muss. Bitten Sie bei einer übersetzten technischen Erklärung darum, Variablennamen, zitierte Bezeichnungen und Einheiten zu bewahren und die übrige Prosa an den Leser anzupassen.\n\nDie konkrete 14B-Veröffentlichung\n\nDie Modellkarte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Die Architektur verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie Grouped-Query Attention mit 40 Query-Köpfen und 8 Key/Value-Köpfen. Vortraining und Nachtraining ergeben diese Instruct-Edition. Parameter- und Schichtanzahl unterscheiden sich von der 32B-Edition, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.\n\nDie Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Ersteres betrifft das Gespräch und das für eine Aufgabe vorgehaltene Material, Letzteres die erzeugte Antwort. Die Generierungseinstellung von 512 Tokens im Schnellstart ist nur ein Beispiel und ersetzt nicht die angegebene Antwortkapazität der Modellkarte. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht zu diesem Textmodell.\n\nEingabeformat und werkzeuggestützte Aufgaben\n\nDas Herstellerbeispiel wendet die passende Chatvorlage auf getrennte System- und Nutzernachrichten an. Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom zu untersuchenden Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie den Quelltext, damit eine darin zitierte Anweisung nicht mit der von der Anwendung vorgegebenen Aufgabe verwechselt wird.\n\nDie offizielle Qwen2.5-Ankündigung beschreibt auch Vorlagen für Werkzeugaufrufe und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung, um Funktionsbeschreibungen bereitzustellen, die gewählte Operation auszuführen und ihr Ergebnis für die nächste Antwort zurückzugeben. Beispielsweise kann ein Gespräch um eine Berechnung mit einem bereitgestellten Rechenwerkzeug bitten; das Funktionsergebnis wird anschliessend zu einer Information, die das Modell erklären kann. Werkzeugverfügbarkeit und Ausführung kommen aus dieser Integration, während diese Veröffentlichung das textuelle Gesprächsverhalten bereitstellt.\n\nLangtextkonfiguration\n\nDie veröffentlichte Konfiguration deckt zunächst 32’768 Tokens ab. Die dokumentierte Erweiterung für längere Eingaben verwendet YaRN, mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32’768. Statische Skalierung kann das Verhalten bei kürzeren Texten beeinflussen; deshalb empfiehlt der Hersteller, sie bei Bedarf an langen Kontexten hinzuzufügen.\n\nBenennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die zu beantwortende Frage und halten Sie die unterstützenden Teile zusammen. Eine klare Anfrage kann eine korrigierte Passage, eine Änderungstabelle und die ursprünglichen Abschnittsverweise verlangen. So wird der erweiterte Kontext für ein konkretes Ergebnis genutzt, während die Antwort innerhalb der separaten Generierungsgrenze bleibt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und bis zu 8’192 Antworttokens mit einer Konfiguration für erweiterten Kontext bei langen Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen abgestimmte Edition in 14B-Grösse der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und gibt Text zurück: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und die Erzeugung strukturierter Antworten, insbesondere JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen und stärkere Programmier- und Mathematikfähigkeiten als bei der vorhergehenden Qwen2-Generation, dazu die Erzeugung langer Antworten und den besseren Umgang mit unterschiedlichen Systemanweisungen. Die Familie verwendet einen Vortrainingskorpus, der laut Beschreibung bis zu 18 Billionen Tokens umfasst. Diese Fähigkeiten unterstützen einen fachbezogenen Assistenten, dessen Rolle und Ausgabe durch die Aufgabe bestimmt werden. Dieses Modell bleibt die allgemeine Instruct-Edition; die separat benannten Linien Qwen2.5-Coder und Qwen2.5-Math haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einem ihrer Schritte erhalten. Legen Sie die Rolle des Lesers fest, verlangen Sie die für diesen Schritt relevanten Handlungen und fordern Sie, dass die Antwort die ursprünglichen Bedingungen der Vorgehensweise bewahrt. Eine nützliche Ausgabe kann die nächste Handlung, ihre Anwendungsbedingung und die noch benötigten Informationen getrennt aufführen. So wird aus einer allgemeinen Bitte um Rat eine Antwort mit Bezug zum vorgegebenen Prozess.
Geben Sie für eine Codeerklärung die Funktion, relevante Definitionen von Hilfsfunktionen und die unklare Eingabe an. Fragen Sie nach der Abfolge der Operationen und dem für diese Eingabe zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck, bevor Sie die Herleitung verlangen. Beide Aufgaben verwenden Text; die Programmausführung oder die Bereitstellung eines gesonderten numerischen Werkzeugs übernimmt die umgebende Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie die relevanten Zeilen und legen Sie den Vergleich fest. Die gewünschte Ausgabe kann die Kennungen passender Zeilen auflisten und erläutern, welche vorgegebene Bedingung jede Zeile erfüllt. Wenn Werte fehlen, geben Sie an, ob die Antwort sie weglassen oder ausdrücklich darstellen soll.
Zeigen Sie für eine strukturierte Extraktion die Feldnamen und erforderlichen Typen. Eine Eingabe mit Artikelkennung, Lagerbestand und Lagerbezeichnung kann in einen Datensatz mit genau diesen Feldern umgewandelt werden. Verlangen Sie nur den Datensatz, wenn eine Anwendung ihn parsen wird; verlangen Sie eine gesonderte Erklärung in Prosa, wenn der Nutzer die Interpretation der Quelle prüfen muss. Die dokumentierte JSON-Generierungsfähigkeit des Modells ist davon zu unterscheiden, ob eine bestimmte Schnittstelle ein Schema erzwingt.
Mehrsprachige Gespräche werden in mehr als 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie Terminologie vor, die unverändert bleiben muss. Bitten Sie bei einer übersetzten technischen Erklärung darum, Variablennamen, zitierte Bezeichnungen und Einheiten zu bewahren und die übrige Prosa an den Leser anzupassen.
Die konkrete 14B-Veröffentlichung
Die Modellkarte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Die Architektur verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie Grouped-Query Attention mit 40 Query-Köpfen und 8 Key/Value-Köpfen. Vortraining und Nachtraining ergeben diese Instruct-Edition. Parameter- und Schichtanzahl unterscheiden sich von der 32B-Edition, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Ersteres betrifft das Gespräch und das für eine Aufgabe vorgehaltene Material, Letzteres die erzeugte Antwort. Die Generierungseinstellung von 512 Tokens im Schnellstart ist nur ein Beispiel und ersetzt nicht die angegebene Antwortkapazität der Modellkarte. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht zu diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel wendet die passende Chatvorlage auf getrennte System- und Nutzernachrichten an. Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom zu untersuchenden Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie den Quelltext, damit eine darin zitierte Anweisung nicht mit der von der Anwendung vorgegebenen Aufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Vorlagen für Werkzeugaufrufe und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung, um Funktionsbeschreibungen bereitzustellen, die gewählte Operation auszuführen und ihr Ergebnis für die nächste Antwort zurückzugeben. Beispielsweise kann ein Gespräch um eine Berechnung mit einem bereitgestellten Rechenwerkzeug bitten; das Funktionsergebnis wird anschliessend zu einer Information, die das Modell erklären kann. Werkzeugverfügbarkeit und Ausführung kommen aus dieser Integration, während diese Veröffentlichung das textuelle Gesprächsverhalten bereitstellt.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32’768 Tokens ab. Die dokumentierte Erweiterung für längere Eingaben verwendet YaRN, mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32’768. Statische Skalierung kann das Verhalten bei kürzeren Texten beeinflussen; deshalb empfiehlt der Hersteller, sie bei Bedarf an langen Kontexten hinzuzufügen.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die zu beantwortende Frage und halten Sie die unterstützenden Teile zusammen. Eine klare Anfrage kann eine korrigierte Passage, eine Änderungstabelle und die ursprünglichen Abschnittsverweise verlangen. So wird der erweiterte Kontext für ein konkretes Ergebnis genutzt, während die Antwort innerhalb der separaten Generierungsgrenze bleibt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-14B-Instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 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/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und bis zu 8’192 Antworttokens mit einer Konfiguration für erweiterten Kontext bei langen Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen abgestimmte Edition in 14B-Grösse der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und gibt Text zurück: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und die Erzeugung strukturierter Antworten, insbesondere JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen und stärkere Programmier- und Mathematikfähigkeiten als bei der vorhergehenden Qwen2-Generation, dazu die Erzeugung langer Antworten und den besseren Umgang mit unterschiedlichen Systemanweisungen. Die Familie verwendet einen Vortrainingskorpus, der laut Beschreibung bis zu 18 Billionen Tokens umfasst. Diese Fähigkeiten unterstützen einen fachbezogenen Assistenten, dessen Rolle und Ausgabe durch die Aufgabe bestimmt werden. Dieses Modell bleibt die allgemeine Instruct-Edition; die separat benannten Linien Qwen2.5-Coder und Qwen2.5-Math haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einem ihrer Schritte erhalten. Legen Sie die Rolle des Lesers fest, verlangen Sie die für diesen Schritt relevanten Handlungen und fordern Sie, dass die Antwort die ursprünglichen Bedingungen der Vorgehensweise bewahrt. Eine nützliche Ausgabe kann die nächste Handlung, ihre Anwendungsbedingung und die noch benötigten Informationen getrennt aufführen. So wird aus einer allgemeinen Bitte um Rat eine Antwort mit Bezug zum vorgegebenen Prozess.
Geben Sie für eine Codeerklärung die Funktion, relevante Definitionen von Hilfsfunktionen und die unklare Eingabe an. Fragen Sie nach der Abfolge der Operationen und dem für diese Eingabe zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck, bevor Sie die Herleitung verlangen. Beide Aufgaben verwenden Text; die Programmausführung oder die Bereitstellung eines gesonderten numerischen Werkzeugs übernimmt die umgebende Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie die relevanten Zeilen und legen Sie den Vergleich fest. Die gewünschte Ausgabe kann die Kennungen passender Zeilen auflisten und erläutern, welche vorgegebene Bedingung jede Zeile erfüllt. Wenn Werte fehlen, geben Sie an, ob die Antwort sie weglassen oder ausdrücklich darstellen soll.
Zeigen Sie für eine strukturierte Extraktion die Feldnamen und erforderlichen Typen. Eine Eingabe mit Artikelkennung, Lagerbestand und Lagerbezeichnung kann in einen Datensatz mit genau diesen Feldern umgewandelt werden. Verlangen Sie nur den Datensatz, wenn eine Anwendung ihn parsen wird; verlangen Sie eine gesonderte Erklärung in Prosa, wenn der Nutzer die Interpretation der Quelle prüfen muss. Die dokumentierte JSON-Generierungsfähigkeit des Modells ist davon zu unterscheiden, ob eine bestimmte Schnittstelle ein Schema erzwingt.
Mehrsprachige Gespräche werden in mehr als 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie Terminologie vor, die unverändert bleiben muss. Bitten Sie bei einer übersetzten technischen Erklärung darum, Variablennamen, zitierte Bezeichnungen und Einheiten zu bewahren und die übrige Prosa an den Leser anzupassen.
Die konkrete 14B-Veröffentlichung
Die Modellkarte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Die Architektur verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie Grouped-Query Attention mit 40 Query-Köpfen und 8 Key/Value-Köpfen. Vortraining und Nachtraining ergeben diese Instruct-Edition. Parameter- und Schichtanzahl unterscheiden sich von der 32B-Edition, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Ersteres betrifft das Gespräch und das für eine Aufgabe vorgehaltene Material, Letzteres die erzeugte Antwort. Die Generierungseinstellung von 512 Tokens im Schnellstart ist nur ein Beispiel und ersetzt nicht die angegebene Antwortkapazität der Modellkarte. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht zu diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel wendet die passende Chatvorlage auf getrennte System- und Nutzernachrichten an. Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom zu untersuchenden Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie den Quelltext, damit eine darin zitierte Anweisung nicht mit der von der Anwendung vorgegebenen Aufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Vorlagen für Werkzeugaufrufe und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung, um Funktionsbeschreibungen bereitzustellen, die gewählte Operation auszuführen und ihr Ergebnis für die nächste Antwort zurückzugeben. Beispielsweise kann ein Gespräch um eine Berechnung mit einem bereitgestellten Rechenwerkzeug bitten; das Funktionsergebnis wird anschliessend zu einer Information, die das Modell erklären kann. Werkzeugverfügbarkeit und Ausführung kommen aus dieser Integration, während diese Veröffentlichung das textuelle Gesprächsverhalten bereitstellt.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32’768 Tokens ab. Die dokumentierte Erweiterung für längere Eingaben verwendet YaRN, mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32’768. Statische Skalierung kann das Verhalten bei kürzeren Texten beeinflussen; deshalb empfiehlt der Hersteller, sie bei Bedarf an langen Kontexten hinzuzufügen.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die zu beantwortende Frage und halten Sie die unterstützenden Teile zusammen. Eine klare Anfrage kann eine korrigierte Passage, eine Änderungstabelle und die ursprünglichen Abschnittsverweise verlangen. So wird der erweiterte Kontext für ein konkretes Ergebnis genutzt, während die Antwort innerhalb der separaten Generierungsgrenze bleibt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-14B-Instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und bis zu 8’192 Antworttokens mit einer Konfiguration für erweiterten Kontext bei langen Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen abgestimmte Edition in 14B-Grösse der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und gibt Text zurück: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und die Erzeugung strukturierter Antworten, insbesondere JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen und stärkere Programmier- und Mathematikfähigkeiten als bei der vorhergehenden Qwen2-Generation, dazu die Erzeugung langer Antworten und den besseren Umgang mit unterschiedlichen Systemanweisungen. Die Familie verwendet einen Vortrainingskorpus, der laut Beschreibung bis zu 18 Billionen Tokens umfasst. Diese Fähigkeiten unterstützen einen fachbezogenen Assistenten, dessen Rolle und Ausgabe durch die Aufgabe bestimmt werden. Dieses Modell bleibt die allgemeine Instruct-Edition; die separat benannten Linien Qwen2.5-Coder und Qwen2.5-Math haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einem ihrer Schritte erhalten. Legen Sie die Rolle des Lesers fest, verlangen Sie die für diesen Schritt relevanten Handlungen und fordern Sie, dass die Antwort die ursprünglichen Bedingungen der Vorgehensweise bewahrt. Eine nützliche Ausgabe kann die nächste Handlung, ihre Anwendungsbedingung und die noch benötigten Informationen getrennt aufführen. So wird aus einer allgemeinen Bitte um Rat eine Antwort mit Bezug zum vorgegebenen Prozess.
Geben Sie für eine Codeerklärung die Funktion, relevante Definitionen von Hilfsfunktionen und die unklare Eingabe an. Fragen Sie nach der Abfolge der Operationen und dem für diese Eingabe zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck, bevor Sie die Herleitung verlangen. Beide Aufgaben verwenden Text; die Programmausführung oder die Bereitstellung eines gesonderten numerischen Werkzeugs übernimmt die umgebende Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie die relevanten Zeilen und legen Sie den Vergleich fest. Die gewünschte Ausgabe kann die Kennungen passender Zeilen auflisten und erläutern, welche vorgegebene Bedingung jede Zeile erfüllt. Wenn Werte fehlen, geben Sie an, ob die Antwort sie weglassen oder ausdrücklich darstellen soll.
Zeigen Sie für eine strukturierte Extraktion die Feldnamen und erforderlichen Typen. Eine Eingabe mit Artikelkennung, Lagerbestand und Lagerbezeichnung kann in einen Datensatz mit genau diesen Feldern umgewandelt werden. Verlangen Sie nur den Datensatz, wenn eine Anwendung ihn parsen wird; verlangen Sie eine gesonderte Erklärung in Prosa, wenn der Nutzer die Interpretation der Quelle prüfen muss. Die dokumentierte JSON-Generierungsfähigkeit des Modells ist davon zu unterscheiden, ob eine bestimmte Schnittstelle ein Schema erzwingt.
Mehrsprachige Gespräche werden in mehr als 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie Terminologie vor, die unverändert bleiben muss. Bitten Sie bei einer übersetzten technischen Erklärung darum, Variablennamen, zitierte Bezeichnungen und Einheiten zu bewahren und die übrige Prosa an den Leser anzupassen.
Die konkrete 14B-Veröffentlichung
Die Modellkarte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Die Architektur verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie Grouped-Query Attention mit 40 Query-Köpfen und 8 Key/Value-Köpfen. Vortraining und Nachtraining ergeben diese Instruct-Edition. Parameter- und Schichtanzahl unterscheiden sich von der 32B-Edition, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Ersteres betrifft das Gespräch und das für eine Aufgabe vorgehaltene Material, Letzteres die erzeugte Antwort. Die Generierungseinstellung von 512 Tokens im Schnellstart ist nur ein Beispiel und ersetzt nicht die angegebene Antwortkapazität der Modellkarte. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht zu diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel wendet die passende Chatvorlage auf getrennte System- und Nutzernachrichten an. Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom zu untersuchenden Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie den Quelltext, damit eine darin zitierte Anweisung nicht mit der von der Anwendung vorgegebenen Aufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Vorlagen für Werkzeugaufrufe und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung, um Funktionsbeschreibungen bereitzustellen, die gewählte Operation auszuführen und ihr Ergebnis für die nächste Antwort zurückzugeben. Beispielsweise kann ein Gespräch um eine Berechnung mit einem bereitgestellten Rechenwerkzeug bitten; das Funktionsergebnis wird anschliessend zu einer Information, die das Modell erklären kann. Werkzeugverfügbarkeit und Ausführung kommen aus dieser Integration, während diese Veröffentlichung das textuelle Gesprächsverhalten bereitstellt.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32’768 Tokens ab. Die dokumentierte Erweiterung für längere Eingaben verwendet YaRN, mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32’768. Statische Skalierung kann das Verhalten bei kürzeren Texten beeinflussen; deshalb empfiehlt der Hersteller, sie bei Bedarf an langen Kontexten hinzuzufügen.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die zu beantwortende Frage und halten Sie die unterstützenden Teile zusammen. Eine klare Anfrage kann eine korrigierte Passage, eine Änderungstabelle und die ursprünglichen Abschnittsverweise verlangen. So wird der erweiterte Kontext für ein konkretes Ergebnis genutzt, während die Antwort innerhalb der separaten Generierungsgrenze bleibt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-14b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmässig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 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":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und bis zu 8’192 Antworttokens mit einer Konfiguration für erweiterten Kontext bei langen Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen abgestimmte Edition in 14B-Grösse der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und gibt Text zurück: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und die Erzeugung strukturierter Antworten, insbesondere JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen und stärkere Programmier- und Mathematikfähigkeiten als bei der vorhergehenden Qwen2-Generation, dazu die Erzeugung langer Antworten und den besseren Umgang mit unterschiedlichen Systemanweisungen. Die Familie verwendet einen Vortrainingskorpus, der laut Beschreibung bis zu 18 Billionen Tokens umfasst. Diese Fähigkeiten unterstützen einen fachbezogenen Assistenten, dessen Rolle und Ausgabe durch die Aufgabe bestimmt werden. Dieses Modell bleibt die allgemeine Instruct-Edition; die separat benannten Linien Qwen2.5-Coder und Qwen2.5-Math haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einem ihrer Schritte erhalten. Legen Sie die Rolle des Lesers fest, verlangen Sie die für diesen Schritt relevanten Handlungen und fordern Sie, dass die Antwort die ursprünglichen Bedingungen der Vorgehensweise bewahrt. Eine nützliche Ausgabe kann die nächste Handlung, ihre Anwendungsbedingung und die noch benötigten Informationen getrennt aufführen. So wird aus einer allgemeinen Bitte um Rat eine Antwort mit Bezug zum vorgegebenen Prozess.
Geben Sie für eine Codeerklärung die Funktion, relevante Definitionen von Hilfsfunktionen und die unklare Eingabe an. Fragen Sie nach der Abfolge der Operationen und dem für diese Eingabe zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck, bevor Sie die Herleitung verlangen. Beide Aufgaben verwenden Text; die Programmausführung oder die Bereitstellung eines gesonderten numerischen Werkzeugs übernimmt die umgebende Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie die relevanten Zeilen und legen Sie den Vergleich fest. Die gewünschte Ausgabe kann die Kennungen passender Zeilen auflisten und erläutern, welche vorgegebene Bedingung jede Zeile erfüllt. Wenn Werte fehlen, geben Sie an, ob die Antwort sie weglassen oder ausdrücklich darstellen soll.
Zeigen Sie für eine strukturierte Extraktion die Feldnamen und erforderlichen Typen. Eine Eingabe mit Artikelkennung, Lagerbestand und Lagerbezeichnung kann in einen Datensatz mit genau diesen Feldern umgewandelt werden. Verlangen Sie nur den Datensatz, wenn eine Anwendung ihn parsen wird; verlangen Sie eine gesonderte Erklärung in Prosa, wenn der Nutzer die Interpretation der Quelle prüfen muss. Die dokumentierte JSON-Generierungsfähigkeit des Modells ist davon zu unterscheiden, ob eine bestimmte Schnittstelle ein Schema erzwingt.
Mehrsprachige Gespräche werden in mehr als 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie Terminologie vor, die unverändert bleiben muss. Bitten Sie bei einer übersetzten technischen Erklärung darum, Variablennamen, zitierte Bezeichnungen und Einheiten zu bewahren und die übrige Prosa an den Leser anzupassen.
Die konkrete 14B-Veröffentlichung
Die Modellkarte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Die Architektur verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie Grouped-Query Attention mit 40 Query-Köpfen und 8 Key/Value-Köpfen. Vortraining und Nachtraining ergeben diese Instruct-Edition. Parameter- und Schichtanzahl unterscheiden sich von der 32B-Edition, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Ersteres betrifft das Gespräch und das für eine Aufgabe vorgehaltene Material, Letzteres die erzeugte Antwort. Die Generierungseinstellung von 512 Tokens im Schnellstart ist nur ein Beispiel und ersetzt nicht die angegebene Antwortkapazität der Modellkarte. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht zu diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel wendet die passende Chatvorlage auf getrennte System- und Nutzernachrichten an. Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom zu untersuchenden Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie den Quelltext, damit eine darin zitierte Anweisung nicht mit der von der Anwendung vorgegebenen Aufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Vorlagen für Werkzeugaufrufe und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung, um Funktionsbeschreibungen bereitzustellen, die gewählte Operation auszuführen und ihr Ergebnis für die nächste Antwort zurückzugeben. Beispielsweise kann ein Gespräch um eine Berechnung mit einem bereitgestellten Rechenwerkzeug bitten; das Funktionsergebnis wird anschliessend zu einer Information, die das Modell erklären kann. Werkzeugverfügbarkeit und Ausführung kommen aus dieser Integration, während diese Veröffentlichung das textuelle Gesprächsverhalten bereitstellt.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32’768 Tokens ab. Die dokumentierte Erweiterung für längere Eingaben verwendet YaRN, mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32’768. Statische Skalierung kann das Verhalten bei kürzeren Texten beeinflussen; deshalb empfiehlt der Hersteller, sie bei Bedarf an langen Kontexten hinzuzufügen.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die zu beantwortende Frage und halten Sie die unterstützenden Teile zusammen. Eine klare Anfrage kann eine korrigierte Passage, eine Änderungstabelle und die ursprünglichen Abschnittsverweise verlangen. So wird der erweiterte Kontext für ein konkretes Ergebnis genutzt, während die Antwort innerhalb der separaten Generierungsgrenze bleibt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-14b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Technisches Beispiel auf Englisch
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.