Qwen2.5-32B-Instruct ist das auf Anweisungen abgestimmte Textmodell in 32B-Grösse der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Programmierung und Mathematik, statt der separat benannte Coder- oder Math-Spezialist zu sein. Der Hersteller hebt besonders detaillierte Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierten Text hervor, insbesondere JSON. Die Familie wird auf einem Korpus vortrainiert, der laut Beschreibung bis zu 18 Billionen Tokens umfasst.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktionsaufgabe liefert eine Quellpassage und genau die Felder, die der nächste Anwendungsschritt benötigt. Definieren Sie Feldtypen, ob der Wortlaut kopiert oder zusammengefasst werden soll und wie fehlende Informationen darzustellen sind. Ein Produktdatensatz kann beispielsweise eine Kennung, Betriebsbedingungen und eine Liste offener Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst werden muss, oder eine gesonderte Erklärung, wenn jemand die Begründung der extrahierten Felder prüfen soll.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Geben Sie mit der Frage Spaltennamen, Einheiten und relevante Zeilen vor. Lassen Sie das Modell die Zeilen identifizieren, die eine Bedingung erfüllen, eine Veränderung zwischen Zeiträumen erklären oder eine Tabelle in einen schriftlichen Bericht umwandeln. Eine praktische Ausgabe kann die Kennung jeder Zeile neben dem Ergebnis bewahren. Das hält die Verbindung zwischen gelieferten Daten und Antwort aufrecht, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Benennen Sie für längere Texte Zielgruppe, Abschnitte und Quellfakten, bevor Sie das Dokument verlangen. Ein technischer Vorschlag könnte Problemstellung, Anforderungen, Alternativen und eine Empfehlung benötigen, ausschliesslich auf Grundlage des gelieferten Materials. Legen Sie fest, welche Bedingungen verbindlich und welche noch zu klärende Fragen sind. Der Hersteller entwickelt ausserdem Robustheit gegenüber unterschiedlichen Systemprompts und unterstützt damit eine definierte Rolle, einen Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie bei einer mehrsprachigen Aufgabe die Quellsprache von der benötigten Ausgabesprache und stellen Sie eine Terminologieliste bereit, wenn Namen oder Fachbegriffe einheitlich bleiben müssen. Ein zweisprachiger Bericht kann dieselben Quellfakten in zwei Versionen verlangen und dabei Kennungen und Einheiten unverändert lassen.
Modelldetails dieser Edition
Die 32B-Instruct-Veröffentlichung hat 32,5 Milliarden Parameter, darunter 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist eine dichte Decoder-only-Sprachmodellveröffentlichung mit Vortraining und Nachtraining; Instruct bezeichnet die für Gespräche trainierte Edition, nicht das Basismodell.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Diese Zahlen beschreiben unterschiedliche Teile einer Aufgabe: Der Kontext hält Prompt und Gespräch vor, während die Generierungszahl die schriftliche Antwort begrenzt. Die 512 generierten Tokens des Schnellstarts sind lediglich ein Beispiel innerhalb der höheren genannten Generierungsgrenze. Das Modell nimmt Text entgegen und gibt Text zurück; eine gescannte Tabelle oder ein Screenshot muss als Text zugänglich gemacht oder von einem gesonderten visuellen Modell verarbeitet werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt getrennte System- und Nutzernachrichten, die mit der passenden Chatvorlage formatiert werden. Platzieren Sie die dauerhaften Antwortregeln des Assistenten in der entsprechenden Gesprächsrolle und das eigentliche Dokument, die Tabelle oder den Code bei der Aufgabe des Nutzers. Kennzeichnen Sie die Grenze zwischen zitiertem Quellmaterial und Anweisungen, damit eine Anweisung im Dokument nicht mit der beabsichtigten Aufgabe der Anwendung verwechselt wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. In einem solchen Ablauf liefert die Anwendung die Funktionsbeschreibungen, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und gibt ihr Ergebnis zurück. Das kann eine Textfrage mit einer Berechnung oder Datenabfrage verbinden; die Wahl dieses Modells allein liefert jedoch weder das externe Werkzeug noch dessen Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: Erstere formatiert Text, Letzterer fordert die umgebende Anwendung zur Ausführung einer benannten Operation auf.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32’768 Tokens. Eingaben jenseits dieser Einstellung erfordern die dokumentierte YaRN-Erweiterung; deren Beispiel verwendet einen Faktor von 4,0 und eine ursprüngliche maximale Positionseinstellung von 32’768. Der Hersteller warnt, dass statische Skalierung das Verhalten kürzerer Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist.
Benennen Sie beim Vergleich umfangreicher Dokumente die Rolle jedes Dokuments und verlangen Sie ein klar definiertes Ergebnis: eine Anforderungsmatrix, eine Abweichungsliste oder einen überarbeiteten Abschnitt. Bewahren Sie Quellstellen neben extrahierten Ergebnissen und lassen Sie ausreichend Antwortplatz für die gewünschte Struktur. Langkontextkapazität hilft, relevantes Material zusammenzuhalten; sie ersetzt nicht die Festlegung dessen, was verglichen werden soll und wie das endgültige Ergebnis verwendet wird.
", "aboutText": "Qwen2.5-32B-Instruct ist das auf Anweisungen abgestimmte Textmodell in 32B-Grösse der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Programmierung und Mathematik, statt der separat benannte Coder- oder Math-Spezialist zu sein. Der Hersteller hebt besonders detaillierte Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierten Text hervor, insbesondere JSON. Die Familie wird auf einem Korpus vortrainiert, der laut Beschreibung bis zu 18 Billionen Tokens umfasst.\n\nStrukturierte Daten, lange Antworten und mehrsprachige Arbeit\n\nEine nützliche Extraktionsaufgabe liefert eine Quellpassage und genau die Felder, die der nächste Anwendungsschritt benötigt. Definieren Sie Feldtypen, ob der Wortlaut kopiert oder zusammengefasst werden soll und wie fehlende Informationen darzustellen sind. Ein Produktdatensatz kann beispielsweise eine Kennung, Betriebsbedingungen und eine Liste offener Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst werden muss, oder eine gesonderte Erklärung, wenn jemand die Begründung der extrahierten Felder prüfen soll.\n\nTabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Geben Sie mit der Frage Spaltennamen, Einheiten und relevante Zeilen vor. Lassen Sie das Modell die Zeilen identifizieren, die eine Bedingung erfüllen, eine Veränderung zwischen Zeiträumen erklären oder eine Tabelle in einen schriftlichen Bericht umwandeln. Eine praktische Ausgabe kann die Kennung jeder Zeile neben dem Ergebnis bewahren. Das hält die Verbindung zwischen gelieferten Daten und Antwort aufrecht, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.\n\nBenennen Sie für längere Texte Zielgruppe, Abschnitte und Quellfakten, bevor Sie das Dokument verlangen. Ein technischer Vorschlag könnte Problemstellung, Anforderungen, Alternativen und eine Empfehlung benötigen, ausschliesslich auf Grundlage des gelieferten Materials. Legen Sie fest, welche Bedingungen verbindlich und welche noch zu klärende Fragen sind. Der Hersteller entwickelt ausserdem Robustheit gegenüber unterschiedlichen Systemprompts und unterstützt damit eine definierte Rolle, einen Ton und Gesprächsbedingungen.\n\nDie Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie bei einer mehrsprachigen Aufgabe die Quellsprache von der benötigten Ausgabesprache und stellen Sie eine Terminologieliste bereit, wenn Namen oder Fachbegriffe einheitlich bleiben müssen. Ein zweisprachiger Bericht kann dieselben Quellfakten in zwei Versionen verlangen und dabei Kennungen und Einheiten unverändert lassen.\n\nModelldetails dieser Edition\n\nDie 32B-Instruct-Veröffentlichung hat 32,5 Milliarden Parameter, darunter 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist eine dichte Decoder-only-Sprachmodellveröffentlichung mit Vortraining und Nachtraining; Instruct bezeichnet die für Gespräche trainierte Edition, nicht das Basismodell.\n\nDie Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Diese Zahlen beschreiben unterschiedliche Teile einer Aufgabe: Der Kontext hält Prompt und Gespräch vor, während die Generierungszahl die schriftliche Antwort begrenzt. Die 512 generierten Tokens des Schnellstarts sind lediglich ein Beispiel innerhalb der höheren genannten Generierungsgrenze. Das Modell nimmt Text entgegen und gibt Text zurück; eine gescannte Tabelle oder ein Screenshot muss als Text zugänglich gemacht oder von einem gesonderten visuellen Modell verarbeitet werden.\n\nGespräch und Werkzeuge\n\nDie Modellkarte zeigt getrennte System- und Nutzernachrichten, die mit der passenden Chatvorlage formatiert werden. Platzieren Sie die dauerhaften Antwortregeln des Assistenten in der entsprechenden Gesprächsrolle und das eigentliche Dokument, die Tabelle oder den Code bei der Aufgabe des Nutzers. Kennzeichnen Sie die Grenze zwischen zitiertem Quellmaterial und Anweisungen, damit eine Anweisung im Dokument nicht mit der beabsichtigten Aufgabe der Anwendung verwechselt wird.\n\nDie offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. In einem solchen Ablauf liefert die Anwendung die Funktionsbeschreibungen, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und gibt ihr Ergebnis zurück. Das kann eine Textfrage mit einer Berechnung oder Datenabfrage verbinden; die Wahl dieses Modells allein liefert jedoch weder das externe Werkzeug noch dessen Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: Erstere formatiert Text, Letzterer fordert die umgebende Anwendung zur Ausführung einer benannten Operation auf.\n\nLangkontextvorbereitung\n\nDie veröffentlichte Konfiguration beginnt bei 32’768 Tokens. Eingaben jenseits dieser Einstellung erfordern die dokumentierte YaRN-Erweiterung; deren Beispiel verwendet einen Faktor von 4,0 und eine ursprüngliche maximale Positionseinstellung von 32’768. Der Hersteller warnt, dass statische Skalierung das Verhalten kürzerer Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist.\n\nBenennen Sie beim Vergleich umfangreicher Dokumente die Rolle jedes Dokuments und verlangen Sie ein klar definiertes Ergebnis: eine Anforderungsmatrix, eine Abweichungsliste oder einen überarbeiteten Abschnitt. Bewahren Sie Quellstellen neben extrahierten Ergebnissen und lassen Sie ausreichend Antwortplatz für die gewünschte Struktur. Langkontextkapazität hilft, relevantes Material zusammenzuhalten; sie ersetzt nicht die Festlegung dessen, was verglichen werden soll und wie das endgültige Ergebnis verwendet wird.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Programmierung, Mathematik und strukturierte Daten. Die Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Einstellungen für erweiterten Kontext.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen abgestimmte Textmodell in 32B-Grösse der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Programmierung und Mathematik, statt der separat benannte Coder- oder Math-Spezialist zu sein. Der Hersteller hebt besonders detaillierte Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierten Text hervor, insbesondere JSON. Die Familie wird auf einem Korpus vortrainiert, der laut Beschreibung bis zu 18 Billionen Tokens umfasst.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktionsaufgabe liefert eine Quellpassage und genau die Felder, die der nächste Anwendungsschritt benötigt. Definieren Sie Feldtypen, ob der Wortlaut kopiert oder zusammengefasst werden soll und wie fehlende Informationen darzustellen sind. Ein Produktdatensatz kann beispielsweise eine Kennung, Betriebsbedingungen und eine Liste offener Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst werden muss, oder eine gesonderte Erklärung, wenn jemand die Begründung der extrahierten Felder prüfen soll.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Geben Sie mit der Frage Spaltennamen, Einheiten und relevante Zeilen vor. Lassen Sie das Modell die Zeilen identifizieren, die eine Bedingung erfüllen, eine Veränderung zwischen Zeiträumen erklären oder eine Tabelle in einen schriftlichen Bericht umwandeln. Eine praktische Ausgabe kann die Kennung jeder Zeile neben dem Ergebnis bewahren. Das hält die Verbindung zwischen gelieferten Daten und Antwort aufrecht, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Benennen Sie für längere Texte Zielgruppe, Abschnitte und Quellfakten, bevor Sie das Dokument verlangen. Ein technischer Vorschlag könnte Problemstellung, Anforderungen, Alternativen und eine Empfehlung benötigen, ausschliesslich auf Grundlage des gelieferten Materials. Legen Sie fest, welche Bedingungen verbindlich und welche noch zu klärende Fragen sind. Der Hersteller entwickelt ausserdem Robustheit gegenüber unterschiedlichen Systemprompts und unterstützt damit eine definierte Rolle, einen Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie bei einer mehrsprachigen Aufgabe die Quellsprache von der benötigten Ausgabesprache und stellen Sie eine Terminologieliste bereit, wenn Namen oder Fachbegriffe einheitlich bleiben müssen. Ein zweisprachiger Bericht kann dieselben Quellfakten in zwei Versionen verlangen und dabei Kennungen und Einheiten unverändert lassen.
Modelldetails dieser Edition
Die 32B-Instruct-Veröffentlichung hat 32,5 Milliarden Parameter, darunter 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist eine dichte Decoder-only-Sprachmodellveröffentlichung mit Vortraining und Nachtraining; Instruct bezeichnet die für Gespräche trainierte Edition, nicht das Basismodell.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Diese Zahlen beschreiben unterschiedliche Teile einer Aufgabe: Der Kontext hält Prompt und Gespräch vor, während die Generierungszahl die schriftliche Antwort begrenzt. Die 512 generierten Tokens des Schnellstarts sind lediglich ein Beispiel innerhalb der höheren genannten Generierungsgrenze. Das Modell nimmt Text entgegen und gibt Text zurück; eine gescannte Tabelle oder ein Screenshot muss als Text zugänglich gemacht oder von einem gesonderten visuellen Modell verarbeitet werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt getrennte System- und Nutzernachrichten, die mit der passenden Chatvorlage formatiert werden. Platzieren Sie die dauerhaften Antwortregeln des Assistenten in der entsprechenden Gesprächsrolle und das eigentliche Dokument, die Tabelle oder den Code bei der Aufgabe des Nutzers. Kennzeichnen Sie die Grenze zwischen zitiertem Quellmaterial und Anweisungen, damit eine Anweisung im Dokument nicht mit der beabsichtigten Aufgabe der Anwendung verwechselt wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. In einem solchen Ablauf liefert die Anwendung die Funktionsbeschreibungen, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und gibt ihr Ergebnis zurück. Das kann eine Textfrage mit einer Berechnung oder Datenabfrage verbinden; die Wahl dieses Modells allein liefert jedoch weder das externe Werkzeug noch dessen Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: Erstere formatiert Text, Letzterer fordert die umgebende Anwendung zur Ausführung einer benannten Operation auf.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32’768 Tokens. Eingaben jenseits dieser Einstellung erfordern die dokumentierte YaRN-Erweiterung; deren Beispiel verwendet einen Faktor von 4,0 und eine ursprüngliche maximale Positionseinstellung von 32’768. Der Hersteller warnt, dass statische Skalierung das Verhalten kürzerer Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist.
Benennen Sie beim Vergleich umfangreicher Dokumente die Rolle jedes Dokuments und verlangen Sie ein klar definiertes Ergebnis: eine Anforderungsmatrix, eine Abweichungsliste oder einen überarbeiteten Abschnitt. Bewahren Sie Quellstellen neben extrahierten Ergebnissen und lassen Sie ausreichend Antwortplatz für die gewünschte Struktur. Langkontextkapazität hilft, relevantes Material zusammenzuhalten; sie ersetzt nicht die Festlegung dessen, was verglichen werden soll und wie das endgültige Ergebnis verwendet wird.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-32B-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 $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 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/Qwen2.5-32B-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/Qwen2.5-32B-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/Qwen2.5-32B-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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Programmierung, Mathematik und strukturierte Daten. Die Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Einstellungen für erweiterten Kontext.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen abgestimmte Textmodell in 32B-Grösse der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Programmierung und Mathematik, statt der separat benannte Coder- oder Math-Spezialist zu sein. Der Hersteller hebt besonders detaillierte Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierten Text hervor, insbesondere JSON. Die Familie wird auf einem Korpus vortrainiert, der laut Beschreibung bis zu 18 Billionen Tokens umfasst.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktionsaufgabe liefert eine Quellpassage und genau die Felder, die der nächste Anwendungsschritt benötigt. Definieren Sie Feldtypen, ob der Wortlaut kopiert oder zusammengefasst werden soll und wie fehlende Informationen darzustellen sind. Ein Produktdatensatz kann beispielsweise eine Kennung, Betriebsbedingungen und eine Liste offener Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst werden muss, oder eine gesonderte Erklärung, wenn jemand die Begründung der extrahierten Felder prüfen soll.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Geben Sie mit der Frage Spaltennamen, Einheiten und relevante Zeilen vor. Lassen Sie das Modell die Zeilen identifizieren, die eine Bedingung erfüllen, eine Veränderung zwischen Zeiträumen erklären oder eine Tabelle in einen schriftlichen Bericht umwandeln. Eine praktische Ausgabe kann die Kennung jeder Zeile neben dem Ergebnis bewahren. Das hält die Verbindung zwischen gelieferten Daten und Antwort aufrecht, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Benennen Sie für längere Texte Zielgruppe, Abschnitte und Quellfakten, bevor Sie das Dokument verlangen. Ein technischer Vorschlag könnte Problemstellung, Anforderungen, Alternativen und eine Empfehlung benötigen, ausschliesslich auf Grundlage des gelieferten Materials. Legen Sie fest, welche Bedingungen verbindlich und welche noch zu klärende Fragen sind. Der Hersteller entwickelt ausserdem Robustheit gegenüber unterschiedlichen Systemprompts und unterstützt damit eine definierte Rolle, einen Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie bei einer mehrsprachigen Aufgabe die Quellsprache von der benötigten Ausgabesprache und stellen Sie eine Terminologieliste bereit, wenn Namen oder Fachbegriffe einheitlich bleiben müssen. Ein zweisprachiger Bericht kann dieselben Quellfakten in zwei Versionen verlangen und dabei Kennungen und Einheiten unverändert lassen.
Modelldetails dieser Edition
Die 32B-Instruct-Veröffentlichung hat 32,5 Milliarden Parameter, darunter 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist eine dichte Decoder-only-Sprachmodellveröffentlichung mit Vortraining und Nachtraining; Instruct bezeichnet die für Gespräche trainierte Edition, nicht das Basismodell.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Diese Zahlen beschreiben unterschiedliche Teile einer Aufgabe: Der Kontext hält Prompt und Gespräch vor, während die Generierungszahl die schriftliche Antwort begrenzt. Die 512 generierten Tokens des Schnellstarts sind lediglich ein Beispiel innerhalb der höheren genannten Generierungsgrenze. Das Modell nimmt Text entgegen und gibt Text zurück; eine gescannte Tabelle oder ein Screenshot muss als Text zugänglich gemacht oder von einem gesonderten visuellen Modell verarbeitet werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt getrennte System- und Nutzernachrichten, die mit der passenden Chatvorlage formatiert werden. Platzieren Sie die dauerhaften Antwortregeln des Assistenten in der entsprechenden Gesprächsrolle und das eigentliche Dokument, die Tabelle oder den Code bei der Aufgabe des Nutzers. Kennzeichnen Sie die Grenze zwischen zitiertem Quellmaterial und Anweisungen, damit eine Anweisung im Dokument nicht mit der beabsichtigten Aufgabe der Anwendung verwechselt wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. In einem solchen Ablauf liefert die Anwendung die Funktionsbeschreibungen, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und gibt ihr Ergebnis zurück. Das kann eine Textfrage mit einer Berechnung oder Datenabfrage verbinden; die Wahl dieses Modells allein liefert jedoch weder das externe Werkzeug noch dessen Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: Erstere formatiert Text, Letzterer fordert die umgebende Anwendung zur Ausführung einer benannten Operation auf.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32’768 Tokens. Eingaben jenseits dieser Einstellung erfordern die dokumentierte YaRN-Erweiterung; deren Beispiel verwendet einen Faktor von 4,0 und eine ursprüngliche maximale Positionseinstellung von 32’768. Der Hersteller warnt, dass statische Skalierung das Verhalten kürzerer Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist.
Benennen Sie beim Vergleich umfangreicher Dokumente die Rolle jedes Dokuments und verlangen Sie ein klar definiertes Ergebnis: eine Anforderungsmatrix, eine Abweichungsliste oder einen überarbeiteten Abschnitt. Bewahren Sie Quellstellen neben extrahierten Ergebnissen und lassen Sie ausreichend Antwortplatz für die gewünschte Struktur. Langkontextkapazität hilft, relevantes Material zusammenzuhalten; sie ersetzt nicht die Festlegung dessen, was verglichen werden soll und wie das endgültige Ergebnis verwendet wird.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-32B-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 $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/Qwen2.5-32B-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/Qwen2.5-32B-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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Programmierung, Mathematik und strukturierte Daten. Die Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Einstellungen für erweiterten Kontext.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen abgestimmte Textmodell in 32B-Grösse der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Programmierung und Mathematik, statt der separat benannte Coder- oder Math-Spezialist zu sein. Der Hersteller hebt besonders detaillierte Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierten Text hervor, insbesondere JSON. Die Familie wird auf einem Korpus vortrainiert, der laut Beschreibung bis zu 18 Billionen Tokens umfasst.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktionsaufgabe liefert eine Quellpassage und genau die Felder, die der nächste Anwendungsschritt benötigt. Definieren Sie Feldtypen, ob der Wortlaut kopiert oder zusammengefasst werden soll und wie fehlende Informationen darzustellen sind. Ein Produktdatensatz kann beispielsweise eine Kennung, Betriebsbedingungen und eine Liste offener Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst werden muss, oder eine gesonderte Erklärung, wenn jemand die Begründung der extrahierten Felder prüfen soll.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Geben Sie mit der Frage Spaltennamen, Einheiten und relevante Zeilen vor. Lassen Sie das Modell die Zeilen identifizieren, die eine Bedingung erfüllen, eine Veränderung zwischen Zeiträumen erklären oder eine Tabelle in einen schriftlichen Bericht umwandeln. Eine praktische Ausgabe kann die Kennung jeder Zeile neben dem Ergebnis bewahren. Das hält die Verbindung zwischen gelieferten Daten und Antwort aufrecht, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Benennen Sie für längere Texte Zielgruppe, Abschnitte und Quellfakten, bevor Sie das Dokument verlangen. Ein technischer Vorschlag könnte Problemstellung, Anforderungen, Alternativen und eine Empfehlung benötigen, ausschliesslich auf Grundlage des gelieferten Materials. Legen Sie fest, welche Bedingungen verbindlich und welche noch zu klärende Fragen sind. Der Hersteller entwickelt ausserdem Robustheit gegenüber unterschiedlichen Systemprompts und unterstützt damit eine definierte Rolle, einen Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie bei einer mehrsprachigen Aufgabe die Quellsprache von der benötigten Ausgabesprache und stellen Sie eine Terminologieliste bereit, wenn Namen oder Fachbegriffe einheitlich bleiben müssen. Ein zweisprachiger Bericht kann dieselben Quellfakten in zwei Versionen verlangen und dabei Kennungen und Einheiten unverändert lassen.
Modelldetails dieser Edition
Die 32B-Instruct-Veröffentlichung hat 32,5 Milliarden Parameter, darunter 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist eine dichte Decoder-only-Sprachmodellveröffentlichung mit Vortraining und Nachtraining; Instruct bezeichnet die für Gespräche trainierte Edition, nicht das Basismodell.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Diese Zahlen beschreiben unterschiedliche Teile einer Aufgabe: Der Kontext hält Prompt und Gespräch vor, während die Generierungszahl die schriftliche Antwort begrenzt. Die 512 generierten Tokens des Schnellstarts sind lediglich ein Beispiel innerhalb der höheren genannten Generierungsgrenze. Das Modell nimmt Text entgegen und gibt Text zurück; eine gescannte Tabelle oder ein Screenshot muss als Text zugänglich gemacht oder von einem gesonderten visuellen Modell verarbeitet werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt getrennte System- und Nutzernachrichten, die mit der passenden Chatvorlage formatiert werden. Platzieren Sie die dauerhaften Antwortregeln des Assistenten in der entsprechenden Gesprächsrolle und das eigentliche Dokument, die Tabelle oder den Code bei der Aufgabe des Nutzers. Kennzeichnen Sie die Grenze zwischen zitiertem Quellmaterial und Anweisungen, damit eine Anweisung im Dokument nicht mit der beabsichtigten Aufgabe der Anwendung verwechselt wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. In einem solchen Ablauf liefert die Anwendung die Funktionsbeschreibungen, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und gibt ihr Ergebnis zurück. Das kann eine Textfrage mit einer Berechnung oder Datenabfrage verbinden; die Wahl dieses Modells allein liefert jedoch weder das externe Werkzeug noch dessen Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: Erstere formatiert Text, Letzterer fordert die umgebende Anwendung zur Ausführung einer benannten Operation auf.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32’768 Tokens. Eingaben jenseits dieser Einstellung erfordern die dokumentierte YaRN-Erweiterung; deren Beispiel verwendet einen Faktor von 4,0 und eine ursprüngliche maximale Positionseinstellung von 32’768. Der Hersteller warnt, dass statische Skalierung das Verhalten kürzerer Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist.
Benennen Sie beim Vergleich umfangreicher Dokumente die Rolle jedes Dokuments und verlangen Sie ein klar definiertes Ergebnis: eine Anforderungsmatrix, eine Abweichungsliste oder einen überarbeiteten Abschnitt. Bewahren Sie Quellstellen neben extrahierten Ergebnissen und lassen Sie ausreichend Antwortplatz für die gewünschte Struktur. Langkontextkapazität hilft, relevantes Material zusammenzuhalten; sie ersetzt nicht die Festlegung dessen, was verglichen werden soll und wie das endgültige Ergebnis verwendet wird.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-32b-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 $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 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":"qwen2.5-32b-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="qwen2.5-32b-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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Programmierung, Mathematik und strukturierte Daten. Die Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Einstellungen für erweiterten Kontext.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen abgestimmte Textmodell in 32B-Grösse der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Programmierung und Mathematik, statt der separat benannte Coder- oder Math-Spezialist zu sein. Der Hersteller hebt besonders detaillierte Anweisungsbefolgung, längere Texte, Tabellenverständnis und strukturierten Text hervor, insbesondere JSON. Die Familie wird auf einem Korpus vortrainiert, der laut Beschreibung bis zu 18 Billionen Tokens umfasst.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktionsaufgabe liefert eine Quellpassage und genau die Felder, die der nächste Anwendungsschritt benötigt. Definieren Sie Feldtypen, ob der Wortlaut kopiert oder zusammengefasst werden soll und wie fehlende Informationen darzustellen sind. Ein Produktdatensatz kann beispielsweise eine Kennung, Betriebsbedingungen und eine Liste offener Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst werden muss, oder eine gesonderte Erklärung, wenn jemand die Begründung der extrahierten Felder prüfen soll.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Geben Sie mit der Frage Spaltennamen, Einheiten und relevante Zeilen vor. Lassen Sie das Modell die Zeilen identifizieren, die eine Bedingung erfüllen, eine Veränderung zwischen Zeiträumen erklären oder eine Tabelle in einen schriftlichen Bericht umwandeln. Eine praktische Ausgabe kann die Kennung jeder Zeile neben dem Ergebnis bewahren. Das hält die Verbindung zwischen gelieferten Daten und Antwort aufrecht, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Benennen Sie für längere Texte Zielgruppe, Abschnitte und Quellfakten, bevor Sie das Dokument verlangen. Ein technischer Vorschlag könnte Problemstellung, Anforderungen, Alternativen und eine Empfehlung benötigen, ausschliesslich auf Grundlage des gelieferten Materials. Legen Sie fest, welche Bedingungen verbindlich und welche noch zu klärende Fragen sind. Der Hersteller entwickelt ausserdem Robustheit gegenüber unterschiedlichen Systemprompts und unterstützt damit eine definierte Rolle, einen Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie bei einer mehrsprachigen Aufgabe die Quellsprache von der benötigten Ausgabesprache und stellen Sie eine Terminologieliste bereit, wenn Namen oder Fachbegriffe einheitlich bleiben müssen. Ein zweisprachiger Bericht kann dieselben Quellfakten in zwei Versionen verlangen und dabei Kennungen und Einheiten unverändert lassen.
Modelldetails dieser Edition
Die 32B-Instruct-Veröffentlichung hat 32,5 Milliarden Parameter, darunter 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist eine dichte Decoder-only-Sprachmodellveröffentlichung mit Vortraining und Nachtraining; Instruct bezeichnet die für Gespräche trainierte Edition, nicht das Basismodell.
Die Modellkarte nennt einen vollständigen Kontext von 131’072 Tokens und die Generierung von bis zu 8’192 Tokens. Diese Zahlen beschreiben unterschiedliche Teile einer Aufgabe: Der Kontext hält Prompt und Gespräch vor, während die Generierungszahl die schriftliche Antwort begrenzt. Die 512 generierten Tokens des Schnellstarts sind lediglich ein Beispiel innerhalb der höheren genannten Generierungsgrenze. Das Modell nimmt Text entgegen und gibt Text zurück; eine gescannte Tabelle oder ein Screenshot muss als Text zugänglich gemacht oder von einem gesonderten visuellen Modell verarbeitet werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt getrennte System- und Nutzernachrichten, die mit der passenden Chatvorlage formatiert werden. Platzieren Sie die dauerhaften Antwortregeln des Assistenten in der entsprechenden Gesprächsrolle und das eigentliche Dokument, die Tabelle oder den Code bei der Aufgabe des Nutzers. Kennzeichnen Sie die Grenze zwischen zitiertem Quellmaterial und Anweisungen, damit eine Anweisung im Dokument nicht mit der beabsichtigten Aufgabe der Anwendung verwechselt wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. In einem solchen Ablauf liefert die Anwendung die Funktionsbeschreibungen, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und gibt ihr Ergebnis zurück. Das kann eine Textfrage mit einer Berechnung oder Datenabfrage verbinden; die Wahl dieses Modells allein liefert jedoch weder das externe Werkzeug noch dessen Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: Erstere formatiert Text, Letzterer fordert die umgebende Anwendung zur Ausführung einer benannten Operation auf.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32’768 Tokens. Eingaben jenseits dieser Einstellung erfordern die dokumentierte YaRN-Erweiterung; deren Beispiel verwendet einen Faktor von 4,0 und eine ursprüngliche maximale Positionseinstellung von 32’768. Der Hersteller warnt, dass statische Skalierung das Verhalten kürzerer Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung nötig ist.
Benennen Sie beim Vergleich umfangreicher Dokumente die Rolle jedes Dokuments und verlangen Sie ein klar definiertes Ergebnis: eine Anforderungsmatrix, eine Abweichungsliste oder einen überarbeiteten Abschnitt. Bewahren Sie Quellstellen neben extrahierten Ergebnissen und lassen Sie ausreichend Antwortplatz für die gewünschte Struktur. Langkontextkapazität hilft, relevantes Material zusammenzuhalten; sie ersetzt nicht die Festlegung dessen, was verglichen werden soll und wie das endgültige Ergebnis verwendet wird.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-32b-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 $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-32b-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': 'qwen2.5-32b-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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Technisches Beispiel auf Englisch
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.