Qwen2.5-Coder-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung in der Grösse 7B von Qwens codeorientierter Familie, früher als CodeQwen bekannt. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen über Programmverhalten und Code-Reparatur. Sie empfängt Text, einschliesslich Anforderungen und Quellcode, und gibt Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.
Programmierfähigkeiten und Training
Der Hersteller beschreibt 5.5 Billionen Trainings-Tokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben ihrer Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet zwischen dem Generieren eines Programms, Schlussfolgerungen über seinen Ablauf und der Reparatur einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche endgültige Artefakte nötig.
Geben Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert an. Nehmen Sie Vorgaben auf, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Verlangen Sie die Implementierung und eine kurze Erklärung, wie sie jede Anforderung erfüllt. Ein Sortierauftrag kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und anschliessend eine Funktion mit Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.
Stellen Sie für Schlussfolgerungen über Code das genaue Fragment und die konkret zu verfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich Zwischenwerte verändern und was die Funktion zurückgibt. Das ist nützlicher als eine ungerichtete Aufforderung, eine ganze Datei zu erklären: Die Antwort verknüpft eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Halten Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Fragment bereit.
Geben Sie für eine Reparatur das fehlerhafte Verhalten, das erwartete Verhalten und den Code an, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Verlangen Sie eine vorgeschlagene Korrektur, eine Erklärung der Ursache und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilierung, Ausführung oder Anwendung auf ein Repository erfordern die umgebende Entwicklungsumgebung.
Die benannte 7B-Ausgabe
Das veröffentlichte Modell hat 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter ausserhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet rotierende Positions-Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention hat 28 Query-Köpfe und 4 Key/Value-Köpfe. Diese Details beschreiben diese Veröffentlichung und keine grössere Coder-Ausgabe.
Die Familie stellt separate Base- und Instruct-Modelle bereit. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Vervollständigung und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Beispiele und hervorgehobene Ergebnisse der Veröffentlichung für andere Grössen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausgabe.
Die Anweisung vorbereiten
Die Modellkarte demonstriert ein Gespräch mit separaten System- und Nutzernachrichten und der passenden Chatvorlage. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Kennzeichnen Sie, welches Fragment bestehender Quellcode ist, welcher Text eine Anforderung darstellt und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die bei der angeforderten Änderung erhalten bleiben müssen.
Eine nützliche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, dessen Aufrufer und die beabsichtigte Änderung enthalten. Verlangen Sie eine überarbeitete Funktion, eine Annahmenliste und Beispieleingaben mit erwarteten Ausgaben. Legen Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen fest und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein eigener Schritt, getrennt von der Generierung seines Quellcodes.
Lange Texte verarbeiten
Die Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung von Eingaben jenseits dieser Einstellung benötigt die dokumentierte YaRN-Erweiterung. Das Beispiel gibt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionseinstellung von 32,768 an. Der Hersteller weist darauf hin, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt, die Erweiterung bei Bedarf an langen Kontexten hinzuzufügen.
Nutzen Sie den grösseren Kontext, um zusammengehörigen Code und Anforderungen zusammenzuhalten, aber benennen Sie die tatsächliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer bestimmten Schnittstelle vorschlagen. Nehmen Sie die Teile auf, die das Verhalten bestimmen, statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte leitet aus diesem Wert keine separate maximale Ausgabekapazität ab.
Das dokumentierte Ergebnis des Modells ist Text. Seine Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Feedback bereitstellt. Halten Sie diese Vorgänge getrennt von der Fähigkeit des Modells, Code vorzuschlagen und sein Verhalten zu erklären. Halten Sie die genaue Ausgabe 7B-Instruct und die Langkontexteinstellungen bei der Planung einer reproduzierbaren Aufgabe ausdrücklich fest.
", "aboutText": "Qwen2.5-Coder-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung in der Grösse 7B von Qwens codeorientierter Familie, früher als CodeQwen bekannt. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen über Programmverhalten und Code-Reparatur. Sie empfängt Text, einschliesslich Anforderungen und Quellcode, und gibt Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.\n\nProgrammierfähigkeiten und Training\n\nDer Hersteller beschreibt 5.5 Billionen Trainings-Tokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben ihrer Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet zwischen dem Generieren eines Programms, Schlussfolgerungen über seinen Ablauf und der Reparatur einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche endgültige Artefakte nötig.\n\nGeben Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert an. Nehmen Sie Vorgaben auf, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Verlangen Sie die Implementierung und eine kurze Erklärung, wie sie jede Anforderung erfüllt. Ein Sortierauftrag kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und anschliessend eine Funktion mit Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.\n\nStellen Sie für Schlussfolgerungen über Code das genaue Fragment und die konkret zu verfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich Zwischenwerte verändern und was die Funktion zurückgibt. Das ist nützlicher als eine ungerichtete Aufforderung, eine ganze Datei zu erklären: Die Antwort verknüpft eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Halten Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Fragment bereit.\n\nGeben Sie für eine Reparatur das fehlerhafte Verhalten, das erwartete Verhalten und den Code an, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Verlangen Sie eine vorgeschlagene Korrektur, eine Erklärung der Ursache und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilierung, Ausführung oder Anwendung auf ein Repository erfordern die umgebende Entwicklungsumgebung.\n\nDie benannte 7B-Ausgabe\n\nDas veröffentlichte Modell hat 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter ausserhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet rotierende Positions-Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention hat 28 Query-Köpfe und 4 Key/Value-Köpfe. Diese Details beschreiben diese Veröffentlichung und keine grössere Coder-Ausgabe.\n\nDie Familie stellt separate Base- und Instruct-Modelle bereit. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Vervollständigung und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Beispiele und hervorgehobene Ergebnisse der Veröffentlichung für andere Grössen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausgabe.\n\nDie Anweisung vorbereiten\n\nDie Modellkarte demonstriert ein Gespräch mit separaten System- und Nutzernachrichten und der passenden Chatvorlage. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Kennzeichnen Sie, welches Fragment bestehender Quellcode ist, welcher Text eine Anforderung darstellt und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die bei der angeforderten Änderung erhalten bleiben müssen.\n\nEine nützliche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, dessen Aufrufer und die beabsichtigte Änderung enthalten. Verlangen Sie eine überarbeitete Funktion, eine Annahmenliste und Beispieleingaben mit erwarteten Ausgaben. Legen Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen fest und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein eigener Schritt, getrennt von der Generierung seines Quellcodes.\n\nLange Texte verarbeiten\n\nDie Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung von Eingaben jenseits dieser Einstellung benötigt die dokumentierte YaRN-Erweiterung. Das Beispiel gibt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionseinstellung von 32,768 an. Der Hersteller weist darauf hin, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt, die Erweiterung bei Bedarf an langen Kontexten hinzuzufügen.\n\nNutzen Sie den grösseren Kontext, um zusammengehörigen Code und Anforderungen zusammenzuhalten, aber benennen Sie die tatsächliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer bestimmten Schnittstelle vorschlagen. Nehmen Sie die Teile auf, die das Verhalten bestimmen, statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte leitet aus diesem Wert keine separate maximale Ausgabekapazität ab.\n\nDas dokumentierte Ergebnis des Modells ist Text. Seine Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Feedback bereitstellt. Halten Sie diese Vorgänge getrennt von der Fähigkeit des Modells, Code vorzuschlagen und sein Verhalten zu erklären. Halten Sie die genaue Ausgabe 7B-Instruct und die Langkontexteinstellungen bei der Planung einer reproduzierbaren Aufgabe ausdrücklich fest.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct ist ein Textmodell zum Generieren, Erklären und Reparieren von Code anhand von Anweisungen. Seine Veröffentlichung mit 7.61 Milliarden Parametern unterstützt mit der dokumentierten Langkontextkonfiguration erweiterte Kontexte bis zu 131,072 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Coder-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung in der Grösse 7B von Qwens codeorientierter Familie, früher als CodeQwen bekannt. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen über Programmverhalten und Code-Reparatur. Sie empfängt Text, einschliesslich Anforderungen und Quellcode, und gibt Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.
Programmierfähigkeiten und Training
Der Hersteller beschreibt 5.5 Billionen Trainings-Tokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben ihrer Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet zwischen dem Generieren eines Programms, Schlussfolgerungen über seinen Ablauf und der Reparatur einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche endgültige Artefakte nötig.
Geben Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert an. Nehmen Sie Vorgaben auf, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Verlangen Sie die Implementierung und eine kurze Erklärung, wie sie jede Anforderung erfüllt. Ein Sortierauftrag kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und anschliessend eine Funktion mit Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.
Stellen Sie für Schlussfolgerungen über Code das genaue Fragment und die konkret zu verfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich Zwischenwerte verändern und was die Funktion zurückgibt. Das ist nützlicher als eine ungerichtete Aufforderung, eine ganze Datei zu erklären: Die Antwort verknüpft eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Halten Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Fragment bereit.
Geben Sie für eine Reparatur das fehlerhafte Verhalten, das erwartete Verhalten und den Code an, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Verlangen Sie eine vorgeschlagene Korrektur, eine Erklärung der Ursache und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilierung, Ausführung oder Anwendung auf ein Repository erfordern die umgebende Entwicklungsumgebung.
Die benannte 7B-Ausgabe
Das veröffentlichte Modell hat 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter ausserhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet rotierende Positions-Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention hat 28 Query-Köpfe und 4 Key/Value-Köpfe. Diese Details beschreiben diese Veröffentlichung und keine grössere Coder-Ausgabe.
Die Familie stellt separate Base- und Instruct-Modelle bereit. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Vervollständigung und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Beispiele und hervorgehobene Ergebnisse der Veröffentlichung für andere Grössen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausgabe.
Die Anweisung vorbereiten
Die Modellkarte demonstriert ein Gespräch mit separaten System- und Nutzernachrichten und der passenden Chatvorlage. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Kennzeichnen Sie, welches Fragment bestehender Quellcode ist, welcher Text eine Anforderung darstellt und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die bei der angeforderten Änderung erhalten bleiben müssen.
Eine nützliche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, dessen Aufrufer und die beabsichtigte Änderung enthalten. Verlangen Sie eine überarbeitete Funktion, eine Annahmenliste und Beispieleingaben mit erwarteten Ausgaben. Legen Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen fest und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein eigener Schritt, getrennt von der Generierung seines Quellcodes.
Lange Texte verarbeiten
Die Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung von Eingaben jenseits dieser Einstellung benötigt die dokumentierte YaRN-Erweiterung. Das Beispiel gibt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionseinstellung von 32,768 an. Der Hersteller weist darauf hin, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt, die Erweiterung bei Bedarf an langen Kontexten hinzuzufügen.
Nutzen Sie den grösseren Kontext, um zusammengehörigen Code und Anforderungen zusammenzuhalten, aber benennen Sie die tatsächliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer bestimmten Schnittstelle vorschlagen. Nehmen Sie die Teile auf, die das Verhalten bestimmen, statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte leitet aus diesem Wert keine separate maximale Ausgabekapazität ab.
Das dokumentierte Ergebnis des Modells ist Text. Seine Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Feedback bereitstellt. Halten Sie diese Vorgänge getrennt von der Fähigkeit des Modells, Code vorzuschlagen und sein Verhalten zu erklären. Halten Sie die genaue Ausgabe 7B-Instruct und die Langkontexteinstellungen bei der Planung einer reproduzierbaren Aufgabe ausdrücklich fest.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-coder-7b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0001 / 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-coder-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-coder-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-coder-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-coder-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct ist ein Textmodell zum Generieren, Erklären und Reparieren von Code anhand von Anweisungen. Seine Veröffentlichung mit 7.61 Milliarden Parametern unterstützt mit der dokumentierten Langkontextkonfiguration erweiterte Kontexte bis zu 131,072 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Coder-7B-Instruct ist die auf Anweisungen abgestimmte Veröffentlichung in der Grösse 7B von Qwens codeorientierter Familie, früher als CodeQwen bekannt. Ihre zentralen Aufgaben sind Codegenerierung, Schlussfolgerungen über Programmverhalten und Code-Reparatur. Sie empfängt Text, einschliesslich Anforderungen und Quellcode, und gibt Text zurück, der eine Implementierung, Erklärung oder vorgeschlagene Änderung enthalten kann.
Programmierfähigkeiten und Training
Der Hersteller beschreibt 5.5 Billionen Trainings-Tokens, darunter Quellcode, Material, das Text mit Code verbindet, und synthetische Beispiele. Die Familie bewahrt neben ihrer Programmierspezialisierung mathematische und allgemeine Sprachfähigkeiten. Die Veröffentlichungsankündigung unterscheidet zwischen dem Generieren eines Programms, Schlussfolgerungen über seinen Ablauf und der Reparatur einer bestehenden Implementierung; dafür sind unterschiedliche Eingaben und unterschiedliche endgültige Artefakte nötig.
Geben Sie für die Generierung Programmiersprache, Funktionssignatur, Eingabetypen und erwarteten Rückgabewert an. Nehmen Sie Vorgaben auf, etwa ob die Funktion ihre Eingabe verändern oder eine externe Abhängigkeit verwenden darf. Verlangen Sie die Implementierung und eine kurze Erklärung, wie sie jede Anforderung erfüllt. Ein Sortierauftrag kann beispielsweise festlegen, dass doppelte Werte erhalten bleiben und die ursprüngliche Liste unverändert bleibt, und anschliessend eine Funktion mit Beispielaufrufen für eine leere Liste und eine Liste mit wiederholten Werten verlangen.
Stellen Sie für Schlussfolgerungen über Code das genaue Fragment und die konkret zu verfolgende Eingabe bereit. Fragen Sie, welche Zweige ausgeführt werden, wie sich Zwischenwerte verändern und was die Funktion zurückgibt. Das ist nützlicher als eine ungerichtete Aufforderung, eine ganze Datei zu erklären: Die Antwort verknüpft eine konkrete Eingabe mit einem konkreten Pfad durch das Programm. Halten Sie aufgerufene Hilfsfunktionen oder relevante Typdefinitionen zusammen mit dem Fragment bereit.
Geben Sie für eine Reparatur das fehlerhafte Verhalten, das erwartete Verhalten und den Code an, der den Unterschied bestimmt. Eine Fehlermeldung allein kann die wichtige Bedingung offenlassen. Verlangen Sie eine vorgeschlagene Korrektur, eine Erklärung der Ursache und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Der zurückgegebene Patch ist ein Textartefakt; Kompilierung, Ausführung oder Anwendung auf ein Repository erfordern die umgebende Entwicklungsumgebung.
Die benannte 7B-Ausgabe
Das veröffentlichte Modell hat 7.61 Milliarden Parameter, darunter 6.53 Milliarden Parameter ausserhalb der Embeddings, und 28 Transformer-Schichten. Es verwendet rotierende Positions-Embeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Seine Grouped-Query Attention hat 28 Query-Köpfe und 4 Key/Value-Köpfe. Diese Details beschreiben diese Veröffentlichung und keine grössere Coder-Ausgabe.
Die Familie stellt separate Base- und Instruct-Modelle bereit. Instruct ist auf dialogorientierte Anfragen abgestimmt; Base ist eine Grundlage für Vervollständigung und weiteres Tuning. Dieser Eintrag betrifft das auf Anweisungen abgestimmte 7B-Modell. Beispiele und hervorgehobene Ergebnisse der Veröffentlichung für andere Grössen definieren weder die Fähigkeiten noch den Ressourcenbedarf dieser Ausgabe.
Die Anweisung vorbereiten
Die Modellkarte demonstriert ein Gespräch mit separaten System- und Nutzernachrichten und der passenden Chatvorlage. Platzieren Sie dauerhafte Antwortregeln, etwa zur Darstellung von Implementierung und Erklärung, getrennt von Code und Aufgabe. Kennzeichnen Sie, welches Fragment bestehender Quellcode ist, welcher Text eine Anforderung darstellt und welche Ausgabe zurückgegeben werden muss. Das hilft, Kennungen, Schnittstellen und Verhalten zu bewahren, die bei der angeforderten Änderung erhalten bleiben müssen.
Eine nützliche Eingabe für einen Entwicklerassistenten kann ein kurzes Modul, dessen Aufrufer und die beabsichtigte Änderung enthalten. Verlangen Sie eine überarbeitete Funktion, eine Annahmenliste und Beispieleingaben mit erwarteten Ausgaben. Legen Sie für ein generiertes visuelles Artefakt die zu implementierenden Daten und Interaktionen fest und verlangen Sie den resultierenden Quelltext; die codeorientierte Familie veranschaulicht auch Codeassistenten und visuelle Artefakte. Das Rendern des Artefakts bleibt ein eigener Schritt, getrennt von der Generierung seines Quellcodes.
Lange Texte verarbeiten
Die Modellkarte nennt einen vollständigen Kontext von 131,072 Tokens, während die veröffentlichte Konfiguration zunächst auf 32,768 Tokens eingestellt ist. Die Verarbeitung von Eingaben jenseits dieser Einstellung benötigt die dokumentierte YaRN-Erweiterung. Das Beispiel gibt einen Skalierungsfaktor von 4.0 und eine ursprüngliche maximale Positionseinstellung von 32,768 an. Der Hersteller weist darauf hin, dass statische Skalierung das Verhalten bei kürzeren Texten beeinflussen kann, und empfiehlt, die Erweiterung bei Bedarf an langen Kontexten hinzuzufügen.
Nutzen Sie den grösseren Kontext, um zusammengehörigen Code und Anforderungen zusammenzuhalten, aber benennen Sie die tatsächliche Frage: einen inkompatiblen Aufruf finden, einen Datenpfad erklären oder eine Änderung innerhalb einer bestimmten Schnittstelle vorschlagen. Nehmen Sie die Teile auf, die das Verhalten bestimmen, statt sachfremden Projektmaterials. Die 512 generierten Tokens des Schnellstarts sind eine Beispieleinstellung; die Karte leitet aus diesem Wert keine separate maximale Ausgabekapazität ab.
Das dokumentierte Ergebnis des Modells ist Text. Seine Rolle in einem Codeagenten hängt davon ab, dass die Anwendung Repository-Zugriff, Ausführung und Feedback bereitstellt. Halten Sie diese Vorgänge getrennt von der Fähigkeit des Modells, Code vorzuschlagen und sein Verhalten zu erklären. Halten Sie die genaue Ausgabe 7B-Instruct und die Langkontexteinstellungen bei der Planung einer reproduzierbaren Aufgabe ausdrücklich fest.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-coder-7b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0001 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-coder-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-coder-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.