Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller richtet sie ausdrücklich auf englische und chinesische Mathematikaufgaben aus und beschreibt zwei Ansätze: Chain-of-Thought-Schlussfolgern und werkzeugintegriertes Schlussfolgern. Das Modell empfängt eine schriftliche mathematische Bedingung und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Seine Spezialisierung liegt in der Mathematik und nicht im allgemeinen kreativen Schreiben oder in der Dokumentverarbeitung.
Mathematische Fähigkeiten und Schlussfolgerungsansätze
Beim textuellen Schlussfolgerungsansatz verlangt die Aufgabe relevante Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort. Die Modellkarte beschreibt ausserdem werkzeugintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und die Berechnung von Eigenwerten einer Matrix als Beispiele, bei denen präzise Berechnungen und symbolische oder algorithmische Umformungen wichtig sind.
Werkzeugintegriertes Schlussfolgern ist nicht dasselbe wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demonstration des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis fliesst anschliessend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse auseinander.
Base-, Instruct- und Reward-Modell-Ausgaben
Die Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Anweisungen im Chatstil gedacht. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Verarbeitung sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle nutzen zusätzliches synthetisches Mathematikmaterial, mehr chinesische Mathematikdaten und eine Initialisierung auf Grundlage von Qwen2.5. Die Instruct-Phase verwendet überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell das Rejection Sampling und die spätere Optimierung anleitet. Der Hersteller ergänzt Daten für werkzeugintegriertes Schlussfolgern und englische und chinesische Anweisungsdaten. Dies erklärt den mathematischen Schwerpunkt der Ausgabe; es bedeutet nicht, dass bei jeder Nutzeranfrage automatisch ein separater Prüfer aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu ermittelnde Grösse oder Aussage. Verwenden Sie zwischen ursprünglicher Bedingung und gewünschter Antwort konsistente Notation. Eine nützliche Anweisung kann Methode, wichtige Umformungen und Endergebnis verlangen, mit einer separaten Prüfung anhand der ursprünglichen Bedingungen.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze über die Anweisungen. Eine Anfrage zum textuellen Schlussfolgern verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu verbinden und die gleiche Konvention für die endgültige Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen über Werkzeuge, die jede Bereitstellungsschnittstelle verfügbar macht.
Zur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabegestaltung trennt das Zusammenfassen der Variablenterme, das Freistellen der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis dieser Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, womit beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Weisen Sie dieser mathematischen Ausgabe nicht den deutlich grösseren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Rechenschritte zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe festgelegt werden; ein separates Ausgabelimit sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.
Inhaltliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für Mathematikaufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben ausserhalb dieser Spezialisierung. Die Modellgewichte dienen der Textgenerierung; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lernworkflow die versuchte Herleitung der lernenden Person bereit und markieren Sie den zu erklärenden Übergang. Verlangen Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit dem gewünschten Detaillierungsgrad. Legen Sie für eine technische Berechnung exakte oder angenäherte Ausgabe, Einheiten und Rundung fest, bevor Sie textuelles Schlussfolgern oder einen rechnergestützten Workflow wählen. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
", "aboutText": "Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller richtet sie ausdrücklich auf englische und chinesische Mathematikaufgaben aus und beschreibt zwei Ansätze: Chain-of-Thought-Schlussfolgern und werkzeugintegriertes Schlussfolgern. Das Modell empfängt eine schriftliche mathematische Bedingung und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Seine Spezialisierung liegt in der Mathematik und nicht im allgemeinen kreativen Schreiben oder in der Dokumentverarbeitung.\n\nMathematische Fähigkeiten und Schlussfolgerungsansätze\n\nBeim textuellen Schlussfolgerungsansatz verlangt die Aufgabe relevante Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort. Die Modellkarte beschreibt ausserdem werkzeugintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und die Berechnung von Eigenwerten einer Matrix als Beispiele, bei denen präzise Berechnungen und symbolische oder algorithmische Umformungen wichtig sind.\n\nWerkzeugintegriertes Schlussfolgern ist nicht dasselbe wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demonstration des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis fliesst anschliessend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse auseinander.\n\nBase-, Instruct- und Reward-Modell-Ausgaben\n\nDie Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Anweisungen im Chatstil gedacht. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Verarbeitung sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.\n\nDie Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle nutzen zusätzliches synthetisches Mathematikmaterial, mehr chinesische Mathematikdaten und eine Initialisierung auf Grundlage von Qwen2.5. Die Instruct-Phase verwendet überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell das Rejection Sampling und die spätere Optimierung anleitet. Der Hersteller ergänzt Daten für werkzeugintegriertes Schlussfolgern und englische und chinesische Anweisungsdaten. Dies erklärt den mathematischen Schwerpunkt der Ausgabe; es bedeutet nicht, dass bei jeder Nutzeranfrage automatisch ein separater Prüfer aufgerufen wird.\n\nDie Frage vorbereiten\n\nHalten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu ermittelnde Grösse oder Aussage. Verwenden Sie zwischen ursprünglicher Bedingung und gewünschter Antwort konsistente Notation. Eine nützliche Anweisung kann Methode, wichtige Umformungen und Endergebnis verlangen, mit einer separaten Prüfung anhand der ursprünglichen Bedingungen.\n\nDer Schnellstart des Herstellers unterscheidet die beiden Ansätze über die Anweisungen. Eine Anfrage zum textuellen Schlussfolgern verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu verbinden und die gleiche Konvention für die endgültige Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen über Werkzeuge, die jede Bereitstellungsschnittstelle verfügbar macht.\n\nZur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabegestaltung trennt das Zusammenfassen der Variablenterme, das Freistellen der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis dieser Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, womit beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.\n\nKontext und Konfiguration\n\nDie veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Weisen Sie dieser mathematischen Ausgabe nicht den deutlich grösseren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Rechenschritte zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.\n\nDie Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe festgelegt werden; ein separates Ausgabelimit sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.\n\nInhaltliche Grenzen und nützliche Ergebnisse\n\nDer Hersteller empfiehlt diese Serie für Mathematikaufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben ausserhalb dieser Spezialisierung. Die Modellgewichte dienen der Textgenerierung; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.\n\nStellen Sie für einen Lernworkflow die versuchte Herleitung der lernenden Person bereit und markieren Sie den zu erklärenden Übergang. Verlangen Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit dem gewünschten Detaillierungsgrad. Legen Sie für eine technische Berechnung exakte oder angenäherte Ausgabe, Einheiten und Rundung fest, bevor Sie textuelles Schlussfolgern oder einen rechnergestützten Workflow wählen. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct ist ein mathematisches Anweisungsmodell für englische und chinesische Aufgaben. Es unterstützt ausgearbeitetes textuelles Schlussfolgern und werkzeugintegrierte mathematische Workflows mit einer eigenen 4K-Veröffentlichungskonfiguration statt der allgemeinen Langkontextspezifikationen von Qwen2.5.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller richtet sie ausdrücklich auf englische und chinesische Mathematikaufgaben aus und beschreibt zwei Ansätze: Chain-of-Thought-Schlussfolgern und werkzeugintegriertes Schlussfolgern. Das Modell empfängt eine schriftliche mathematische Bedingung und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Seine Spezialisierung liegt in der Mathematik und nicht im allgemeinen kreativen Schreiben oder in der Dokumentverarbeitung.
Mathematische Fähigkeiten und Schlussfolgerungsansätze
Beim textuellen Schlussfolgerungsansatz verlangt die Aufgabe relevante Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort. Die Modellkarte beschreibt ausserdem werkzeugintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und die Berechnung von Eigenwerten einer Matrix als Beispiele, bei denen präzise Berechnungen und symbolische oder algorithmische Umformungen wichtig sind.
Werkzeugintegriertes Schlussfolgern ist nicht dasselbe wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demonstration des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis fliesst anschliessend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse auseinander.
Base-, Instruct- und Reward-Modell-Ausgaben
Die Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Anweisungen im Chatstil gedacht. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Verarbeitung sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle nutzen zusätzliches synthetisches Mathematikmaterial, mehr chinesische Mathematikdaten und eine Initialisierung auf Grundlage von Qwen2.5. Die Instruct-Phase verwendet überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell das Rejection Sampling und die spätere Optimierung anleitet. Der Hersteller ergänzt Daten für werkzeugintegriertes Schlussfolgern und englische und chinesische Anweisungsdaten. Dies erklärt den mathematischen Schwerpunkt der Ausgabe; es bedeutet nicht, dass bei jeder Nutzeranfrage automatisch ein separater Prüfer aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu ermittelnde Grösse oder Aussage. Verwenden Sie zwischen ursprünglicher Bedingung und gewünschter Antwort konsistente Notation. Eine nützliche Anweisung kann Methode, wichtige Umformungen und Endergebnis verlangen, mit einer separaten Prüfung anhand der ursprünglichen Bedingungen.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze über die Anweisungen. Eine Anfrage zum textuellen Schlussfolgern verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu verbinden und die gleiche Konvention für die endgültige Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen über Werkzeuge, die jede Bereitstellungsschnittstelle verfügbar macht.
Zur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabegestaltung trennt das Zusammenfassen der Variablenterme, das Freistellen der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis dieser Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, womit beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Weisen Sie dieser mathematischen Ausgabe nicht den deutlich grösseren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Rechenschritte zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe festgelegt werden; ein separates Ausgabelimit sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.
Inhaltliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für Mathematikaufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben ausserhalb dieser Spezialisierung. Die Modellgewichte dienen der Textgenerierung; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lernworkflow die versuchte Herleitung der lernenden Person bereit und markieren Sie den zu erklärenden Übergang. Verlangen Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit dem gewünschten Detaillierungsgrad. Legen Sie für eine technische Berechnung exakte oder angenäherte Ausgabe, Einheiten und Rundung fest, bevor Sie textuelles Schlussfolgern oder einen rechnergestützten Workflow wählen. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-math-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.00344 / 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-math-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-math-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-math-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-math-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct ist ein mathematisches Anweisungsmodell für englische und chinesische Aufgaben. Es unterstützt ausgearbeitetes textuelles Schlussfolgern und werkzeugintegrierte mathematische Workflows mit einer eigenen 4K-Veröffentlichungskonfiguration statt der allgemeinen Langkontextspezifikationen von Qwen2.5.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Math-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller richtet sie ausdrücklich auf englische und chinesische Mathematikaufgaben aus und beschreibt zwei Ansätze: Chain-of-Thought-Schlussfolgern und werkzeugintegriertes Schlussfolgern. Das Modell empfängt eine schriftliche mathematische Bedingung und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Seine Spezialisierung liegt in der Mathematik und nicht im allgemeinen kreativen Schreiben oder in der Dokumentverarbeitung.
Mathematische Fähigkeiten und Schlussfolgerungsansätze
Beim textuellen Schlussfolgerungsansatz verlangt die Aufgabe relevante Definitionen, begründete Umformungen und eine klar getrennte endgültige Antwort. Die Modellkarte beschreibt ausserdem werkzeugintegriertes Schlussfolgern, bei dem natürlichsprachliches Schlussfolgern mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und die Berechnung von Eigenwerten einer Matrix als Beispiele, bei denen präzise Berechnungen und symbolische oder algorithmische Umformungen wichtig sind.
Werkzeugintegriertes Schlussfolgern ist nicht dasselbe wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demonstration des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis fliesst anschliessend in die Lösung ein. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Schlussfolgern, Programmvorschläge und zurückgegebene numerische Ergebnisse auseinander.
Base-, Instruct- und Reward-Modell-Ausgaben
Die Familie umfasst separate Basismodelle, auf Anweisungen abgestimmte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Anweisungen im Chatstil gedacht. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Verarbeitung sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle nutzen zusätzliches synthetisches Mathematikmaterial, mehr chinesische Mathematikdaten und eine Initialisierung auf Grundlage von Qwen2.5. Die Instruct-Phase verwendet überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell das Rejection Sampling und die spätere Optimierung anleitet. Der Hersteller ergänzt Daten für werkzeugintegriertes Schlussfolgern und englische und chinesische Anweisungsdaten. Dies erklärt den mathematischen Schwerpunkt der Ausgabe; es bedeutet nicht, dass bei jeder Nutzeranfrage automatisch ein separater Prüfer aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu ermittelnde Grösse oder Aussage. Verwenden Sie zwischen ursprünglicher Bedingung und gewünschter Antwort konsistente Notation. Eine nützliche Anweisung kann Methode, wichtige Umformungen und Endergebnis verlangen, mit einer separaten Prüfung anhand der ursprünglichen Bedingungen.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze über die Anweisungen. Eine Anfrage zum textuellen Schlussfolgern verlangt eine schrittweise Lösung und eine eingerahmte endgültige Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Schlussfolgern mit Programmen zu verbinden und die gleiche Konvention für die endgültige Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen über Werkzeuge, die jede Bereitstellungsschnittstelle verfügbar macht.
Zur Veranschaulichung lautet die einfache Gleichung der Karte 4x + 5 = 6x + 7. Eine nützliche Ausgabegestaltung trennt das Zusammenfassen der Variablenterme, das Freistellen der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis dieser Beispielbedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, womit beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix bereitstellen, eine symbolische Eigenwertherleitung verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4,096; Prompt und ausgearbeitete Lösung benötigen daher eine kompakte Längenplanung. Weisen Sie dieser mathematischen Ausgabe nicht den deutlich grösseren Kontext zu, der für die allgemeine Qwen2.5-Linie beworben wird. Halten Sie relevante Bedingungen und mathematische Rechenschritte zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe festgelegt werden; ein separates Ausgabelimit sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.
Inhaltliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für Mathematikaufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben ausserhalb dieser Spezialisierung. Die Modellgewichte dienen der Textgenerierung; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lernworkflow die versuchte Herleitung der lernenden Person bereit und markieren Sie den zu erklärenden Übergang. Verlangen Sie eine Korrektur in der ursprünglichen Notation und eine endgültige Antwort mit dem gewünschten Detaillierungsgrad. Legen Sie für eine technische Berechnung exakte oder angenäherte Ausgabe, Einheiten und Rundung fest, bevor Sie textuelles Schlussfolgern oder einen rechnergestützten Workflow wählen. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-math-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.00344 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-math-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-math-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-math-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-math-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.