Qwen2 72B Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der Sprachmodellserie Qwen2. Die Modellkarte des Herstellers umfasst Sprachverständnis und -generierung, mehrsprachigen Text, Programmierung, Mathematik und Schlussfolgern. Das genaue gehostete Profil auf dieser Karte nennt eine Kontextlänge von 32,000 Tokens.
Stellen Sie den relevanten Text bereit und nennen Sie das benötigte Ergebnis. Eine Dokumentaufgabe kann nach Anforderungen in einer Passage, einem Vergleich zweier gekennzeichneter Ausschnitte oder einer Erklärung für eine bestimmte Zielgruppe fragen. Benennen Sie Details, die erhalten bleiben müssen, etwa Mengen, Namen und Quellenkennungen.
Stellen Sie für eine Umformulierung die ursprüngliche Passage bereit und beschreiben Sie die Änderung: knappere Formulierungen, klarere Gliederung oder einen anderen Ton. Verlangen Sie den überarbeiteten Text und anschliessend die Angabe jeder bedeutungsverändernden Änderung. Ein präziser Bearbeitungsrahmen erleichtert den Vergleich des Ergebnisses mit dem Original.
Ein Code-Prompt kann die Schnittstelle, repräsentative Eingaben und erwartete Ausgaben enthalten. Verlangen Sie die Implementierung und Tests für die von Ihnen benannten Fälle. Stellen Sie für eine Korrektur den genauen Fehler bereit und fragen Sie vor einer Änderungsanforderung, welcher Teil des bereitgestellten Codes ihn erklärt.
Nennen Sie bei einer Berechnung oder einem logischen Problem die Annahmen und die gewünschte Genauigkeit. Verlangen Sie das Ergebnis mit den Beziehungen oder Belegen, die zu seiner Prüfung nötig sind. Die zurückgegebene Antwort bleibt ein Vorschlag, der anhand der tatsächlichen Eingaben und Abnahmebedingungen der Aufgabe zu prüfen ist.
Der Hersteller beschreibt Unterstützung für bis zu 131,072 Tokens über ein Bereitstellungsrezept für lange Texte. Dieses Rezept verwendet YaRN-Skalierung für Eingaben oberhalb von 32,768 Tokens. Die Modellkarte weist ausserdem darauf hin, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt ihre Aktivierung, wenn ein langer Kontext benötigt wird.
Dies sind Bereitstellungsdetails des Herstellers. Bereiten Sie eine Anfrage für dieses gehostete Profil anhand seines eigenen angegebenen Kontexts von 32,000 Tokens vor. Wählen Sie die für die aktuelle Frage relevanten Textstellen und Codeabschnitte, bewahren Sie aufgabenrelevante frühere Entscheidungen und lassen Sie Platz für die Antwort. Eine Langkontextbereitstellung sollte anhand der tatsächlich verwendeten Konfiguration geplant werden.
", "aboutText": "Qwen2 72B Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der Sprachmodellserie Qwen2. Die Modellkarte des Herstellers umfasst Sprachverständnis und -generierung, mehrsprachigen Text, Programmierung, Mathematik und Schlussfolgern. Das genaue gehostete Profil auf dieser Karte nennt eine Kontextlänge von 32,000 Tokens.\n\n### Dem Gespräch einen definierten Zweck geben\n\nStellen Sie den relevanten Text bereit und nennen Sie das benötigte Ergebnis. Eine Dokumentaufgabe kann nach Anforderungen in einer Passage, einem Vergleich zweier gekennzeichneter Ausschnitte oder einer Erklärung für eine bestimmte Zielgruppe fragen. Benennen Sie Details, die erhalten bleiben müssen, etwa Mengen, Namen und Quellenkennungen.\n\nStellen Sie für eine Umformulierung die ursprüngliche Passage bereit und beschreiben Sie die Änderung: knappere Formulierungen, klarere Gliederung oder einen anderen Ton. Verlangen Sie den überarbeiteten Text und anschliessend die Angabe jeder bedeutungsverändernden Änderung. Ein präziser Bearbeitungsrahmen erleichtert den Vergleich des Ergebnisses mit dem Original.\n\n### Eine Programmier- oder Schlussfolgerungsfrage vorbereiten\n\nEin Code-Prompt kann die Schnittstelle, repräsentative Eingaben und erwartete Ausgaben enthalten. Verlangen Sie die Implementierung und Tests für die von Ihnen benannten Fälle. Stellen Sie für eine Korrektur den genauen Fehler bereit und fragen Sie vor einer Änderungsanforderung, welcher Teil des bereitgestellten Codes ihn erklärt.\n\nNennen Sie bei einer Berechnung oder einem logischen Problem die Annahmen und die gewünschte Genauigkeit. Verlangen Sie das Ergebnis mit den Beziehungen oder Belegen, die zu seiner Prüfung nötig sind. Die zurückgegebene Antwort bleibt ein Vorschlag, der anhand der tatsächlichen Eingaben und Abnahmebedingungen der Aufgabe zu prüfen ist.\n\n### Gehosteten und konfigurierten Langkontext unterscheiden\n\nDer Hersteller beschreibt Unterstützung für bis zu 131,072 Tokens über ein Bereitstellungsrezept für lange Texte. Dieses Rezept verwendet YaRN-Skalierung für Eingaben oberhalb von 32,768 Tokens. Die Modellkarte weist ausserdem darauf hin, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt ihre Aktivierung, wenn ein langer Kontext benötigt wird.\n\nDies sind Bereitstellungsdetails des Herstellers. Bereiten Sie eine Anfrage für dieses gehostete Profil anhand seines eigenen angegebenen Kontexts von 32,000 Tokens vor. Wählen Sie die für die aktuelle Frage relevanten Textstellen und Codeabschnitte, bewahren Sie aufgabenrelevante frühere Entscheidungen und lassen Sie Platz für die Antwort. Eine Langkontextbereitstellung sollte anhand der tatsächlich verwendeten Konfiguration geplant werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Clarify a conditional policy notice\n\nRewrite this notice in plain English: “Requests received after 16:00 are processed on the next business day unless the team has confirmed an exception in writing.” Keep both the cutoff and the written-exception condition. Return the revised notice followed by one sentence explaining any change in meaning; say explicitly if there is none.A clearer notice and a separate meaning-change note.Check that the revision does not promise same-day processing or remove the requirement for a written exception.qwen2-72b-instructQwen2 72B Instruct ist das auf Anweisungen abgestimmte 72B-Textmodell von Qwen2 für Dialoge, Erklärungen und Codeaufgaben. Sein benanntes gehostetes Profil nennt einen Kontext von 32,000 Tokens; das Langkontextrezept des Herstellers ist eine separate Bereitstellungskonfiguration.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2 72B Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der Sprachmodellserie Qwen2. Die Modellkarte des Herstellers umfasst Sprachverständnis und -generierung, mehrsprachigen Text, Programmierung, Mathematik und Schlussfolgern. Das genaue gehostete Profil auf dieser Karte nennt eine Kontextlänge von 32,000 Tokens.
Stellen Sie den relevanten Text bereit und nennen Sie das benötigte Ergebnis. Eine Dokumentaufgabe kann nach Anforderungen in einer Passage, einem Vergleich zweier gekennzeichneter Ausschnitte oder einer Erklärung für eine bestimmte Zielgruppe fragen. Benennen Sie Details, die erhalten bleiben müssen, etwa Mengen, Namen und Quellenkennungen.
Stellen Sie für eine Umformulierung die ursprüngliche Passage bereit und beschreiben Sie die Änderung: knappere Formulierungen, klarere Gliederung oder einen anderen Ton. Verlangen Sie den überarbeiteten Text und anschliessend die Angabe jeder bedeutungsverändernden Änderung. Ein präziser Bearbeitungsrahmen erleichtert den Vergleich des Ergebnisses mit dem Original.
Ein Code-Prompt kann die Schnittstelle, repräsentative Eingaben und erwartete Ausgaben enthalten. Verlangen Sie die Implementierung und Tests für die von Ihnen benannten Fälle. Stellen Sie für eine Korrektur den genauen Fehler bereit und fragen Sie vor einer Änderungsanforderung, welcher Teil des bereitgestellten Codes ihn erklärt.
Nennen Sie bei einer Berechnung oder einem logischen Problem die Annahmen und die gewünschte Genauigkeit. Verlangen Sie das Ergebnis mit den Beziehungen oder Belegen, die zu seiner Prüfung nötig sind. Die zurückgegebene Antwort bleibt ein Vorschlag, der anhand der tatsächlichen Eingaben und Abnahmebedingungen der Aufgabe zu prüfen ist.
Der Hersteller beschreibt Unterstützung für bis zu 131,072 Tokens über ein Bereitstellungsrezept für lange Texte. Dieses Rezept verwendet YaRN-Skalierung für Eingaben oberhalb von 32,768 Tokens. Die Modellkarte weist ausserdem darauf hin, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt ihre Aktivierung, wenn ein langer Kontext benötigt wird.
Dies sind Bereitstellungsdetails des Herstellers. Bereiten Sie eine Anfrage für dieses gehostete Profil anhand seines eigenen angegebenen Kontexts von 32,000 Tokens vor. Wählen Sie die für die aktuelle Frage relevanten Textstellen und Codeabschnitte, bewahren Sie aufgabenrelevante frühere Entscheidungen und lassen Sie Platz für die Antwort. Eine Langkontextbereitstellung sollte anhand der tatsächlich verwendeten Konfiguration geplant werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2-72b-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 $0.00116 / 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": "qwen2-72b-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='qwen2-72b-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='qwen2-72b-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 qwen2-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2-72b-instructQwen2 72B Instruct ist das auf Anweisungen abgestimmte 72B-Textmodell von Qwen2 für Dialoge, Erklärungen und Codeaufgaben. Sein benanntes gehostetes Profil nennt einen Kontext von 32,000 Tokens; das Langkontextrezept des Herstellers ist eine separate Bereitstellungskonfiguration.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2 72B Instruct ist die auf Anweisungen abgestimmte 72B-Ausgabe der Sprachmodellserie Qwen2. Die Modellkarte des Herstellers umfasst Sprachverständnis und -generierung, mehrsprachigen Text, Programmierung, Mathematik und Schlussfolgern. Das genaue gehostete Profil auf dieser Karte nennt eine Kontextlänge von 32,000 Tokens.
Stellen Sie den relevanten Text bereit und nennen Sie das benötigte Ergebnis. Eine Dokumentaufgabe kann nach Anforderungen in einer Passage, einem Vergleich zweier gekennzeichneter Ausschnitte oder einer Erklärung für eine bestimmte Zielgruppe fragen. Benennen Sie Details, die erhalten bleiben müssen, etwa Mengen, Namen und Quellenkennungen.
Stellen Sie für eine Umformulierung die ursprüngliche Passage bereit und beschreiben Sie die Änderung: knappere Formulierungen, klarere Gliederung oder einen anderen Ton. Verlangen Sie den überarbeiteten Text und anschliessend die Angabe jeder bedeutungsverändernden Änderung. Ein präziser Bearbeitungsrahmen erleichtert den Vergleich des Ergebnisses mit dem Original.
Ein Code-Prompt kann die Schnittstelle, repräsentative Eingaben und erwartete Ausgaben enthalten. Verlangen Sie die Implementierung und Tests für die von Ihnen benannten Fälle. Stellen Sie für eine Korrektur den genauen Fehler bereit und fragen Sie vor einer Änderungsanforderung, welcher Teil des bereitgestellten Codes ihn erklärt.
Nennen Sie bei einer Berechnung oder einem logischen Problem die Annahmen und die gewünschte Genauigkeit. Verlangen Sie das Ergebnis mit den Beziehungen oder Belegen, die zu seiner Prüfung nötig sind. Die zurückgegebene Antwort bleibt ein Vorschlag, der anhand der tatsächlichen Eingaben und Abnahmebedingungen der Aufgabe zu prüfen ist.
Der Hersteller beschreibt Unterstützung für bis zu 131,072 Tokens über ein Bereitstellungsrezept für lange Texte. Dieses Rezept verwendet YaRN-Skalierung für Eingaben oberhalb von 32,768 Tokens. Die Modellkarte weist ausserdem darauf hin, dass statische Skalierung die Leistung bei kürzeren Texten beeinflussen kann, und empfiehlt ihre Aktivierung, wenn ein langer Kontext benötigt wird.
Dies sind Bereitstellungsdetails des Herstellers. Bereiten Sie eine Anfrage für dieses gehostete Profil anhand seines eigenen angegebenen Kontexts von 32,000 Tokens vor. Wählen Sie die für die aktuelle Frage relevanten Textstellen und Codeabschnitte, bewahren Sie aufgabenrelevante frühere Entscheidungen und lassen Sie Platz für die Antwort. Eine Langkontextbereitstellung sollte anhand der tatsächlich verwendeten Konfiguration geplant werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2-72b-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 $0.00116 / 1K Tokens Ausgabe · Ausgabetoken $0.00344 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2-72b-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': 'qwen2-72b-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 qwen2-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Clarify a conditional policy notice\n\nRewrite this notice in plain English: “Requests received after 16:00 are processed on the next business day unless the team has confirmed an exception in writing.” Keep both the cutoff and the written-exception condition. Return the revised notice followed by one sentence explaining any change in meaning; say explicitly if there is none.A clearer notice and a separate meaning-change note.Check that the revision does not promise same-day processing or remove the requirement for a written exception.