Qwen2.5-14B-Instruct ist die auf Anweisungen trainierte Edition in 14B-Größe der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und liefert Text: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und strukturierte Antworten, besonders JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen sowie stärkere Code- und Mathematikfähigkeiten als bei Qwen2, ergänzt um lange Antworten und besseren Umgang mit unterschiedlichen Systemanweisungen. Das Vortrainingskorpus der Familie wird mit bis zu 18 Billionen Tokens beschrieben. Dies unterstützt einen fachbezogenen Assistenten, dessen Rolle und Ausgabe die Aufgabe festlegt. Das Modell bleibt die allgemeine Instruct-Edition; die separat benannten Qwen2.5-Coder- und Qwen2.5-Math-Reihen haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einer Phase erhalten. Definieren Sie die Leserrolle, verlangen Sie die für diese Phase relevanten Handlungen und lassen Sie die ursprünglichen Bedingungen erhalten. Eine nützliche Ausgabe kann nächste Handlung, Anwendungsbedingung und noch benötigte Informationen trennen. So wird eine allgemeine Bitte um Rat zu einer Antwort anhand des vorgegebenen Prozesses.
Geben Sie für eine Codeerklärung die Funktion, relevante Hilfsdefinitionen und die unklare Eingabe an. Fragen Sie nach der Operationsfolge und dem dafür zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck vor der Herleitung. Beide Aufgaben verwenden Text; das Programm auszuführen oder ein separates numerisches Werkzeug bereitzustellen, ist Arbeit der umgebenden Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie relevante Zeilen und definieren Sie den Vergleich. Die Ausgabe kann passende Zeilenkennungen auflisten und erklären, welche vorgegebene Bedingung jede Zeile erfüllt. Legen Sie bei fehlenden Werten fest, ob sie weiterhin fehlen oder ausdrücklich dargestellt werden sollen.
Zeigen Sie für strukturierte Extraktion Feldnamen und erforderliche Typen. Eine Eingabe aus Artikelkennung, Lagermenge und Lagerbezeichnung lässt sich in einen Datensatz mit denselben Feldern umwandeln. Fordern Sie nur den Datensatz an, wenn ihn eine Anwendung parst; eine separate Erklärung, wenn ein Nutzer die Quellinterpretation prüfen muss. Die dokumentierte JSON-Generierung ist von der Schemaerzwingung durch eine bestimmte Schnittstelle zu unterscheiden.
Mehrsprachige Gespräche werden in über 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie unverändert zu bewahrende Terminologie an. Lassen Sie bei übersetzten technischen Erklärungen Variablennamen, zitierte Bezeichnungen und Einheiten erhalten und den umgebenden Text an den Leser anpassen.
Die konkrete 14B-Veröffentlichung
Die Karte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie 40 Query-Köpfe und 8 Key/Value-Köpfe in Grouped-Query Attention. Vortraining und Nachtraining erzeugen diese Instruct-Edition. Parameter- und Schichtenzahl unterscheiden sich von 32B, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131.072 Tokens und eine Generierung von bis zu 8.192 Tokens. Ersteres betrifft Gespräch und Material der Aufgabe, Letzteres die erzeugte Antwort. Die 512 Tokens im Schnellstart sind nur eine Beispieleinstellung und ersetzen die angegebene Antwortkapazität nicht. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel formatiert separate System- und Nutzernachrichten mit der passenden Chatvorlage. Definieren Sie Rolle und Antwortregeln getrennt vom untersuchten Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie Quelltext, damit eine dort zitierte Anweisung nicht mit der Anwendungsaufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Werkzeugaufrufvorlagen und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung für Funktionsbeschreibungen, Ausführung und das Ergebnis für die nächste Antwort. Ein Gespräch kann etwa eine Berechnung mit einem bereitgestellten Rechenwerkzeug verlangen; dessen Ergebnis wird zur Information, die das Modell erklärt. Verfügbarkeit und Ausführung kommen aus der Integration, während diese Veröffentlichung das Textgesprächsverhalten liefert.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32.768 Tokens ab. Die dokumentierte Erweiterung verwendet YaRN mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32.768. Statische Skalierung kann kürzere Texte beeinflussen; der Hersteller empfiehlt sie daher bei Bedarf an langen Kontexten.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die Frage und halten Sie die Belege zusammen. Eine klare Anfrage kann einen korrigierten Abschnitt, eine Änderungstabelle und ursprüngliche Abschnittsverweise verlangen. So dient der erweiterte Kontext einem konkreten Artefakt und die Antwort bleibt innerhalb der separaten Generierungsgrenze.
", "aboutText": "Qwen2.5-14B-Instruct ist die auf Anweisungen trainierte Edition in 14B-Größe der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und liefert Text: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und strukturierte Antworten, besonders JSON.\n\nVerbesserungen der Familie\n\nDer Hersteller beschreibt breiteres Wissen sowie stärkere Code- und Mathematikfähigkeiten als bei Qwen2, ergänzt um lange Antworten und besseren Umgang mit unterschiedlichen Systemanweisungen. Das Vortrainingskorpus der Familie wird mit bis zu 18 Billionen Tokens beschrieben. Dies unterstützt einen fachbezogenen Assistenten, dessen Rolle und Ausgabe die Aufgabe festlegt. Das Modell bleibt die allgemeine Instruct-Edition; die separat benannten Qwen2.5-Coder- und Qwen2.5-Math-Reihen haben eigene Spezialisierungen.\n\nEin Prozessassistent kann eine Vorgehensweise und eine Frage zu einer Phase erhalten. Definieren Sie die Leserrolle, verlangen Sie die für diese Phase relevanten Handlungen und lassen Sie die ursprünglichen Bedingungen erhalten. Eine nützliche Ausgabe kann nächste Handlung, Anwendungsbedingung und noch benötigte Informationen trennen. So wird eine allgemeine Bitte um Rat zu einer Antwort anhand des vorgegebenen Prozesses.\n\nGeben Sie für eine Codeerklärung die Funktion, relevante Hilfsdefinitionen und die unklare Eingabe an. Fragen Sie nach der Operationsfolge und dem dafür zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck vor der Herleitung. Beide Aufgaben verwenden Text; das Programm auszuführen oder ein separates numerisches Werkzeug bereitzustellen, ist Arbeit der umgebenden Anwendung.\n\nTabellen und JSON\n\nBewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie relevante Zeilen und definieren Sie den Vergleich. Die Ausgabe kann passende Zeilenkennungen auflisten und erklären, welche vorgegebene Bedingung jede Zeile erfüllt. Legen Sie bei fehlenden Werten fest, ob sie weiterhin fehlen oder ausdrücklich dargestellt werden sollen.\n\nZeigen Sie für strukturierte Extraktion Feldnamen und erforderliche Typen. Eine Eingabe aus Artikelkennung, Lagermenge und Lagerbezeichnung lässt sich in einen Datensatz mit denselben Feldern umwandeln. Fordern Sie nur den Datensatz an, wenn ihn eine Anwendung parst; eine separate Erklärung, wenn ein Nutzer die Quellinterpretation prüfen muss. Die dokumentierte JSON-Generierung ist von der Schemaerzwingung durch eine bestimmte Schnittstelle zu unterscheiden.\n\nMehrsprachige Gespräche werden in über 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie unverändert zu bewahrende Terminologie an. Lassen Sie bei übersetzten technischen Erklärungen Variablennamen, zitierte Bezeichnungen und Einheiten erhalten und den umgebenden Text an den Leser anpassen.\n\nDie konkrete 14B-Veröffentlichung\n\nDie Karte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie 40 Query-Köpfe und 8 Key/Value-Köpfe in Grouped-Query Attention. Vortraining und Nachtraining erzeugen diese Instruct-Edition. Parameter- und Schichtenzahl unterscheiden sich von 32B, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.\n\nDie Modellkarte nennt einen vollständigen Kontext von 131.072 Tokens und eine Generierung von bis zu 8.192 Tokens. Ersteres betrifft Gespräch und Material der Aufgabe, Letzteres die erzeugte Antwort. Die 512 Tokens im Schnellstart sind nur eine Beispieleinstellung und ersetzen die angegebene Antwortkapazität nicht. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht diesem Textmodell.\n\nEingabeformat und werkzeuggestützte Aufgaben\n\nDas Herstellerbeispiel formatiert separate System- und Nutzernachrichten mit der passenden Chatvorlage. Definieren Sie Rolle und Antwortregeln getrennt vom untersuchten Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie Quelltext, damit eine dort zitierte Anweisung nicht mit der Anwendungsaufgabe verwechselt wird.\n\nDie offizielle Qwen2.5-Ankündigung beschreibt auch Werkzeugaufrufvorlagen und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung für Funktionsbeschreibungen, Ausführung und das Ergebnis für die nächste Antwort. Ein Gespräch kann etwa eine Berechnung mit einem bereitgestellten Rechenwerkzeug verlangen; dessen Ergebnis wird zur Information, die das Modell erklärt. Verfügbarkeit und Ausführung kommen aus der Integration, während diese Veröffentlichung das Textgesprächsverhalten liefert.\n\nLangtextkonfiguration\n\nDie veröffentlichte Konfiguration deckt zunächst 32.768 Tokens ab. Die dokumentierte Erweiterung verwendet YaRN mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32.768. Statische Skalierung kann kürzere Texte beeinflussen; der Hersteller empfiehlt sie daher bei Bedarf an langen Kontexten.\n\nBenennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die Frage und halten Sie die Belege zusammen. Eine klare Anfrage kann einen korrigierten Abschnitt, eine Änderungstabelle und ursprüngliche Abschnittsverweise verlangen. So dient der erweiterte Kontext einem konkreten Artefakt und die Antwort bleibt innerhalb der separaten Generierungsgrenze.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und eine Antwortgrenze von 8.192 Tokens, mit einer erweiterten Kontextkonfiguration für lange Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen trainierte Edition in 14B-Größe der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und liefert Text: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und strukturierte Antworten, besonders JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen sowie stärkere Code- und Mathematikfähigkeiten als bei Qwen2, ergänzt um lange Antworten und besseren Umgang mit unterschiedlichen Systemanweisungen. Das Vortrainingskorpus der Familie wird mit bis zu 18 Billionen Tokens beschrieben. Dies unterstützt einen fachbezogenen Assistenten, dessen Rolle und Ausgabe die Aufgabe festlegt. Das Modell bleibt die allgemeine Instruct-Edition; die separat benannten Qwen2.5-Coder- und Qwen2.5-Math-Reihen haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einer Phase erhalten. Definieren Sie die Leserrolle, verlangen Sie die für diese Phase relevanten Handlungen und lassen Sie die ursprünglichen Bedingungen erhalten. Eine nützliche Ausgabe kann nächste Handlung, Anwendungsbedingung und noch benötigte Informationen trennen. So wird eine allgemeine Bitte um Rat zu einer Antwort anhand des vorgegebenen Prozesses.
Geben Sie für eine Codeerklärung die Funktion, relevante Hilfsdefinitionen und die unklare Eingabe an. Fragen Sie nach der Operationsfolge und dem dafür zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck vor der Herleitung. Beide Aufgaben verwenden Text; das Programm auszuführen oder ein separates numerisches Werkzeug bereitzustellen, ist Arbeit der umgebenden Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie relevante Zeilen und definieren Sie den Vergleich. Die Ausgabe kann passende Zeilenkennungen auflisten und erklären, welche vorgegebene Bedingung jede Zeile erfüllt. Legen Sie bei fehlenden Werten fest, ob sie weiterhin fehlen oder ausdrücklich dargestellt werden sollen.
Zeigen Sie für strukturierte Extraktion Feldnamen und erforderliche Typen. Eine Eingabe aus Artikelkennung, Lagermenge und Lagerbezeichnung lässt sich in einen Datensatz mit denselben Feldern umwandeln. Fordern Sie nur den Datensatz an, wenn ihn eine Anwendung parst; eine separate Erklärung, wenn ein Nutzer die Quellinterpretation prüfen muss. Die dokumentierte JSON-Generierung ist von der Schemaerzwingung durch eine bestimmte Schnittstelle zu unterscheiden.
Mehrsprachige Gespräche werden in über 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie unverändert zu bewahrende Terminologie an. Lassen Sie bei übersetzten technischen Erklärungen Variablennamen, zitierte Bezeichnungen und Einheiten erhalten und den umgebenden Text an den Leser anpassen.
Die konkrete 14B-Veröffentlichung
Die Karte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie 40 Query-Köpfe und 8 Key/Value-Köpfe in Grouped-Query Attention. Vortraining und Nachtraining erzeugen diese Instruct-Edition. Parameter- und Schichtenzahl unterscheiden sich von 32B, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131.072 Tokens und eine Generierung von bis zu 8.192 Tokens. Ersteres betrifft Gespräch und Material der Aufgabe, Letzteres die erzeugte Antwort. Die 512 Tokens im Schnellstart sind nur eine Beispieleinstellung und ersetzen die angegebene Antwortkapazität nicht. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel formatiert separate System- und Nutzernachrichten mit der passenden Chatvorlage. Definieren Sie Rolle und Antwortregeln getrennt vom untersuchten Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie Quelltext, damit eine dort zitierte Anweisung nicht mit der Anwendungsaufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Werkzeugaufrufvorlagen und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung für Funktionsbeschreibungen, Ausführung und das Ergebnis für die nächste Antwort. Ein Gespräch kann etwa eine Berechnung mit einem bereitgestellten Rechenwerkzeug verlangen; dessen Ergebnis wird zur Information, die das Modell erklärt. Verfügbarkeit und Ausführung kommen aus der Integration, während diese Veröffentlichung das Textgesprächsverhalten liefert.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32.768 Tokens ab. Die dokumentierte Erweiterung verwendet YaRN mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32.768. Statische Skalierung kann kürzere Texte beeinflussen; der Hersteller empfiehlt sie daher bei Bedarf an langen Kontexten.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die Frage und halten Sie die Belege zusammen. Eine klare Anfrage kann einen korrigierten Abschnitt, eine Änderungstabelle und ursprüngliche Abschnittsverweise verlangen. So dient der erweiterte Kontext einem konkreten Artefakt und die Antwort bleibt innerhalb der separaten Generierungsgrenze.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-14B-Instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0002 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und eine Antwortgrenze von 8.192 Tokens, mit einer erweiterten Kontextkonfiguration für lange Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen trainierte Edition in 14B-Größe der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und liefert Text: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und strukturierte Antworten, besonders JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen sowie stärkere Code- und Mathematikfähigkeiten als bei Qwen2, ergänzt um lange Antworten und besseren Umgang mit unterschiedlichen Systemanweisungen. Das Vortrainingskorpus der Familie wird mit bis zu 18 Billionen Tokens beschrieben. Dies unterstützt einen fachbezogenen Assistenten, dessen Rolle und Ausgabe die Aufgabe festlegt. Das Modell bleibt die allgemeine Instruct-Edition; die separat benannten Qwen2.5-Coder- und Qwen2.5-Math-Reihen haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einer Phase erhalten. Definieren Sie die Leserrolle, verlangen Sie die für diese Phase relevanten Handlungen und lassen Sie die ursprünglichen Bedingungen erhalten. Eine nützliche Ausgabe kann nächste Handlung, Anwendungsbedingung und noch benötigte Informationen trennen. So wird eine allgemeine Bitte um Rat zu einer Antwort anhand des vorgegebenen Prozesses.
Geben Sie für eine Codeerklärung die Funktion, relevante Hilfsdefinitionen und die unklare Eingabe an. Fragen Sie nach der Operationsfolge und dem dafür zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck vor der Herleitung. Beide Aufgaben verwenden Text; das Programm auszuführen oder ein separates numerisches Werkzeug bereitzustellen, ist Arbeit der umgebenden Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie relevante Zeilen und definieren Sie den Vergleich. Die Ausgabe kann passende Zeilenkennungen auflisten und erklären, welche vorgegebene Bedingung jede Zeile erfüllt. Legen Sie bei fehlenden Werten fest, ob sie weiterhin fehlen oder ausdrücklich dargestellt werden sollen.
Zeigen Sie für strukturierte Extraktion Feldnamen und erforderliche Typen. Eine Eingabe aus Artikelkennung, Lagermenge und Lagerbezeichnung lässt sich in einen Datensatz mit denselben Feldern umwandeln. Fordern Sie nur den Datensatz an, wenn ihn eine Anwendung parst; eine separate Erklärung, wenn ein Nutzer die Quellinterpretation prüfen muss. Die dokumentierte JSON-Generierung ist von der Schemaerzwingung durch eine bestimmte Schnittstelle zu unterscheiden.
Mehrsprachige Gespräche werden in über 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie unverändert zu bewahrende Terminologie an. Lassen Sie bei übersetzten technischen Erklärungen Variablennamen, zitierte Bezeichnungen und Einheiten erhalten und den umgebenden Text an den Leser anpassen.
Die konkrete 14B-Veröffentlichung
Die Karte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie 40 Query-Köpfe und 8 Key/Value-Köpfe in Grouped-Query Attention. Vortraining und Nachtraining erzeugen diese Instruct-Edition. Parameter- und Schichtenzahl unterscheiden sich von 32B, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131.072 Tokens und eine Generierung von bis zu 8.192 Tokens. Ersteres betrifft Gespräch und Material der Aufgabe, Letzteres die erzeugte Antwort. Die 512 Tokens im Schnellstart sind nur eine Beispieleinstellung und ersetzen die angegebene Antwortkapazität nicht. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel formatiert separate System- und Nutzernachrichten mit der passenden Chatvorlage. Definieren Sie Rolle und Antwortregeln getrennt vom untersuchten Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie Quelltext, damit eine dort zitierte Anweisung nicht mit der Anwendungsaufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Werkzeugaufrufvorlagen und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung für Funktionsbeschreibungen, Ausführung und das Ergebnis für die nächste Antwort. Ein Gespräch kann etwa eine Berechnung mit einem bereitgestellten Rechenwerkzeug verlangen; dessen Ergebnis wird zur Information, die das Modell erklärt. Verfügbarkeit und Ausführung kommen aus der Integration, während diese Veröffentlichung das Textgesprächsverhalten liefert.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32.768 Tokens ab. Die dokumentierte Erweiterung verwendet YaRN mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32.768. Statische Skalierung kann kürzere Texte beeinflussen; der Hersteller empfiehlt sie daher bei Bedarf an langen Kontexten.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die Frage und halten Sie die Belege zusammen. Eine klare Anfrage kann einen korrigierten Abschnitt, eine Änderungstabelle und ursprüngliche Abschnittsverweise verlangen. So dient der erweiterte Kontext einem konkreten Artefakt und die Antwort bleibt innerhalb der separaten Generierungsgrenze.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-14B-Instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0002 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und eine Antwortgrenze von 8.192 Tokens, mit einer erweiterten Kontextkonfiguration für lange Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen trainierte Edition in 14B-Größe der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und liefert Text: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und strukturierte Antworten, besonders JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen sowie stärkere Code- und Mathematikfähigkeiten als bei Qwen2, ergänzt um lange Antworten und besseren Umgang mit unterschiedlichen Systemanweisungen. Das Vortrainingskorpus der Familie wird mit bis zu 18 Billionen Tokens beschrieben. Dies unterstützt einen fachbezogenen Assistenten, dessen Rolle und Ausgabe die Aufgabe festlegt. Das Modell bleibt die allgemeine Instruct-Edition; die separat benannten Qwen2.5-Coder- und Qwen2.5-Math-Reihen haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einer Phase erhalten. Definieren Sie die Leserrolle, verlangen Sie die für diese Phase relevanten Handlungen und lassen Sie die ursprünglichen Bedingungen erhalten. Eine nützliche Ausgabe kann nächste Handlung, Anwendungsbedingung und noch benötigte Informationen trennen. So wird eine allgemeine Bitte um Rat zu einer Antwort anhand des vorgegebenen Prozesses.
Geben Sie für eine Codeerklärung die Funktion, relevante Hilfsdefinitionen und die unklare Eingabe an. Fragen Sie nach der Operationsfolge und dem dafür zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck vor der Herleitung. Beide Aufgaben verwenden Text; das Programm auszuführen oder ein separates numerisches Werkzeug bereitzustellen, ist Arbeit der umgebenden Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie relevante Zeilen und definieren Sie den Vergleich. Die Ausgabe kann passende Zeilenkennungen auflisten und erklären, welche vorgegebene Bedingung jede Zeile erfüllt. Legen Sie bei fehlenden Werten fest, ob sie weiterhin fehlen oder ausdrücklich dargestellt werden sollen.
Zeigen Sie für strukturierte Extraktion Feldnamen und erforderliche Typen. Eine Eingabe aus Artikelkennung, Lagermenge und Lagerbezeichnung lässt sich in einen Datensatz mit denselben Feldern umwandeln. Fordern Sie nur den Datensatz an, wenn ihn eine Anwendung parst; eine separate Erklärung, wenn ein Nutzer die Quellinterpretation prüfen muss. Die dokumentierte JSON-Generierung ist von der Schemaerzwingung durch eine bestimmte Schnittstelle zu unterscheiden.
Mehrsprachige Gespräche werden in über 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie unverändert zu bewahrende Terminologie an. Lassen Sie bei übersetzten technischen Erklärungen Variablennamen, zitierte Bezeichnungen und Einheiten erhalten und den umgebenden Text an den Leser anpassen.
Die konkrete 14B-Veröffentlichung
Die Karte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie 40 Query-Köpfe und 8 Key/Value-Köpfe in Grouped-Query Attention. Vortraining und Nachtraining erzeugen diese Instruct-Edition. Parameter- und Schichtenzahl unterscheiden sich von 32B, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131.072 Tokens und eine Generierung von bis zu 8.192 Tokens. Ersteres betrifft Gespräch und Material der Aufgabe, Letzteres die erzeugte Antwort. Die 512 Tokens im Schnellstart sind nur eine Beispieleinstellung und ersetzen die angegebene Antwortkapazität nicht. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel formatiert separate System- und Nutzernachrichten mit der passenden Chatvorlage. Definieren Sie Rolle und Antwortregeln getrennt vom untersuchten Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie Quelltext, damit eine dort zitierte Anweisung nicht mit der Anwendungsaufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Werkzeugaufrufvorlagen und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung für Funktionsbeschreibungen, Ausführung und das Ergebnis für die nächste Antwort. Ein Gespräch kann etwa eine Berechnung mit einem bereitgestellten Rechenwerkzeug verlangen; dessen Ergebnis wird zur Information, die das Modell erklärt. Verfügbarkeit und Ausführung kommen aus der Integration, während diese Veröffentlichung das Textgesprächsverhalten liefert.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32.768 Tokens ab. Die dokumentierte Erweiterung verwendet YaRN mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32.768. Statische Skalierung kann kürzere Texte beeinflussen; der Hersteller empfiehlt sie daher bei Bedarf an langen Kontexten.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die Frage und halten Sie die Belege zusammen. Eine klare Anfrage kann einen korrigierten Abschnitt, eine Änderungstabelle und ursprüngliche Abschnittsverweise verlangen. So dient der erweiterte Kontext einem konkreten Artefakt und die Antwort bleibt innerhalb der separaten Generierungsgrenze.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-14b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0002 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct ist ein mehrsprachiges Textmodell für anweisungsbasierte Assistenten, Code und Mathematik. Seine eigene Veröffentlichung mit 14,7 Milliarden Parametern unterstützt Tabelleninterpretation, JSON-Generierung und eine Antwortgrenze von 8.192 Tokens, mit einer erweiterten Kontextkonfiguration für lange Eingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-14B-Instruct ist die auf Anweisungen trainierte Edition in 14B-Größe der allgemeinen Qwen2.5-Familie. Sie nimmt ein Textgespräch entgegen und liefert Text: eine Erklärung, ein Dokument, Programmcode oder strukturierte Felder. Der Hersteller betont Anweisungsbefolgung, Programmierung, Mathematik, das Verständnis strukturierter Daten wie Tabellen und strukturierte Antworten, besonders JSON.
Verbesserungen der Familie
Der Hersteller beschreibt breiteres Wissen sowie stärkere Code- und Mathematikfähigkeiten als bei Qwen2, ergänzt um lange Antworten und besseren Umgang mit unterschiedlichen Systemanweisungen. Das Vortrainingskorpus der Familie wird mit bis zu 18 Billionen Tokens beschrieben. Dies unterstützt einen fachbezogenen Assistenten, dessen Rolle und Ausgabe die Aufgabe festlegt. Das Modell bleibt die allgemeine Instruct-Edition; die separat benannten Qwen2.5-Coder- und Qwen2.5-Math-Reihen haben eigene Spezialisierungen.
Ein Prozessassistent kann eine Vorgehensweise und eine Frage zu einer Phase erhalten. Definieren Sie die Leserrolle, verlangen Sie die für diese Phase relevanten Handlungen und lassen Sie die ursprünglichen Bedingungen erhalten. Eine nützliche Ausgabe kann nächste Handlung, Anwendungsbedingung und noch benötigte Informationen trennen. So wird eine allgemeine Bitte um Rat zu einer Antwort anhand des vorgegebenen Prozesses.
Geben Sie für eine Codeerklärung die Funktion, relevante Hilfsdefinitionen und die unklare Eingabe an. Fragen Sie nach der Operationsfolge und dem dafür zurückgegebenen Wert. Nennen Sie für eine mathematische Erklärung Symbole, Annahmen und Zielausdruck vor der Herleitung. Beide Aufgaben verwenden Text; das Programm auszuführen oder ein separates numerisches Werkzeug bereitzustellen, ist Arbeit der umgebenden Anwendung.
Tabellen und JSON
Bewahren Sie bei einer Tabellenfrage Spaltenüberschriften und Einheiten, benennen Sie relevante Zeilen und definieren Sie den Vergleich. Die Ausgabe kann passende Zeilenkennungen auflisten und erklären, welche vorgegebene Bedingung jede Zeile erfüllt. Legen Sie bei fehlenden Werten fest, ob sie weiterhin fehlen oder ausdrücklich dargestellt werden sollen.
Zeigen Sie für strukturierte Extraktion Feldnamen und erforderliche Typen. Eine Eingabe aus Artikelkennung, Lagermenge und Lagerbezeichnung lässt sich in einen Datensatz mit denselben Feldern umwandeln. Fordern Sie nur den Datensatz an, wenn ihn eine Anwendung parst; eine separate Erklärung, wenn ein Nutzer die Quellinterpretation prüfen muss. Die dokumentierte JSON-Generierung ist von der Schemaerzwingung durch eine bestimmte Schnittstelle zu unterscheiden.
Mehrsprachige Gespräche werden in über 29 Sprachen unterstützt, darunter Englisch, Chinesisch, Russisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Legen Sie die endgültige Sprache fest und geben Sie unverändert zu bewahrende Terminologie an. Lassen Sie bei übersetzten technischen Erklärungen Variablennamen, zitierte Bezeichnungen und Einheiten erhalten und den umgebenden Text an den Leser anpassen.
Die konkrete 14B-Veröffentlichung
Die Karte nennt 14,7 Milliarden Parameter, darunter 13,1 Milliarden ohne Embedding-Parameter, und 48 Transformer-Schichten. Sie verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias sowie 40 Query-Köpfe und 8 Key/Value-Köpfe in Grouped-Query Attention. Vortraining und Nachtraining erzeugen diese Instruct-Edition. Parameter- und Schichtenzahl unterscheiden sich von 32B, auch wenn Familienfähigkeiten und veröffentlichte Kontextzahlen übereinstimmen.
Die Modellkarte nennt einen vollständigen Kontext von 131.072 Tokens und eine Generierung von bis zu 8.192 Tokens. Ersteres betrifft Gespräch und Material der Aufgabe, Letzteres die erzeugte Antwort. Die 512 Tokens im Schnellstart sind nur eine Beispieleinstellung und ersetzen die angegebene Antwortkapazität nicht. Bild-, Video- und Audioverständnis gehören zu separat benannten multimodalen Veröffentlichungen, nicht diesem Textmodell.
Eingabeformat und werkzeuggestützte Aufgaben
Das Herstellerbeispiel formatiert separate System- und Nutzernachrichten mit der passenden Chatvorlage. Definieren Sie Rolle und Antwortregeln getrennt vom untersuchten Material. Stellen Sie eine vollständige Frage und kennzeichnen Sie Quelltext, damit eine dort zitierte Anweisung nicht mit der Anwendungsaufgabe verwechselt wird.
Die offizielle Qwen2.5-Ankündigung beschreibt auch Werkzeugaufrufvorlagen und kompatible Integrationen. Eine werkzeuggestützte Aufgabe benötigt die umgebende Anwendung für Funktionsbeschreibungen, Ausführung und das Ergebnis für die nächste Antwort. Ein Gespräch kann etwa eine Berechnung mit einem bereitgestellten Rechenwerkzeug verlangen; dessen Ergebnis wird zur Information, die das Modell erklärt. Verfügbarkeit und Ausführung kommen aus der Integration, während diese Veröffentlichung das Textgesprächsverhalten liefert.
Langtextkonfiguration
Die veröffentlichte Konfiguration deckt zunächst 32.768 Tokens ab. Die dokumentierte Erweiterung verwendet YaRN mit einem beispielhaften Skalierungsfaktor von 4,0 und einer ursprünglichen maximalen Positionseinstellung von 32.768. Statische Skalierung kann kürzere Texte beeinflussen; der Hersteller empfiehlt sie daher bei Bedarf an langen Kontexten.
Benennen Sie bei einer langen Quelle den zu überarbeitenden Abschnitt oder die Frage und halten Sie die Belege zusammen. Eine klare Anfrage kann einen korrigierten Abschnitt, eine Änderungstabelle und ursprüngliche Abschnittsverweise verlangen. So dient der erweiterte Kontext einem konkreten Artefakt und die Antwort bleibt innerhalb der separaten Generierungsgrenze.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-14b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0002 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Technisches Beispiel auf Englisch
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.