Qwen2.5-32B-Instruct ist das auf Anweisungen trainierte Textmodell in 32B-Größe der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Code und Mathematik und ist nicht der separat benannte Coder- oder Math-Spezialist. Der Hersteller betont detaillierte Anweisungsbefolgung, lange Texte, Tabellenverständnis und strukturierten Text, besonders JSON. Das Familien-Vortrainingskorpus wird mit bis zu 18 Billionen Tokens beschrieben.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktion liefert den Quellabschnitt und die genauen Felder für den nächsten Anwendungsschritt. Definieren Sie Typen, Kopieren oder Zusammenfassen des Wortlauts und die Darstellung fehlender Informationen. Ein Produktdatensatz kann beispielsweise Kennung, Betriebsbedingungen und offene Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst wird, oder eine separate Erklärung, wenn eine Person die Herleitung der extrahierten Felder prüfen muss.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Liefern Sie Spaltennamen, Einheiten und relevante Zeilen mit der Frage. Lassen Sie Zeilen mit einer Bedingung bestimmen, Änderungen zwischen Zeiträumen erklären oder die Tabelle in einen Bericht verwandeln. Eine praktische Ausgabe kann jede Zeilenkennung neben dem Befund behalten. Das verbindet Daten und Antwort, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Nennen Sie für lange Texte Zielgruppe, Abschnitte und Quellfakten vor der Dokumentanforderung. Ein technischer Vorschlag kann Problem, Anforderungen, Alternativen und eine Empfehlung nur anhand des gelieferten Materials verlangen. Kennzeichnen Sie verpflichtende Bedingungen und offene Fragen. Der Hersteller entwickelt zudem Robustheit gegenüber verschiedenen Systemprompts für definierte Rolle, Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie Quell- und Ausgabesprache und liefern Sie eine Terminologieliste, wenn Namen oder Fachbegriffe konsistent bleiben müssen. Ein zweisprachiger Bericht kann dieselben Fakten in zwei Fassungen verlangen und Kennungen und Einheiten unverändert halten.
Modelldetails dieser Edition
32B-Instruct hat 32,5 Milliarden Parameter, davon 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Es verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist ein dichtes Decoder-only-Sprachmodell mit Vortraining und Nachtraining; Instruct bezeichnet die gesprächstrainierte Edition statt des Basismodells.
Die Karte nennt 131.072 Tokens vollständigen Kontext und bis zu 8.192 generierte Tokens. Das betrifft unterschiedliche Aufgabenteile: Kontext hält Prompt und Gespräch, die Generierungszahl begrenzt die schriftliche Antwort. Die 512 Schnellstarttokens sind nur ein Beispiel innerhalb der größeren genannten Grenze. Das Modell nimmt Text entgegen und liefert Text; für eine gescannte Tabelle oder einen Screenshot muss der Inhalt als Text bereitgestellt oder ein separates visuelles Modell eingesetzt werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Setzen Sie dauerhafte Antwortregeln in die geeignete Gesprächsrolle und Dokument, Tabelle oder Code zur Nutzeraufgabe. Markieren Sie die Grenze zwischen zitiertem Material und Anweisungen, damit eine Dokumentanweisung nicht zur vermeintlichen Anwendungsaufgabe wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. Die Anwendung stellt Beschreibungen bereit, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und liefert das Ergebnis. Das verbindet eine Textfrage mit einer Berechnung oder Datenabfrage; die Modellwahl allein liefert aber weder externes Werkzeug noch Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: eines formatiert Text, das andere fordert eine benannte Operation der Anwendung an.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32.768 Tokens. Darüber hinaus ist die dokumentierte YaRN-Erweiterung nötig, deren Beispiel den Faktor 4,0 und 32.768 ursprüngliche maximale Positionen nutzt. Der Hersteller warnt vor Auswirkungen statischer Skalierung auf kurze Texte und empfiehlt sie bei Bedarf an Langkontextverarbeitung.
Benennen Sie beim Vergleich großer Dokumente ihre Rollen und verlangen Sie ein definiertes Artefakt: Anforderungsmatrix, Abweichungsliste oder überarbeiteten Abschnitt. Bewahren Sie Quellorte neben Befunden und genügend Antwortraum für die Struktur. Langer Kontext hält relevantes Material zusammen, ersetzt aber nicht die Festlegung des Vergleichs und der späteren Ergebnisverwendung.
", "aboutText": "Qwen2.5-32B-Instruct ist das auf Anweisungen trainierte Textmodell in 32B-Größe der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Code und Mathematik und ist nicht der separat benannte Coder- oder Math-Spezialist. Der Hersteller betont detaillierte Anweisungsbefolgung, lange Texte, Tabellenverständnis und strukturierten Text, besonders JSON. Das Familien-Vortrainingskorpus wird mit bis zu 18 Billionen Tokens beschrieben.\n\nStrukturierte Daten, lange Antworten und mehrsprachige Arbeit\n\nEine nützliche Extraktion liefert den Quellabschnitt und die genauen Felder für den nächsten Anwendungsschritt. Definieren Sie Typen, Kopieren oder Zusammenfassen des Wortlauts und die Darstellung fehlender Informationen. Ein Produktdatensatz kann beispielsweise Kennung, Betriebsbedingungen und offene Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst wird, oder eine separate Erklärung, wenn eine Person die Herleitung der extrahierten Felder prüfen muss.\n\nTabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Liefern Sie Spaltennamen, Einheiten und relevante Zeilen mit der Frage. Lassen Sie Zeilen mit einer Bedingung bestimmen, Änderungen zwischen Zeiträumen erklären oder die Tabelle in einen Bericht verwandeln. Eine praktische Ausgabe kann jede Zeilenkennung neben dem Befund behalten. Das verbindet Daten und Antwort, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.\n\nNennen Sie für lange Texte Zielgruppe, Abschnitte und Quellfakten vor der Dokumentanforderung. Ein technischer Vorschlag kann Problem, Anforderungen, Alternativen und eine Empfehlung nur anhand des gelieferten Materials verlangen. Kennzeichnen Sie verpflichtende Bedingungen und offene Fragen. Der Hersteller entwickelt zudem Robustheit gegenüber verschiedenen Systemprompts für definierte Rolle, Ton und Gesprächsbedingungen.\n\nDie Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie Quell- und Ausgabesprache und liefern Sie eine Terminologieliste, wenn Namen oder Fachbegriffe konsistent bleiben müssen. Ein zweisprachiger Bericht kann dieselben Fakten in zwei Fassungen verlangen und Kennungen und Einheiten unverändert halten.\n\nModelldetails dieser Edition\n\n32B-Instruct hat 32,5 Milliarden Parameter, davon 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Es verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist ein dichtes Decoder-only-Sprachmodell mit Vortraining und Nachtraining; Instruct bezeichnet die gesprächstrainierte Edition statt des Basismodells.\n\nDie Karte nennt 131.072 Tokens vollständigen Kontext und bis zu 8.192 generierte Tokens. Das betrifft unterschiedliche Aufgabenteile: Kontext hält Prompt und Gespräch, die Generierungszahl begrenzt die schriftliche Antwort. Die 512 Schnellstarttokens sind nur ein Beispiel innerhalb der größeren genannten Grenze. Das Modell nimmt Text entgegen und liefert Text; für eine gescannte Tabelle oder einen Screenshot muss der Inhalt als Text bereitgestellt oder ein separates visuelles Modell eingesetzt werden.\n\nGespräch und Werkzeuge\n\nDie Modellkarte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Setzen Sie dauerhafte Antwortregeln in die geeignete Gesprächsrolle und Dokument, Tabelle oder Code zur Nutzeraufgabe. Markieren Sie die Grenze zwischen zitiertem Material und Anweisungen, damit eine Dokumentanweisung nicht zur vermeintlichen Anwendungsaufgabe wird.\n\nDie offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. Die Anwendung stellt Beschreibungen bereit, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und liefert das Ergebnis. Das verbindet eine Textfrage mit einer Berechnung oder Datenabfrage; die Modellwahl allein liefert aber weder externes Werkzeug noch Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: eines formatiert Text, das andere fordert eine benannte Operation der Anwendung an.\n\nLangkontextvorbereitung\n\nDie veröffentlichte Konfiguration beginnt bei 32.768 Tokens. Darüber hinaus ist die dokumentierte YaRN-Erweiterung nötig, deren Beispiel den Faktor 4,0 und 32.768 ursprüngliche maximale Positionen nutzt. Der Hersteller warnt vor Auswirkungen statischer Skalierung auf kurze Texte und empfiehlt sie bei Bedarf an Langkontextverarbeitung.\n\nBenennen Sie beim Vergleich großer Dokumente ihre Rollen und verlangen Sie ein definiertes Artefakt: Anforderungsmatrix, Abweichungsliste oder überarbeiteten Abschnitt. Bewahren Sie Quellorte neben Befunden und genügend Antwortraum für die Struktur. Langer Kontext hält relevantes Material zusammen, ersetzt aber nicht die Festlegung des Vergleichs und der späteren Ergebnisverwendung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Code, Mathematik und strukturierte Daten. Seine Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Langkontexteinstellungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen trainierte Textmodell in 32B-Größe der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Code und Mathematik und ist nicht der separat benannte Coder- oder Math-Spezialist. Der Hersteller betont detaillierte Anweisungsbefolgung, lange Texte, Tabellenverständnis und strukturierten Text, besonders JSON. Das Familien-Vortrainingskorpus wird mit bis zu 18 Billionen Tokens beschrieben.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktion liefert den Quellabschnitt und die genauen Felder für den nächsten Anwendungsschritt. Definieren Sie Typen, Kopieren oder Zusammenfassen des Wortlauts und die Darstellung fehlender Informationen. Ein Produktdatensatz kann beispielsweise Kennung, Betriebsbedingungen und offene Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst wird, oder eine separate Erklärung, wenn eine Person die Herleitung der extrahierten Felder prüfen muss.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Liefern Sie Spaltennamen, Einheiten und relevante Zeilen mit der Frage. Lassen Sie Zeilen mit einer Bedingung bestimmen, Änderungen zwischen Zeiträumen erklären oder die Tabelle in einen Bericht verwandeln. Eine praktische Ausgabe kann jede Zeilenkennung neben dem Befund behalten. Das verbindet Daten und Antwort, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Nennen Sie für lange Texte Zielgruppe, Abschnitte und Quellfakten vor der Dokumentanforderung. Ein technischer Vorschlag kann Problem, Anforderungen, Alternativen und eine Empfehlung nur anhand des gelieferten Materials verlangen. Kennzeichnen Sie verpflichtende Bedingungen und offene Fragen. Der Hersteller entwickelt zudem Robustheit gegenüber verschiedenen Systemprompts für definierte Rolle, Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie Quell- und Ausgabesprache und liefern Sie eine Terminologieliste, wenn Namen oder Fachbegriffe konsistent bleiben müssen. Ein zweisprachiger Bericht kann dieselben Fakten in zwei Fassungen verlangen und Kennungen und Einheiten unverändert halten.
Modelldetails dieser Edition
32B-Instruct hat 32,5 Milliarden Parameter, davon 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Es verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist ein dichtes Decoder-only-Sprachmodell mit Vortraining und Nachtraining; Instruct bezeichnet die gesprächstrainierte Edition statt des Basismodells.
Die Karte nennt 131.072 Tokens vollständigen Kontext und bis zu 8.192 generierte Tokens. Das betrifft unterschiedliche Aufgabenteile: Kontext hält Prompt und Gespräch, die Generierungszahl begrenzt die schriftliche Antwort. Die 512 Schnellstarttokens sind nur ein Beispiel innerhalb der größeren genannten Grenze. Das Modell nimmt Text entgegen und liefert Text; für eine gescannte Tabelle oder einen Screenshot muss der Inhalt als Text bereitgestellt oder ein separates visuelles Modell eingesetzt werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Setzen Sie dauerhafte Antwortregeln in die geeignete Gesprächsrolle und Dokument, Tabelle oder Code zur Nutzeraufgabe. Markieren Sie die Grenze zwischen zitiertem Material und Anweisungen, damit eine Dokumentanweisung nicht zur vermeintlichen Anwendungsaufgabe wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. Die Anwendung stellt Beschreibungen bereit, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und liefert das Ergebnis. Das verbindet eine Textfrage mit einer Berechnung oder Datenabfrage; die Modellwahl allein liefert aber weder externes Werkzeug noch Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: eines formatiert Text, das andere fordert eine benannte Operation der Anwendung an.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32.768 Tokens. Darüber hinaus ist die dokumentierte YaRN-Erweiterung nötig, deren Beispiel den Faktor 4,0 und 32.768 ursprüngliche maximale Positionen nutzt. Der Hersteller warnt vor Auswirkungen statischer Skalierung auf kurze Texte und empfiehlt sie bei Bedarf an Langkontextverarbeitung.
Benennen Sie beim Vergleich großer Dokumente ihre Rollen und verlangen Sie ein definiertes Artefakt: Anforderungsmatrix, Abweichungsliste oder überarbeiteten Abschnitt. Bewahren Sie Quellorte neben Befunden und genügend Antwortraum für die Struktur. Langer Kontext hält relevantes Material zusammen, ersetzt aber nicht die Festlegung des Vergleichs und der späteren Ergebnisverwendung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-32B-Instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.00036 / 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/Qwen2.5-32B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Code, Mathematik und strukturierte Daten. Seine Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Langkontexteinstellungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen trainierte Textmodell in 32B-Größe der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Code und Mathematik und ist nicht der separat benannte Coder- oder Math-Spezialist. Der Hersteller betont detaillierte Anweisungsbefolgung, lange Texte, Tabellenverständnis und strukturierten Text, besonders JSON. Das Familien-Vortrainingskorpus wird mit bis zu 18 Billionen Tokens beschrieben.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktion liefert den Quellabschnitt und die genauen Felder für den nächsten Anwendungsschritt. Definieren Sie Typen, Kopieren oder Zusammenfassen des Wortlauts und die Darstellung fehlender Informationen. Ein Produktdatensatz kann beispielsweise Kennung, Betriebsbedingungen und offene Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst wird, oder eine separate Erklärung, wenn eine Person die Herleitung der extrahierten Felder prüfen muss.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Liefern Sie Spaltennamen, Einheiten und relevante Zeilen mit der Frage. Lassen Sie Zeilen mit einer Bedingung bestimmen, Änderungen zwischen Zeiträumen erklären oder die Tabelle in einen Bericht verwandeln. Eine praktische Ausgabe kann jede Zeilenkennung neben dem Befund behalten. Das verbindet Daten und Antwort, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Nennen Sie für lange Texte Zielgruppe, Abschnitte und Quellfakten vor der Dokumentanforderung. Ein technischer Vorschlag kann Problem, Anforderungen, Alternativen und eine Empfehlung nur anhand des gelieferten Materials verlangen. Kennzeichnen Sie verpflichtende Bedingungen und offene Fragen. Der Hersteller entwickelt zudem Robustheit gegenüber verschiedenen Systemprompts für definierte Rolle, Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie Quell- und Ausgabesprache und liefern Sie eine Terminologieliste, wenn Namen oder Fachbegriffe konsistent bleiben müssen. Ein zweisprachiger Bericht kann dieselben Fakten in zwei Fassungen verlangen und Kennungen und Einheiten unverändert halten.
Modelldetails dieser Edition
32B-Instruct hat 32,5 Milliarden Parameter, davon 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Es verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist ein dichtes Decoder-only-Sprachmodell mit Vortraining und Nachtraining; Instruct bezeichnet die gesprächstrainierte Edition statt des Basismodells.
Die Karte nennt 131.072 Tokens vollständigen Kontext und bis zu 8.192 generierte Tokens. Das betrifft unterschiedliche Aufgabenteile: Kontext hält Prompt und Gespräch, die Generierungszahl begrenzt die schriftliche Antwort. Die 512 Schnellstarttokens sind nur ein Beispiel innerhalb der größeren genannten Grenze. Das Modell nimmt Text entgegen und liefert Text; für eine gescannte Tabelle oder einen Screenshot muss der Inhalt als Text bereitgestellt oder ein separates visuelles Modell eingesetzt werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Setzen Sie dauerhafte Antwortregeln in die geeignete Gesprächsrolle und Dokument, Tabelle oder Code zur Nutzeraufgabe. Markieren Sie die Grenze zwischen zitiertem Material und Anweisungen, damit eine Dokumentanweisung nicht zur vermeintlichen Anwendungsaufgabe wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. Die Anwendung stellt Beschreibungen bereit, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und liefert das Ergebnis. Das verbindet eine Textfrage mit einer Berechnung oder Datenabfrage; die Modellwahl allein liefert aber weder externes Werkzeug noch Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: eines formatiert Text, das andere fordert eine benannte Operation der Anwendung an.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32.768 Tokens. Darüber hinaus ist die dokumentierte YaRN-Erweiterung nötig, deren Beispiel den Faktor 4,0 und 32.768 ursprüngliche maximale Positionen nutzt. Der Hersteller warnt vor Auswirkungen statischer Skalierung auf kurze Texte und empfiehlt sie bei Bedarf an Langkontextverarbeitung.
Benennen Sie beim Vergleich großer Dokumente ihre Rollen und verlangen Sie ein definiertes Artefakt: Anforderungsmatrix, Abweichungsliste oder überarbeiteten Abschnitt. Bewahren Sie Quellorte neben Befunden und genügend Antwortraum für die Struktur. Langer Kontext hält relevantes Material zusammen, ersetzt aber nicht die Festlegung des Vergleichs und der späteren Ergebnisverwendung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2.5-32B-Instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.00036 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Code, Mathematik und strukturierte Daten. Seine Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Langkontexteinstellungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen trainierte Textmodell in 32B-Größe der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Code und Mathematik und ist nicht der separat benannte Coder- oder Math-Spezialist. Der Hersteller betont detaillierte Anweisungsbefolgung, lange Texte, Tabellenverständnis und strukturierten Text, besonders JSON. Das Familien-Vortrainingskorpus wird mit bis zu 18 Billionen Tokens beschrieben.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktion liefert den Quellabschnitt und die genauen Felder für den nächsten Anwendungsschritt. Definieren Sie Typen, Kopieren oder Zusammenfassen des Wortlauts und die Darstellung fehlender Informationen. Ein Produktdatensatz kann beispielsweise Kennung, Betriebsbedingungen und offene Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst wird, oder eine separate Erklärung, wenn eine Person die Herleitung der extrahierten Felder prüfen muss.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Liefern Sie Spaltennamen, Einheiten und relevante Zeilen mit der Frage. Lassen Sie Zeilen mit einer Bedingung bestimmen, Änderungen zwischen Zeiträumen erklären oder die Tabelle in einen Bericht verwandeln. Eine praktische Ausgabe kann jede Zeilenkennung neben dem Befund behalten. Das verbindet Daten und Antwort, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Nennen Sie für lange Texte Zielgruppe, Abschnitte und Quellfakten vor der Dokumentanforderung. Ein technischer Vorschlag kann Problem, Anforderungen, Alternativen und eine Empfehlung nur anhand des gelieferten Materials verlangen. Kennzeichnen Sie verpflichtende Bedingungen und offene Fragen. Der Hersteller entwickelt zudem Robustheit gegenüber verschiedenen Systemprompts für definierte Rolle, Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie Quell- und Ausgabesprache und liefern Sie eine Terminologieliste, wenn Namen oder Fachbegriffe konsistent bleiben müssen. Ein zweisprachiger Bericht kann dieselben Fakten in zwei Fassungen verlangen und Kennungen und Einheiten unverändert halten.
Modelldetails dieser Edition
32B-Instruct hat 32,5 Milliarden Parameter, davon 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Es verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist ein dichtes Decoder-only-Sprachmodell mit Vortraining und Nachtraining; Instruct bezeichnet die gesprächstrainierte Edition statt des Basismodells.
Die Karte nennt 131.072 Tokens vollständigen Kontext und bis zu 8.192 generierte Tokens. Das betrifft unterschiedliche Aufgabenteile: Kontext hält Prompt und Gespräch, die Generierungszahl begrenzt die schriftliche Antwort. Die 512 Schnellstarttokens sind nur ein Beispiel innerhalb der größeren genannten Grenze. Das Modell nimmt Text entgegen und liefert Text; für eine gescannte Tabelle oder einen Screenshot muss der Inhalt als Text bereitgestellt oder ein separates visuelles Modell eingesetzt werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Setzen Sie dauerhafte Antwortregeln in die geeignete Gesprächsrolle und Dokument, Tabelle oder Code zur Nutzeraufgabe. Markieren Sie die Grenze zwischen zitiertem Material und Anweisungen, damit eine Dokumentanweisung nicht zur vermeintlichen Anwendungsaufgabe wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. Die Anwendung stellt Beschreibungen bereit, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und liefert das Ergebnis. Das verbindet eine Textfrage mit einer Berechnung oder Datenabfrage; die Modellwahl allein liefert aber weder externes Werkzeug noch Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: eines formatiert Text, das andere fordert eine benannte Operation der Anwendung an.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32.768 Tokens. Darüber hinaus ist die dokumentierte YaRN-Erweiterung nötig, deren Beispiel den Faktor 4,0 und 32.768 ursprüngliche maximale Positionen nutzt. Der Hersteller warnt vor Auswirkungen statischer Skalierung auf kurze Texte und empfiehlt sie bei Bedarf an Langkontextverarbeitung.
Benennen Sie beim Vergleich großer Dokumente ihre Rollen und verlangen Sie ein definiertes Artefakt: Anforderungsmatrix, Abweichungsliste oder überarbeiteten Abschnitt. Bewahren Sie Quellorte neben Befunden und genügend Antwortraum für die Struktur. Langer Kontext hält relevantes Material zusammen, ersetzt aber nicht die Festlegung des Vergleichs und der späteren Ergebnisverwendung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-32b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.00036 / 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":"qwen2.5-32b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-32b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct ist ein mehrsprachiges Textmodell für detaillierte Anweisungen, Code, Mathematik und strukturierte Daten. Seine Edition mit 32,5 Milliarden Parametern betont Tabellenverständnis, JSON-Ausgabe und lange schriftliche Ergebnisse mit dokumentierten Langkontexteinstellungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-32B-Instruct ist das auf Anweisungen trainierte Textmodell in 32B-Größe der allgemeinen Qwen2.5-Familie. Es verbindet Sprachverständnis und Generierung mit Code und Mathematik und ist nicht der separat benannte Coder- oder Math-Spezialist. Der Hersteller betont detaillierte Anweisungsbefolgung, lange Texte, Tabellenverständnis und strukturierten Text, besonders JSON. Das Familien-Vortrainingskorpus wird mit bis zu 18 Billionen Tokens beschrieben.
Strukturierte Daten, lange Antworten und mehrsprachige Arbeit
Eine nützliche Extraktion liefert den Quellabschnitt und die genauen Felder für den nächsten Anwendungsschritt. Definieren Sie Typen, Kopieren oder Zusammenfassen des Wortlauts und die Darstellung fehlender Informationen. Ein Produktdatensatz kann beispielsweise Kennung, Betriebsbedingungen und offene Fragen verlangen. Fordern Sie nur den JSON-Datensatz an, wenn er geparst wird, oder eine separate Erklärung, wenn eine Person die Herleitung der extrahierten Felder prüfen muss.
Tabellenverständnis ist ein weiterer dokumentierter Schwerpunkt. Liefern Sie Spaltennamen, Einheiten und relevante Zeilen mit der Frage. Lassen Sie Zeilen mit einer Bedingung bestimmen, Änderungen zwischen Zeiträumen erklären oder die Tabelle in einen Bericht verwandeln. Eine praktische Ausgabe kann jede Zeilenkennung neben dem Befund behalten. Das verbindet Daten und Antwort, statt eine Zusammenfassung ohne nachvollziehbare Quellzeile zu erzeugen.
Nennen Sie für lange Texte Zielgruppe, Abschnitte und Quellfakten vor der Dokumentanforderung. Ein technischer Vorschlag kann Problem, Anforderungen, Alternativen und eine Empfehlung nur anhand des gelieferten Materials verlangen. Kennzeichnen Sie verpflichtende Bedingungen und offene Fragen. Der Hersteller entwickelt zudem Robustheit gegenüber verschiedenen Systemprompts für definierte Rolle, Ton und Gesprächsbedingungen.
Die Familie unterstützt mehr als 29 Sprachen, darunter Englisch, Chinesisch, Russisch, Französisch, Spanisch, Portugiesisch, Deutsch, Italienisch, Japanisch, Koreanisch, Vietnamesisch, Thai und Arabisch. Unterscheiden Sie Quell- und Ausgabesprache und liefern Sie eine Terminologieliste, wenn Namen oder Fachbegriffe konsistent bleiben müssen. Ein zweisprachiger Bericht kann dieselben Fakten in zwei Fassungen verlangen und Kennungen und Einheiten unverändert halten.
Modelldetails dieser Edition
32B-Instruct hat 32,5 Milliarden Parameter, davon 31,0 Milliarden ohne Embedding-Parameter, und 64 Transformer-Schichten. Es verwendet rotierende Positionsembeddings, SwiGLU, RMSNorm und Attention-QKV-Bias. Grouped-Query Attention nutzt 40 Query-Köpfe und 8 Key/Value-Köpfe. Dies ist ein dichtes Decoder-only-Sprachmodell mit Vortraining und Nachtraining; Instruct bezeichnet die gesprächstrainierte Edition statt des Basismodells.
Die Karte nennt 131.072 Tokens vollständigen Kontext und bis zu 8.192 generierte Tokens. Das betrifft unterschiedliche Aufgabenteile: Kontext hält Prompt und Gespräch, die Generierungszahl begrenzt die schriftliche Antwort. Die 512 Schnellstarttokens sind nur ein Beispiel innerhalb der größeren genannten Grenze. Das Modell nimmt Text entgegen und liefert Text; für eine gescannte Tabelle oder einen Screenshot muss der Inhalt als Text bereitgestellt oder ein separates visuelles Modell eingesetzt werden.
Gespräch und Werkzeuge
Die Modellkarte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Setzen Sie dauerhafte Antwortregeln in die geeignete Gesprächsrolle und Dokument, Tabelle oder Code zur Nutzeraufgabe. Markieren Sie die Grenze zwischen zitiertem Material und Anweisungen, damit eine Dokumentanweisung nicht zur vermeintlichen Anwendungsaufgabe wird.
Die offizielle Familienankündigung dokumentiert Werkzeugaufrufe über kompatible Gesprächsvorlagen und Bereitstellungsintegrationen. Die Anwendung stellt Beschreibungen bereit, empfängt den vorgeschlagenen Aufruf, führt die Funktion aus und liefert das Ergebnis. Das verbindet eine Textfrage mit einer Berechnung oder Datenabfrage; die Modellwahl allein liefert aber weder externes Werkzeug noch Daten. JSON-Generierung und Werkzeugaufruf sind ebenfalls unterschiedliche Ergebnisse: eines formatiert Text, das andere fordert eine benannte Operation der Anwendung an.
Langkontextvorbereitung
Die veröffentlichte Konfiguration beginnt bei 32.768 Tokens. Darüber hinaus ist die dokumentierte YaRN-Erweiterung nötig, deren Beispiel den Faktor 4,0 und 32.768 ursprüngliche maximale Positionen nutzt. Der Hersteller warnt vor Auswirkungen statischer Skalierung auf kurze Texte und empfiehlt sie bei Bedarf an Langkontextverarbeitung.
Benennen Sie beim Vergleich großer Dokumente ihre Rollen und verlangen Sie ein definiertes Artefakt: Anforderungsmatrix, Abweichungsliste oder überarbeiteten Abschnitt. Bewahren Sie Quellorte neben Befunden und genügend Antwortraum für die Struktur. Langer Kontext hält relevantes Material zusammen, ersetzt aber nicht die Festlegung des Vergleichs und der späteren Ergebnisverwendung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-32b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.00036 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Technisches Beispiel auf Englisch
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.