Qwen2.5-Math-72B-Instruct ist die anweisungsoptimierte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller zielt ausdrücklich auf englische und chinesische mathematische Probleme und beschreibt zwei Ansätze: Chain-of-Thought-Reasoning und werkzeugintegriertes Reasoning. Das Modell nimmt eine schriftliche mathematische Bedingung entgegen und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Es ist auf Mathematik spezialisiert, nicht auf allgemeines kreatives Schreiben oder Dokumentverarbeitung.
Mathematische Fähigkeiten und Reasoning-Ansätze
Beim textuellen Reasoning fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte abschließende Antwort an. Die Modellkarte beschreibt auch werkzeugintegriertes Reasoning, bei dem natürlichsprachliches Reasoning mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.
Werkzeugintegriertes Reasoning ist nicht dasselbe, wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis wird dann Teil der Lösung. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Reasoning, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.
Base-, Instruct- und Reward-Modell-Ausgaben
Die Familie umfasst separate Basismodelle, anweisungsoptimierte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Chat-Anweisungen vorgesehen. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Anwendungen sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzlich synthetisiertes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Phase nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten zu werkzeugintegriertem Reasoning sowie englische und chinesische Anweisungsdaten. Dies erklärt die mathematische Ausrichtung der Ausgabe; es bedeutet nicht, dass für jede Nutzeranfrage automatisch eine separate Prüfinstanz aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu bestimmende Größe oder nachzuweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine nützliche Anweisung kann Methode, wichtige Umformungen und endgültiges Ergebnis verlangen, mit einer getrennten Prüfung anhand der ursprünglichen Bedingungen.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze durch die Anweisungen. Eine Anfrage für textuelles Reasoning verlangt eine schrittweise Lösung und eine eingerahmte abschließende Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Reasoning mit Programmen zu verbinden und dieselbe Konvention für die abschließende Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen zu Werkzeugen, die jede Bereitstellungsschnittstelle anbietet.
Zur Veranschaulichung lautet die einfache Gleichung der Modellkarte 4x + 5 = 6x + 7. Ein nützlicher Ausgabeentwurf trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese beispielhafte Bedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix vorgeben, eine symbolische Herleitung der Eigenwerte verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4.096, sodass Prompt und ausgearbeitete Lösung eine kompakte Längenplanung benötigen. Ordnen Sie dieser mathematischen Ausgabe nicht den deutlich größeren Kontext zu, der für die allgemeine Qwen2.5-Reihe beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe vorgegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.
Inhaltliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben außerhalb dieser Spezialisierung. Die Gewichte gehören zu Textgenerierungsmodellen; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lern-Workflow den Herleitungsversuch des Lernenden bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine abschließende Antwort in der gewünschten Detailtiefe an. Legen Sie für eine technische Berechnung vor der Wahl zwischen textuellem Reasoning und einem rechnergestützten Workflow die gewünschte Ausgabeart (exakt oder angenähert), die Einheiten und die Rundung fest. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
", "aboutText": "Qwen2.5-Math-72B-Instruct ist die anweisungsoptimierte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller zielt ausdrücklich auf englische und chinesische mathematische Probleme und beschreibt zwei Ansätze: Chain-of-Thought-Reasoning und werkzeugintegriertes Reasoning. Das Modell nimmt eine schriftliche mathematische Bedingung entgegen und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Es ist auf Mathematik spezialisiert, nicht auf allgemeines kreatives Schreiben oder Dokumentverarbeitung.\n\nMathematische Fähigkeiten und Reasoning-Ansätze\n\nBeim textuellen Reasoning fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte abschließende Antwort an. Die Modellkarte beschreibt auch werkzeugintegriertes Reasoning, bei dem natürlichsprachliches Reasoning mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.\n\nWerkzeugintegriertes Reasoning ist nicht dasselbe, wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis wird dann Teil der Lösung. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Reasoning, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.\n\nBase-, Instruct- und Reward-Modell-Ausgaben\n\nDie Familie umfasst separate Basismodelle, anweisungsoptimierte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Chat-Anweisungen vorgesehen. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Anwendungen sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.\n\nDie Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzlich synthetisiertes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Phase nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten zu werkzeugintegriertem Reasoning sowie englische und chinesische Anweisungsdaten. Dies erklärt die mathematische Ausrichtung der Ausgabe; es bedeutet nicht, dass für jede Nutzeranfrage automatisch eine separate Prüfinstanz aufgerufen wird.\n\nDie Frage vorbereiten\n\nHalten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu bestimmende Größe oder nachzuweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine nützliche Anweisung kann Methode, wichtige Umformungen und endgültiges Ergebnis verlangen, mit einer getrennten Prüfung anhand der ursprünglichen Bedingungen.\n\nDer Schnellstart des Herstellers unterscheidet die beiden Ansätze durch die Anweisungen. Eine Anfrage für textuelles Reasoning verlangt eine schrittweise Lösung und eine eingerahmte abschließende Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Reasoning mit Programmen zu verbinden und dieselbe Konvention für die abschließende Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen zu Werkzeugen, die jede Bereitstellungsschnittstelle anbietet.\n\nZur Veranschaulichung lautet die einfache Gleichung der Modellkarte 4x + 5 = 6x + 7. Ein nützlicher Ausgabeentwurf trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese beispielhafte Bedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix vorgeben, eine symbolische Herleitung der Eigenwerte verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.\n\nKontext und Konfiguration\n\nDie veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4.096, sodass Prompt und ausgearbeitete Lösung eine kompakte Längenplanung benötigen. Ordnen Sie dieser mathematischen Ausgabe nicht den deutlich größeren Kontext zu, der für die allgemeine Qwen2.5-Reihe beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.\n\nDie Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe vorgegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.\n\nInhaltliche Grenzen und nützliche Ergebnisse\n\nDer Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben außerhalb dieser Spezialisierung. Die Gewichte gehören zu Textgenerierungsmodellen; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.\n\nStellen Sie für einen Lern-Workflow den Herleitungsversuch des Lernenden bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine abschließende Antwort in der gewünschten Detailtiefe an. Legen Sie für eine technische Berechnung vor der Wahl zwischen textuellem Reasoning und einem rechnergestützten Workflow die gewünschte Ausgabeart (exakt oder angenähert), die Einheiten und die Rundung fest. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct ist ein mathematisches Anweisungsmodell für englische und chinesische Aufgaben. Es unterstützt ausgearbeitetes textuelles Reasoning und werkzeugintegrierte mathematische Workflows mit einer eigenen 4K-Veröffentlichungskonfiguration anstelle der allgemeinen Langkontextspezifikationen von Qwen2.5.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Math-72B-Instruct ist die anweisungsoptimierte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller zielt ausdrücklich auf englische und chinesische mathematische Probleme und beschreibt zwei Ansätze: Chain-of-Thought-Reasoning und werkzeugintegriertes Reasoning. Das Modell nimmt eine schriftliche mathematische Bedingung entgegen und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Es ist auf Mathematik spezialisiert, nicht auf allgemeines kreatives Schreiben oder Dokumentverarbeitung.
Mathematische Fähigkeiten und Reasoning-Ansätze
Beim textuellen Reasoning fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte abschließende Antwort an. Die Modellkarte beschreibt auch werkzeugintegriertes Reasoning, bei dem natürlichsprachliches Reasoning mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.
Werkzeugintegriertes Reasoning ist nicht dasselbe, wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis wird dann Teil der Lösung. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Reasoning, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.
Base-, Instruct- und Reward-Modell-Ausgaben
Die Familie umfasst separate Basismodelle, anweisungsoptimierte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Chat-Anweisungen vorgesehen. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Anwendungen sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzlich synthetisiertes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Phase nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten zu werkzeugintegriertem Reasoning sowie englische und chinesische Anweisungsdaten. Dies erklärt die mathematische Ausrichtung der Ausgabe; es bedeutet nicht, dass für jede Nutzeranfrage automatisch eine separate Prüfinstanz aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu bestimmende Größe oder nachzuweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine nützliche Anweisung kann Methode, wichtige Umformungen und endgültiges Ergebnis verlangen, mit einer getrennten Prüfung anhand der ursprünglichen Bedingungen.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze durch die Anweisungen. Eine Anfrage für textuelles Reasoning verlangt eine schrittweise Lösung und eine eingerahmte abschließende Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Reasoning mit Programmen zu verbinden und dieselbe Konvention für die abschließende Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen zu Werkzeugen, die jede Bereitstellungsschnittstelle anbietet.
Zur Veranschaulichung lautet die einfache Gleichung der Modellkarte 4x + 5 = 6x + 7. Ein nützlicher Ausgabeentwurf trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese beispielhafte Bedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix vorgeben, eine symbolische Herleitung der Eigenwerte verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4.096, sodass Prompt und ausgearbeitete Lösung eine kompakte Längenplanung benötigen. Ordnen Sie dieser mathematischen Ausgabe nicht den deutlich größeren Kontext zu, der für die allgemeine Qwen2.5-Reihe beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe vorgegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.
Inhaltliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben außerhalb dieser Spezialisierung. Die Gewichte gehören zu Textgenerierungsmodellen; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lern-Workflow den Herleitungsversuch des Lernenden bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine abschließende Antwort in der gewünschten Detailtiefe an. Legen Sie für eine technische Berechnung vor der Wahl zwischen textuellem Reasoning und einem rechnergestützten Workflow die gewünschte Ausgabeart (exakt oder angenähert), die Einheiten und die Rundung fest. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-math-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.001144 / 1K Token Ausgabe · Ausgabetoken $0.00344 / 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-math-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-math-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-math-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-math-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct ist ein mathematisches Anweisungsmodell für englische und chinesische Aufgaben. Es unterstützt ausgearbeitetes textuelles Reasoning und werkzeugintegrierte mathematische Workflows mit einer eigenen 4K-Veröffentlichungskonfiguration anstelle der allgemeinen Langkontextspezifikationen von Qwen2.5.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-Math-72B-Instruct ist die anweisungsoptimierte 72B-Ausgabe der mathematischen Qwen2.5-Math-Familie. Ihr Hersteller zielt ausdrücklich auf englische und chinesische mathematische Probleme und beschreibt zwei Ansätze: Chain-of-Thought-Reasoning und werkzeugintegriertes Reasoning. Das Modell nimmt eine schriftliche mathematische Bedingung entgegen und gibt Text mit einer Herleitung, Erklärung oder Lösung zurück. Es ist auf Mathematik spezialisiert, nicht auf allgemeines kreatives Schreiben oder Dokumentverarbeitung.
Mathematische Fähigkeiten und Reasoning-Ansätze
Beim textuellen Reasoning fordert die Aufgabe die relevanten Definitionen, begründete Umformungen und eine klar getrennte abschließende Antwort an. Die Modellkarte beschreibt auch werkzeugintegriertes Reasoning, bei dem natürlichsprachliches Reasoning mit Programmen kombiniert wird. Der Hersteller nennt das Finden der Nullstellen einer quadratischen Gleichung und das Berechnen der Eigenwerte einer Matrix als Beispiele, bei denen präzise Berechnungen sowie symbolische oder algorithmische Umformungen wichtig sind.
Werkzeugintegriertes Reasoning ist nicht dasselbe, wie lediglich Code in einer Antwort anzuzeigen. Die mathematische Demo des Herstellers stellt eine Umgebung bereit, die Programme ausführen kann; das Berechnungsergebnis wird dann Teil der Lösung. Eine eigenständige Textgenerierungsanfrage erzeugt Text; eine Anwendung mit einem rechnergestützten Workflow muss den tatsächlichen Ausführungsschritt bereitstellen. Diese Unterscheidung hält mathematisches Reasoning, Programmvorschläge und zurückgegebene numerische Ergebnisse getrennt.
Base-, Instruct- und Reward-Modell-Ausgaben
Die Familie umfasst separate Basismodelle, anweisungsoptimierte Modelle und ein mathematisches Reward-Modell. Die Ausgabe 72B-Instruct ist für Chat-Anweisungen vorgesehen. Die Basisausgabe Qwen2.5-Math-72B wird als Grundlage für Vervollständigung und Few-Shot-Anwendungen sowie als Ausgangspunkt für weiteres Tuning beschrieben. Das separat benannte Reward-Modell hat eine eigene Rolle und darf nicht als gewöhnlicher Antwortgenerator dieses Modells behandelt werden.
Die Veröffentlichungsankündigung beschreibt eine mathematisch spezialisierte Trainingspipeline. Die Basismodelle verwenden zusätzlich synthetisiertes mathematisches Material, mehr chinesische Mathematikdaten und eine Initialisierung aus der Qwen2.5-Grundlage. Die Instruct-Phase nutzt überwachtes Fine-Tuning und Reinforcement Learning, wobei ein mathematikspezifisches Reward-Modell Rejection Sampling und spätere Optimierung steuert. Der Hersteller ergänzt Daten zu werkzeugintegriertem Reasoning sowie englische und chinesische Anweisungsdaten. Dies erklärt die mathematische Ausrichtung der Ausgabe; es bedeutet nicht, dass für jede Nutzeranfrage automatisch eine separate Prüfinstanz aufgerufen wird.
Die Frage vorbereiten
Halten Sie die mathematische Aufgabenstellung vollständig. Definieren Sie Variablen, Einschränkungen des Definitionsbereichs und die zu bestimmende Größe oder nachzuweisende Aussage. Verwenden Sie eine Notation, die zwischen ursprünglicher Bedingung und angeforderter Antwort konsistent bleibt. Eine nützliche Anweisung kann Methode, wichtige Umformungen und endgültiges Ergebnis verlangen, mit einer getrennten Prüfung anhand der ursprünglichen Bedingungen.
Der Schnellstart des Herstellers unterscheidet die beiden Ansätze durch die Anweisungen. Eine Anfrage für textuelles Reasoning verlangt eine schrittweise Lösung und eine eingerahmte abschließende Antwort. Eine werkzeugintegrierte Anfrage fordert das Modell auf, natürlichsprachliches Reasoning mit Programmen zu verbinden und dieselbe Konvention für die abschließende Antwort beizubehalten. Dies sind dokumentierte mathematische Workflows und kein separates Versprechen zu Werkzeugen, die jede Bereitstellungsschnittstelle anbietet.
Zur Veranschaulichung lautet die einfache Gleichung der Modellkarte 4x + 5 = 6x + 7. Ein nützlicher Ausgabeentwurf trennt das Zusammenfassen der Variablenterme, das Isolieren der Variablen und den endgültigen Ausdruck; das mathematische Ergebnis für diese beispielhafte Bedingung ist x = -1. Einsetzen ergibt 4(-1) + 5 = 1 und 6(-1) + 7 = 1, sodass beide Seiten übereinstimmen. Eine anspruchsvollere Anfrage kann eine Matrix vorgeben, eine symbolische Herleitung der Eigenwerte verlangen und benennen, welche numerische Berechnung an die Rechenumgebung delegiert würde.
Kontext und Konfiguration
Die veröffentlichte Ausgabe beschreibt mathematisches Vortraining mit einem 4K-Kontext. Die veröffentlichte Modellkonfiguration setzt die maximale Positionsanzahl auf 4.096, sodass Prompt und ausgearbeitete Lösung eine kompakte Längenplanung benötigen. Ordnen Sie dieser mathematischen Ausgabe nicht den deutlich größeren Kontext zu, der für die allgemeine Qwen2.5-Reihe beworben wird. Halten Sie relevante Bedingungen und mathematische Arbeit zusammen und lassen Sie sachfremdes Material weg, das diesen Platz verbrauchen würde.
Die Schnellstart-Generierung der Modellkarte verwendet eine Beispieleinstellung von 512 Tokens. Dieser Wert wird nicht als maximale Ausgabekapazität dargestellt. Eine gewünschte Antwortlänge kann für die Aufgabe vorgegeben werden; eine separate Ausgabegrenze sollte jedoch aus der tatsächlich geltenden Konfiguration stammen und nicht aus einem Beispiel oder einer anderen Qwen-Ausgabe.
Inhaltliche Grenzen und nützliche Ergebnisse
Der Hersteller empfiehlt diese Serie für mathematische Aufgaben in Englisch und Chinesisch und empfiehlt keine allgemeinen Aufgaben außerhalb dieser Spezialisierung. Die Gewichte gehören zu Textgenerierungsmodellen; bei einer mathematischen Frage in einem Bild müssen Symbole und Bedingungen durch einen separaten visuellen oder OCR-Schritt in Text umgewandelt werden. Eine multimodale Demonstration, die visuelle und mathematische Modelle kombiniert, macht die mathematische Ausgabe selbst nicht zu einem Modell mit Bildeingabe.
Stellen Sie für einen Lern-Workflow den Herleitungsversuch des Lernenden bereit und markieren Sie den erklärungsbedürftigen Übergang. Fordern Sie eine Korrektur in der ursprünglichen Notation und eine abschließende Antwort in der gewünschten Detailtiefe an. Legen Sie für eine technische Berechnung vor der Wahl zwischen textuellem Reasoning und einem rechnergestützten Workflow die gewünschte Ausgabeart (exakt oder angenähert), die Einheiten und die Rundung fest. Diese Vorbereitungen verbinden die mathematische Spezialisierung des Modells mit einer konkreten, prüfbaren Lösung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-math-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.001144 / 1K Token Ausgabe · Ausgabetoken $0.00344 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-math-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-math-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-math-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-math-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.