Qwen2-7B-Instruct ist die auf Anweisungen trainierte Qwen2-Edition in 7B-Größe für Gespräche und natürlichsprachlich formulierte Aufgaben. Das Modell nimmt Text entgegen und gibt Text aus: Erklärungen, Übersetzungen, Dokumententwürfe oder Programmcode. Der Hersteller nennt Sprachverständnis, Generierung, mehrsprachige Arbeit, Programmierung, Mathematik und Schlussfolgern als Hauptanwendungen.
Modelldetails
Qwen2 umfasst separate Basis- und anweisungstrainierte Veröffentlichungen. Diese Karte betrifft die Instruct-Edition, nicht das Qwen2-7B-Basismodell oder die Mixture-of-Experts-Veröffentlichung der Familie. Die Modellinformationstabelle nennt 7,07 Milliarden Parameter für das Modell in 7B-Größe. Sein Decoder-Transformer verwendet SwiGLU, Attention-QKV-Bias und Grouped-Query Attention sowie einen für natürliche Sprachen und Code entwickelten Tokenizer. Dies sind Architektur- und Darstellungsentscheidungen, keine zusätzlichen Eingabemodalitäten.
Die Veröffentlichungsankündigung beschreibt Training in Englisch und Chinesisch sowie 27 zusätzlichen Sprachen. Dazu zählen Russisch, Tschechisch und Polnisch; Deutsch, Französisch und Spanisch; Arabisch, Persisch und Türkisch; Japanisch und Koreanisch sowie weitere Sprachen Süd- und Südostasiens. Ein mehrsprachiger Assistent kann deshalb Anweisungen und Quellmaterial in unterschiedlichen Sprachen erhalten; Sprache, Terminologie und Zielgruppe des endgültigen Artefakts sollten trotzdem ausdrücklich genannt werden.
Training und die Instruct-Unterscheidung
Nach dem Vortraining nutzt der Hersteller überwachtes Fine-Tuning und direkte Präferenzoptimierung. Die anweisungstrainierte Edition soll auf eine Anfrage im Gespräch reagieren; die Basisedition hat eine andere Rolle als Sprachmodellgrundlage. Halten Sie den Editionsnamen bei Modellauswahl oder Promptvergleichen ausdrücklich fest. Training für Anweisungsbefolgung und eine präzise Anweisung bei der Nutzung ergänzen sich in diesem Ablauf.
Vorbereitung einer Gesprächseingabe
Der Schnellstart der Modellkarte trennt die Systemanweisung von der Nutzerfrage und wendet vor der Generierung die passende Chatvorlage an. Für Aufgaben auf Anwendungsebene ist diese praktische Trennung ebenso nützlich: Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom Quellabschnitt oder Code. Eine Textkennzeichnung in einem Dokument ersetzt keine korrekt formatierten Gesprächsrollen in der umgebenden Schnittstelle.
Eine technische Erklärungsaufgabe kann eine Funktion und ein Eingabebeispiel liefern und fragen, was jeder Zweig tut und welche Bedingungen das Ergebnis beeinflussen. Eine Programmieraufgabe kann zulässige Eingabe, erwarteten Rückgabewert und Einschränkungen für Änderungen bestehenden Verhaltens festlegen. Fordern Sie die Implementierung mit anschließenden Beispielen für einen normalen und einen Randfall an. Das nutzt die dokumentierten Sprach- und Codefähigkeiten; generierter Code ist ein Textergebnis, seine Ausführung gehört zur Anwendungsumgebung.
Geben Sie für mehrsprachige Redaktion Originalabschnitt, Zielgruppe und eine kleine Terminologieliste vor. Bitten Sie um eine Überarbeitung, die ursprüngliche Namen und Bedingungen erhält, und anschließend um eine kurze Erklärung der Änderungen. Das ist konkreter als die Bitte, den Text zu verbessern: Es definiert den zu bewahrenden Sinn und die benötigte nutzbare Ausgabe.
Verarbeitung langer Texte
Der Hersteller dokumentiert Kontextunterstützung bis zu 131.072 Tokens; die Langkontextanweisungen bleiben jedoch wichtig. Eingaben über 32.768 Tokens erfordern die dokumentierte YaRN-Erweiterungskonfiguration. Das veröffentlichte Beispiel verwendet den Skalierungsfaktor 4,0 bei einer ursprünglichen Positionseinstellung von 32.768. Der Hersteller weist darauf hin, dass die statische Erweiterung kürzere Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung tatsächlich gebraucht wird.
Bereiten Sie eine lange Dokumentaufgabe mit gezielter Frage, benannten Quellabschnitten und ausdrücklicher Ausgabestruktur vor. Geben Sie beispielsweise mehrere Teile einer technischen Spezifikation an und fragen Sie nach den Anforderungen für eine bestimmte Änderung, jeweils mit dem Quellabschnitt neben dem Ergebnis. Ein großes Eingabefenster hält diese Teile zusammen; die Antwort kann trotzdem eine kompakte Tabelle statt einer Nacherzählung des gesamten Dokuments sein.
Wichtige Grenzen
Die 131.072 Tokens bezeichnen erweiterten Kontext, keine Erlaubnis, dessen Konfiguration zu ignorieren. Die 512 generierten Tokens des Schnellstartbeispiels sind eine Beispieleinstellung, keine veröffentlichte maximale Ausgabekapazität. Diese Instruct-Veröffentlichung ist ein Textmodell und sollte weder Bild- oder Videofähigkeiten von Qwen-VL noch das spezialisierte werkzeugintegrierte mathematische Training von Qwen2.5-Math übernehmen. Wählen Sie die benannte Edition und bereiten Sie den Text für die gewünschte Erklärung, den Code oder das Dokument vor.
", "aboutText": "Qwen2-7B-Instruct ist die auf Anweisungen trainierte Qwen2-Edition in 7B-Größe für Gespräche und natürlichsprachlich formulierte Aufgaben. Das Modell nimmt Text entgegen und gibt Text aus: Erklärungen, Übersetzungen, Dokumententwürfe oder Programmcode. Der Hersteller nennt Sprachverständnis, Generierung, mehrsprachige Arbeit, Programmierung, Mathematik und Schlussfolgern als Hauptanwendungen.\n\nModelldetails\n\nQwen2 umfasst separate Basis- und anweisungstrainierte Veröffentlichungen. Diese Karte betrifft die Instruct-Edition, nicht das Qwen2-7B-Basismodell oder die Mixture-of-Experts-Veröffentlichung der Familie. Die Modellinformationstabelle nennt 7,07 Milliarden Parameter für das Modell in 7B-Größe. Sein Decoder-Transformer verwendet SwiGLU, Attention-QKV-Bias und Grouped-Query Attention sowie einen für natürliche Sprachen und Code entwickelten Tokenizer. Dies sind Architektur- und Darstellungsentscheidungen, keine zusätzlichen Eingabemodalitäten.\n\nDie Veröffentlichungsankündigung beschreibt Training in Englisch und Chinesisch sowie 27 zusätzlichen Sprachen. Dazu zählen Russisch, Tschechisch und Polnisch; Deutsch, Französisch und Spanisch; Arabisch, Persisch und Türkisch; Japanisch und Koreanisch sowie weitere Sprachen Süd- und Südostasiens. Ein mehrsprachiger Assistent kann deshalb Anweisungen und Quellmaterial in unterschiedlichen Sprachen erhalten; Sprache, Terminologie und Zielgruppe des endgültigen Artefakts sollten trotzdem ausdrücklich genannt werden.\n\nTraining und die Instruct-Unterscheidung\n\nNach dem Vortraining nutzt der Hersteller überwachtes Fine-Tuning und direkte Präferenzoptimierung. Die anweisungstrainierte Edition soll auf eine Anfrage im Gespräch reagieren; die Basisedition hat eine andere Rolle als Sprachmodellgrundlage. Halten Sie den Editionsnamen bei Modellauswahl oder Promptvergleichen ausdrücklich fest. Training für Anweisungsbefolgung und eine präzise Anweisung bei der Nutzung ergänzen sich in diesem Ablauf.\n\nVorbereitung einer Gesprächseingabe\n\nDer Schnellstart der Modellkarte trennt die Systemanweisung von der Nutzerfrage und wendet vor der Generierung die passende Chatvorlage an. Für Aufgaben auf Anwendungsebene ist diese praktische Trennung ebenso nützlich: Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom Quellabschnitt oder Code. Eine Textkennzeichnung in einem Dokument ersetzt keine korrekt formatierten Gesprächsrollen in der umgebenden Schnittstelle.\n\nEine technische Erklärungsaufgabe kann eine Funktion und ein Eingabebeispiel liefern und fragen, was jeder Zweig tut und welche Bedingungen das Ergebnis beeinflussen. Eine Programmieraufgabe kann zulässige Eingabe, erwarteten Rückgabewert und Einschränkungen für Änderungen bestehenden Verhaltens festlegen. Fordern Sie die Implementierung mit anschließenden Beispielen für einen normalen und einen Randfall an. Das nutzt die dokumentierten Sprach- und Codefähigkeiten; generierter Code ist ein Textergebnis, seine Ausführung gehört zur Anwendungsumgebung.\n\nGeben Sie für mehrsprachige Redaktion Originalabschnitt, Zielgruppe und eine kleine Terminologieliste vor. Bitten Sie um eine Überarbeitung, die ursprüngliche Namen und Bedingungen erhält, und anschließend um eine kurze Erklärung der Änderungen. Das ist konkreter als die Bitte, den Text zu verbessern: Es definiert den zu bewahrenden Sinn und die benötigte nutzbare Ausgabe.\n\nVerarbeitung langer Texte\n\nDer Hersteller dokumentiert Kontextunterstützung bis zu 131.072 Tokens; die Langkontextanweisungen bleiben jedoch wichtig. Eingaben über 32.768 Tokens erfordern die dokumentierte YaRN-Erweiterungskonfiguration. Das veröffentlichte Beispiel verwendet den Skalierungsfaktor 4,0 bei einer ursprünglichen Positionseinstellung von 32.768. Der Hersteller weist darauf hin, dass die statische Erweiterung kürzere Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung tatsächlich gebraucht wird.\n\nBereiten Sie eine lange Dokumentaufgabe mit gezielter Frage, benannten Quellabschnitten und ausdrücklicher Ausgabestruktur vor. Geben Sie beispielsweise mehrere Teile einer technischen Spezifikation an und fragen Sie nach den Anforderungen für eine bestimmte Änderung, jeweils mit dem Quellabschnitt neben dem Ergebnis. Ein großes Eingabefenster hält diese Teile zusammen; die Antwort kann trotzdem eine kompakte Tabelle statt einer Nacherzählung des gesamten Dokuments sein.\n\nWichtige Grenzen\n\nDie 131.072 Tokens bezeichnen erweiterten Kontext, keine Erlaubnis, dessen Konfiguration zu ignorieren. Die 512 generierten Tokens des Schnellstartbeispiels sind eine Beispieleinstellung, keine veröffentlichte maximale Ausgabekapazität. Diese Instruct-Veröffentlichung ist ein Textmodell und sollte weder Bild- oder Videofähigkeiten von Qwen-VL noch das spezialisierte werkzeugintegrierte mathematische Training von Qwen2.5-Math übernehmen. Wählen Sie die benannte Edition und bereiten Sie den Text für die gewünschte Erklärung, den Code oder das Dokument vor.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4c47405692a97fbbf82e7e09355042e9c8db46d5a3cbadbd34cbce2fd6de1027", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "qwen2-7b-instructQwen2-7B-Instruct ist ein auf Anweisungen trainiertes Textmodell für mehrsprachigen Dialog, Programmierung, Mathematik und Schlussfolgern. Der Hersteller dokumentiert bis zu 131.072 Kontexttokens bei aktivierter Langkontextkonfiguration.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2-7B-Instruct ist die auf Anweisungen trainierte Qwen2-Edition in 7B-Größe für Gespräche und natürlichsprachlich formulierte Aufgaben. Das Modell nimmt Text entgegen und gibt Text aus: Erklärungen, Übersetzungen, Dokumententwürfe oder Programmcode. Der Hersteller nennt Sprachverständnis, Generierung, mehrsprachige Arbeit, Programmierung, Mathematik und Schlussfolgern als Hauptanwendungen.
Modelldetails
Qwen2 umfasst separate Basis- und anweisungstrainierte Veröffentlichungen. Diese Karte betrifft die Instruct-Edition, nicht das Qwen2-7B-Basismodell oder die Mixture-of-Experts-Veröffentlichung der Familie. Die Modellinformationstabelle nennt 7,07 Milliarden Parameter für das Modell in 7B-Größe. Sein Decoder-Transformer verwendet SwiGLU, Attention-QKV-Bias und Grouped-Query Attention sowie einen für natürliche Sprachen und Code entwickelten Tokenizer. Dies sind Architektur- und Darstellungsentscheidungen, keine zusätzlichen Eingabemodalitäten.
Die Veröffentlichungsankündigung beschreibt Training in Englisch und Chinesisch sowie 27 zusätzlichen Sprachen. Dazu zählen Russisch, Tschechisch und Polnisch; Deutsch, Französisch und Spanisch; Arabisch, Persisch und Türkisch; Japanisch und Koreanisch sowie weitere Sprachen Süd- und Südostasiens. Ein mehrsprachiger Assistent kann deshalb Anweisungen und Quellmaterial in unterschiedlichen Sprachen erhalten; Sprache, Terminologie und Zielgruppe des endgültigen Artefakts sollten trotzdem ausdrücklich genannt werden.
Training und die Instruct-Unterscheidung
Nach dem Vortraining nutzt der Hersteller überwachtes Fine-Tuning und direkte Präferenzoptimierung. Die anweisungstrainierte Edition soll auf eine Anfrage im Gespräch reagieren; die Basisedition hat eine andere Rolle als Sprachmodellgrundlage. Halten Sie den Editionsnamen bei Modellauswahl oder Promptvergleichen ausdrücklich fest. Training für Anweisungsbefolgung und eine präzise Anweisung bei der Nutzung ergänzen sich in diesem Ablauf.
Vorbereitung einer Gesprächseingabe
Der Schnellstart der Modellkarte trennt die Systemanweisung von der Nutzerfrage und wendet vor der Generierung die passende Chatvorlage an. Für Aufgaben auf Anwendungsebene ist diese praktische Trennung ebenso nützlich: Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom Quellabschnitt oder Code. Eine Textkennzeichnung in einem Dokument ersetzt keine korrekt formatierten Gesprächsrollen in der umgebenden Schnittstelle.
Eine technische Erklärungsaufgabe kann eine Funktion und ein Eingabebeispiel liefern und fragen, was jeder Zweig tut und welche Bedingungen das Ergebnis beeinflussen. Eine Programmieraufgabe kann zulässige Eingabe, erwarteten Rückgabewert und Einschränkungen für Änderungen bestehenden Verhaltens festlegen. Fordern Sie die Implementierung mit anschließenden Beispielen für einen normalen und einen Randfall an. Das nutzt die dokumentierten Sprach- und Codefähigkeiten; generierter Code ist ein Textergebnis, seine Ausführung gehört zur Anwendungsumgebung.
Geben Sie für mehrsprachige Redaktion Originalabschnitt, Zielgruppe und eine kleine Terminologieliste vor. Bitten Sie um eine Überarbeitung, die ursprüngliche Namen und Bedingungen erhält, und anschließend um eine kurze Erklärung der Änderungen. Das ist konkreter als die Bitte, den Text zu verbessern: Es definiert den zu bewahrenden Sinn und die benötigte nutzbare Ausgabe.
Verarbeitung langer Texte
Der Hersteller dokumentiert Kontextunterstützung bis zu 131.072 Tokens; die Langkontextanweisungen bleiben jedoch wichtig. Eingaben über 32.768 Tokens erfordern die dokumentierte YaRN-Erweiterungskonfiguration. Das veröffentlichte Beispiel verwendet den Skalierungsfaktor 4,0 bei einer ursprünglichen Positionseinstellung von 32.768. Der Hersteller weist darauf hin, dass die statische Erweiterung kürzere Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung tatsächlich gebraucht wird.
Bereiten Sie eine lange Dokumentaufgabe mit gezielter Frage, benannten Quellabschnitten und ausdrücklicher Ausgabestruktur vor. Geben Sie beispielsweise mehrere Teile einer technischen Spezifikation an und fragen Sie nach den Anforderungen für eine bestimmte Änderung, jeweils mit dem Quellabschnitt neben dem Ergebnis. Ein großes Eingabefenster hält diese Teile zusammen; die Antwort kann trotzdem eine kompakte Tabelle statt einer Nacherzählung des gesamten Dokuments sein.
Wichtige Grenzen
Die 131.072 Tokens bezeichnen erweiterten Kontext, keine Erlaubnis, dessen Konfiguration zu ignorieren. Die 512 generierten Tokens des Schnellstartbeispiels sind eine Beispieleinstellung, keine veröffentlichte maximale Ausgabekapazität. Diese Instruct-Veröffentlichung ist ein Textmodell und sollte weder Bild- oder Videofähigkeiten von Qwen-VL noch das spezialisierte werkzeugintegrierte mathematische Training von Qwen2.5-Math übernehmen. Wählen Sie die benannte Edition und bereiten Sie den Text für die gewünschte Erklärung, den Code oder das Dokument vor.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2-7b-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 $0.000286 / 1K Token Ausgabe · Ausgabetoken $0.00058 / 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":"qwen2-7b-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="qwen2-7b-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 qwen2-7b-instruct
/chat/completions
qwen2-7b-instructQwen2-7B-Instruct ist ein auf Anweisungen trainiertes Textmodell für mehrsprachigen Dialog, Programmierung, Mathematik und Schlussfolgern. Der Hersteller dokumentiert bis zu 131.072 Kontexttokens bei aktivierter Langkontextkonfiguration.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2-7B-Instruct ist die auf Anweisungen trainierte Qwen2-Edition in 7B-Größe für Gespräche und natürlichsprachlich formulierte Aufgaben. Das Modell nimmt Text entgegen und gibt Text aus: Erklärungen, Übersetzungen, Dokumententwürfe oder Programmcode. Der Hersteller nennt Sprachverständnis, Generierung, mehrsprachige Arbeit, Programmierung, Mathematik und Schlussfolgern als Hauptanwendungen.
Modelldetails
Qwen2 umfasst separate Basis- und anweisungstrainierte Veröffentlichungen. Diese Karte betrifft die Instruct-Edition, nicht das Qwen2-7B-Basismodell oder die Mixture-of-Experts-Veröffentlichung der Familie. Die Modellinformationstabelle nennt 7,07 Milliarden Parameter für das Modell in 7B-Größe. Sein Decoder-Transformer verwendet SwiGLU, Attention-QKV-Bias und Grouped-Query Attention sowie einen für natürliche Sprachen und Code entwickelten Tokenizer. Dies sind Architektur- und Darstellungsentscheidungen, keine zusätzlichen Eingabemodalitäten.
Die Veröffentlichungsankündigung beschreibt Training in Englisch und Chinesisch sowie 27 zusätzlichen Sprachen. Dazu zählen Russisch, Tschechisch und Polnisch; Deutsch, Französisch und Spanisch; Arabisch, Persisch und Türkisch; Japanisch und Koreanisch sowie weitere Sprachen Süd- und Südostasiens. Ein mehrsprachiger Assistent kann deshalb Anweisungen und Quellmaterial in unterschiedlichen Sprachen erhalten; Sprache, Terminologie und Zielgruppe des endgültigen Artefakts sollten trotzdem ausdrücklich genannt werden.
Training und die Instruct-Unterscheidung
Nach dem Vortraining nutzt der Hersteller überwachtes Fine-Tuning und direkte Präferenzoptimierung. Die anweisungstrainierte Edition soll auf eine Anfrage im Gespräch reagieren; die Basisedition hat eine andere Rolle als Sprachmodellgrundlage. Halten Sie den Editionsnamen bei Modellauswahl oder Promptvergleichen ausdrücklich fest. Training für Anweisungsbefolgung und eine präzise Anweisung bei der Nutzung ergänzen sich in diesem Ablauf.
Vorbereitung einer Gesprächseingabe
Der Schnellstart der Modellkarte trennt die Systemanweisung von der Nutzerfrage und wendet vor der Generierung die passende Chatvorlage an. Für Aufgaben auf Anwendungsebene ist diese praktische Trennung ebenso nützlich: Definieren Sie Rolle und Antwortregeln des Assistenten getrennt vom Quellabschnitt oder Code. Eine Textkennzeichnung in einem Dokument ersetzt keine korrekt formatierten Gesprächsrollen in der umgebenden Schnittstelle.
Eine technische Erklärungsaufgabe kann eine Funktion und ein Eingabebeispiel liefern und fragen, was jeder Zweig tut und welche Bedingungen das Ergebnis beeinflussen. Eine Programmieraufgabe kann zulässige Eingabe, erwarteten Rückgabewert und Einschränkungen für Änderungen bestehenden Verhaltens festlegen. Fordern Sie die Implementierung mit anschließenden Beispielen für einen normalen und einen Randfall an. Das nutzt die dokumentierten Sprach- und Codefähigkeiten; generierter Code ist ein Textergebnis, seine Ausführung gehört zur Anwendungsumgebung.
Geben Sie für mehrsprachige Redaktion Originalabschnitt, Zielgruppe und eine kleine Terminologieliste vor. Bitten Sie um eine Überarbeitung, die ursprüngliche Namen und Bedingungen erhält, und anschließend um eine kurze Erklärung der Änderungen. Das ist konkreter als die Bitte, den Text zu verbessern: Es definiert den zu bewahrenden Sinn und die benötigte nutzbare Ausgabe.
Verarbeitung langer Texte
Der Hersteller dokumentiert Kontextunterstützung bis zu 131.072 Tokens; die Langkontextanweisungen bleiben jedoch wichtig. Eingaben über 32.768 Tokens erfordern die dokumentierte YaRN-Erweiterungskonfiguration. Das veröffentlichte Beispiel verwendet den Skalierungsfaktor 4,0 bei einer ursprünglichen Positionseinstellung von 32.768. Der Hersteller weist darauf hin, dass die statische Erweiterung kürzere Texte beeinflussen kann, und empfiehlt sie, wenn Langkontextverarbeitung tatsächlich gebraucht wird.
Bereiten Sie eine lange Dokumentaufgabe mit gezielter Frage, benannten Quellabschnitten und ausdrücklicher Ausgabestruktur vor. Geben Sie beispielsweise mehrere Teile einer technischen Spezifikation an und fragen Sie nach den Anforderungen für eine bestimmte Änderung, jeweils mit dem Quellabschnitt neben dem Ergebnis. Ein großes Eingabefenster hält diese Teile zusammen; die Antwort kann trotzdem eine kompakte Tabelle statt einer Nacherzählung des gesamten Dokuments sein.
Wichtige Grenzen
Die 131.072 Tokens bezeichnen erweiterten Kontext, keine Erlaubnis, dessen Konfiguration zu ignorieren. Die 512 generierten Tokens des Schnellstartbeispiels sind eine Beispieleinstellung, keine veröffentlichte maximale Ausgabekapazität. Diese Instruct-Veröffentlichung ist ein Textmodell und sollte weder Bild- oder Videofähigkeiten von Qwen-VL noch das spezialisierte werkzeugintegrierte mathematische Training von Qwen2.5-Math übernehmen. Wählen Sie die benannte Edition und bereiten Sie den Text für die gewünschte Erklärung, den Code oder das Dokument vor.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2-7b-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 $0.000286 / 1K Token Ausgabe · Ausgabetoken $0.00058 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2-7b-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': 'qwen2-7b-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 qwen2-7b-instruct
/chat/completions