Qwen2.5-7B-Instruct es el modelo de texto 7B ajustado para seguir instrucciones de la familia de modelos de lenguaje de propósito general Qwen2.5. Qwen destaca la programación y las matemáticas, el seguimiento de instrucciones, la escritura extensa, la comprensión de tablas y la salida estructurada, especialmente JSON. Es un modelo denso de solo decodificador con 7,610 millones de parámetros totales, incluidos 6,530 millones de parámetros ajenos a las capas de embeddings. Recibe conversaciones textuales y genera texto. Un encargo útil puede pedirle que transforme información proporcionada en una explicación clara, un registro estructurado, un borrador revisado o una propuesta de programa.
El modelo es compatible con más de 29 idiomas, incluidos chino, inglés, francés, español, portugués, alemán, italiano, ruso, japonés, coreano, vietnamita, tailandés y árabe. El productor también destaca su adaptación a prompts de sistema variados, útil para definir un papel conversacional y sus condiciones. Proporciona directamente el papel, el público, la terminología y el idioma de salida. Por ejemplo, una solicitud de edición puede aportar un pasaje técnico, especificar el lector previsto y pedir una explicación más corta que conserve los términos designados y las condiciones expresadas. La edición ajustada para seguir instrucciones es el modelo conversacional, distinto del modelo base preentrenado correspondiente.
La comprensión de datos estructurados y la generación de JSON son mejoras centrales de Qwen2.5. Para extraer o transformar una tabla, conserva sus encabezados y unidades y explica qué filas o relaciones importan. Define las claves solicitadas, los tipos de valores y el tratamiento de la información ausente, en lugar de pedir solo un resumen genérico. Un encargo ilustrativo puede aportar una lista de problemas y solicitar un objeto por problema con el identificador de origen, la categoría y una explicación breve. Ese resultado sigue siendo texto generado: comprobar su estructura y sus valores frente a la entrada forma parte de su uso en un flujo posterior.
La ficha exacta describe una longitud de contexto completa de 131,072 tokens y generación de hasta 8,192 tokens. La configuración suministrada está establecida en 32,768 tokens de contexto; tratar material más largo utiliza la configuración YaRN documentada. El productor advierte que el escalado estático puede afectar al rendimiento con entradas más cortas y recomienda añadirlo cuando se necesita procesamiento de contexto largo. Mantén la entrada y la respuesta solicitada dentro del espacio configurado correspondiente. Para un informe largo, conserva los títulos de sección, prioriza los pasajes vinculados a la pregunta y solicita la longitud de salida necesaria, en lugar de interpretar la cifra de contexto mayor como una razón para incluir material ajeno a la tarea.
El inicio rápido oficial utiliza mensajes de sistema y usuario con la plantilla de chat del modelo y después decodifica la continuación generada. Prepara el trabajo de programación con el código fuente pertinente, el lenguaje, el comportamiento esperado y las restricciones. Prepara una pregunta matemática con los datos conocidos y el formato del resultado. Las mejoras documentadas del modelo general en estas áreas no lo convierten en las ediciones Qwen2.5-Coder o Qwen2.5-Math, entrenadas por separado. Un encargo de programación ilustrativo podría pedir una explicación de una función, una propuesta de corrección y por qué cumple las condiciones expresadas; la ejecución y la verificación siguen siendo pasos independientes.
La documentación de la versión de Qwen también describe llamadas a herramientas y una plantilla de chat preparada para ellas, incluida la compatibilidad con Qwen-Agent. Define las herramientas disponibles y sus argumentos, indica el objetivo y aporta los resultados devueltos para que el modelo los interprete. Un asistente documental puede solicitar información pertinente antes de elaborar una respuesta final, mientras que uno de código puede razonar sobre la salida de una comprobación ejecutada por la aplicación. El resultado útil es entonces una respuesta vinculada a la evidencia proporcionada y al formato solicitado. Este es un perfil de modelo de texto; las capacidades visuales, de audio o de generación de video de otros modelos Qwen son independientes.
", "aboutText": "Qwen2.5-7B-Instruct es el modelo de texto 7B ajustado para seguir instrucciones de la familia de modelos de lenguaje de propósito general Qwen2.5. Qwen destaca la programación y las matemáticas, el seguimiento de instrucciones, la escritura extensa, la comprensión de tablas y la salida estructurada, especialmente JSON. Es un modelo denso de solo decodificador con 7,610 millones de parámetros totales, incluidos 6,530 millones de parámetros ajenos a las capas de embeddings. Recibe conversaciones textuales y genera texto. Un encargo útil puede pedirle que transforme información proporcionada en una explicación clara, un registro estructurado, un borrador revisado o una propuesta de programa.\n\nEl modelo es compatible con más de 29 idiomas, incluidos chino, inglés, francés, español, portugués, alemán, italiano, ruso, japonés, coreano, vietnamita, tailandés y árabe. El productor también destaca su adaptación a prompts de sistema variados, útil para definir un papel conversacional y sus condiciones. Proporciona directamente el papel, el público, la terminología y el idioma de salida. Por ejemplo, una solicitud de edición puede aportar un pasaje técnico, especificar el lector previsto y pedir una explicación más corta que conserve los términos designados y las condiciones expresadas. La edición ajustada para seguir instrucciones es el modelo conversacional, distinto del modelo base preentrenado correspondiente.\n\nLa comprensión de datos estructurados y la generación de JSON son mejoras centrales de Qwen2.5. Para extraer o transformar una tabla, conserva sus encabezados y unidades y explica qué filas o relaciones importan. Define las claves solicitadas, los tipos de valores y el tratamiento de la información ausente, en lugar de pedir solo un resumen genérico. Un encargo ilustrativo puede aportar una lista de problemas y solicitar un objeto por problema con el identificador de origen, la categoría y una explicación breve. Ese resultado sigue siendo texto generado: comprobar su estructura y sus valores frente a la entrada forma parte de su uso en un flujo posterior.\n\nLa ficha exacta describe una longitud de contexto completa de 131,072 tokens y generación de hasta 8,192 tokens. La configuración suministrada está establecida en 32,768 tokens de contexto; tratar material más largo utiliza la configuración YaRN documentada. El productor advierte que el escalado estático puede afectar al rendimiento con entradas más cortas y recomienda añadirlo cuando se necesita procesamiento de contexto largo. Mantén la entrada y la respuesta solicitada dentro del espacio configurado correspondiente. Para un informe largo, conserva los títulos de sección, prioriza los pasajes vinculados a la pregunta y solicita la longitud de salida necesaria, en lugar de interpretar la cifra de contexto mayor como una razón para incluir material ajeno a la tarea.\n\nEl inicio rápido oficial utiliza mensajes de sistema y usuario con la plantilla de chat del modelo y después decodifica la continuación generada. Prepara el trabajo de programación con el código fuente pertinente, el lenguaje, el comportamiento esperado y las restricciones. Prepara una pregunta matemática con los datos conocidos y el formato del resultado. Las mejoras documentadas del modelo general en estas áreas no lo convierten en las ediciones Qwen2.5-Coder o Qwen2.5-Math, entrenadas por separado. Un encargo de programación ilustrativo podría pedir una explicación de una función, una propuesta de corrección y por qué cumple las condiciones expresadas; la ejecución y la verificación siguen siendo pasos independientes.\n\nLa documentación de la versión de Qwen también describe llamadas a herramientas y una plantilla de chat preparada para ellas, incluida la compatibilidad con Qwen-Agent. Define las herramientas disponibles y sus argumentos, indica el objetivo y aporta los resultados devueltos para que el modelo los interprete. Un asistente documental puede solicitar información pertinente antes de elaborar una respuesta final, mientras que uno de código puede razonar sobre la salida de una comprobación ejecutada por la aplicación. El resultado útil es entonces una respuesta vinculada a la evidencia proporcionada y al formato solicitado. Este es un perfil de modelo de texto; las capacidades visuales, de audio o de generación de video de otros modelos Qwen son independientes.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct es el modelo de texto compacto de Qwen ajustado para seguir instrucciones, destinado a escritura multilingüe, programación, matemáticas y datos estructurados. Su productor documenta hasta 131,072 tokens de contexto con la configuración de contexto largo y generación de hasta 8,192 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-7B-Instruct es el modelo de texto 7B ajustado para seguir instrucciones de la familia de modelos de lenguaje de propósito general Qwen2.5. Qwen destaca la programación y las matemáticas, el seguimiento de instrucciones, la escritura extensa, la comprensión de tablas y la salida estructurada, especialmente JSON. Es un modelo denso de solo decodificador con 7,610 millones de parámetros totales, incluidos 6,530 millones de parámetros ajenos a las capas de embeddings. Recibe conversaciones textuales y genera texto. Un encargo útil puede pedirle que transforme información proporcionada en una explicación clara, un registro estructurado, un borrador revisado o una propuesta de programa.
El modelo es compatible con más de 29 idiomas, incluidos chino, inglés, francés, español, portugués, alemán, italiano, ruso, japonés, coreano, vietnamita, tailandés y árabe. El productor también destaca su adaptación a prompts de sistema variados, útil para definir un papel conversacional y sus condiciones. Proporciona directamente el papel, el público, la terminología y el idioma de salida. Por ejemplo, una solicitud de edición puede aportar un pasaje técnico, especificar el lector previsto y pedir una explicación más corta que conserve los términos designados y las condiciones expresadas. La edición ajustada para seguir instrucciones es el modelo conversacional, distinto del modelo base preentrenado correspondiente.
La comprensión de datos estructurados y la generación de JSON son mejoras centrales de Qwen2.5. Para extraer o transformar una tabla, conserva sus encabezados y unidades y explica qué filas o relaciones importan. Define las claves solicitadas, los tipos de valores y el tratamiento de la información ausente, en lugar de pedir solo un resumen genérico. Un encargo ilustrativo puede aportar una lista de problemas y solicitar un objeto por problema con el identificador de origen, la categoría y una explicación breve. Ese resultado sigue siendo texto generado: comprobar su estructura y sus valores frente a la entrada forma parte de su uso en un flujo posterior.
La ficha exacta describe una longitud de contexto completa de 131,072 tokens y generación de hasta 8,192 tokens. La configuración suministrada está establecida en 32,768 tokens de contexto; tratar material más largo utiliza la configuración YaRN documentada. El productor advierte que el escalado estático puede afectar al rendimiento con entradas más cortas y recomienda añadirlo cuando se necesita procesamiento de contexto largo. Mantén la entrada y la respuesta solicitada dentro del espacio configurado correspondiente. Para un informe largo, conserva los títulos de sección, prioriza los pasajes vinculados a la pregunta y solicita la longitud de salida necesaria, en lugar de interpretar la cifra de contexto mayor como una razón para incluir material ajeno a la tarea.
El inicio rápido oficial utiliza mensajes de sistema y usuario con la plantilla de chat del modelo y después decodifica la continuación generada. Prepara el trabajo de programación con el código fuente pertinente, el lenguaje, el comportamiento esperado y las restricciones. Prepara una pregunta matemática con los datos conocidos y el formato del resultado. Las mejoras documentadas del modelo general en estas áreas no lo convierten en las ediciones Qwen2.5-Coder o Qwen2.5-Math, entrenadas por separado. Un encargo de programación ilustrativo podría pedir una explicación de una función, una propuesta de corrección y por qué cumple las condiciones expresadas; la ejecución y la verificación siguen siendo pasos independientes.
La documentación de la versión de Qwen también describe llamadas a herramientas y una plantilla de chat preparada para ellas, incluida la compatibilidad con Qwen-Agent. Define las herramientas disponibles y sus argumentos, indica el objetivo y aporta los resultados devueltos para que el modelo los interprete. Un asistente documental puede solicitar información pertinente antes de elaborar una respuesta final, mientras que uno de código puede razonar sobre la salida de una comprobación ejecutada por la aplicación. El resultado útil es entonces una respuesta vinculada a la evidencia proporcionada y al formato solicitado. Este es un perfil de modelo de texto; las capacidades visuales, de audio o de generación de video de otros modelos Qwen son independientes.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen-2.5-7b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-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/qwen-2.5-7b-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/qwen-2.5-7b-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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Usa las rutas de método indicadas arriba.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct es el modelo de texto compacto de Qwen ajustado para seguir instrucciones, destinado a escritura multilingüe, programación, matemáticas y datos estructurados. Su productor documenta hasta 131,072 tokens de contexto con la configuración de contexto largo y generación de hasta 8,192 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-7B-Instruct es el modelo de texto 7B ajustado para seguir instrucciones de la familia de modelos de lenguaje de propósito general Qwen2.5. Qwen destaca la programación y las matemáticas, el seguimiento de instrucciones, la escritura extensa, la comprensión de tablas y la salida estructurada, especialmente JSON. Es un modelo denso de solo decodificador con 7,610 millones de parámetros totales, incluidos 6,530 millones de parámetros ajenos a las capas de embeddings. Recibe conversaciones textuales y genera texto. Un encargo útil puede pedirle que transforme información proporcionada en una explicación clara, un registro estructurado, un borrador revisado o una propuesta de programa.
El modelo es compatible con más de 29 idiomas, incluidos chino, inglés, francés, español, portugués, alemán, italiano, ruso, japonés, coreano, vietnamita, tailandés y árabe. El productor también destaca su adaptación a prompts de sistema variados, útil para definir un papel conversacional y sus condiciones. Proporciona directamente el papel, el público, la terminología y el idioma de salida. Por ejemplo, una solicitud de edición puede aportar un pasaje técnico, especificar el lector previsto y pedir una explicación más corta que conserve los términos designados y las condiciones expresadas. La edición ajustada para seguir instrucciones es el modelo conversacional, distinto del modelo base preentrenado correspondiente.
La comprensión de datos estructurados y la generación de JSON son mejoras centrales de Qwen2.5. Para extraer o transformar una tabla, conserva sus encabezados y unidades y explica qué filas o relaciones importan. Define las claves solicitadas, los tipos de valores y el tratamiento de la información ausente, en lugar de pedir solo un resumen genérico. Un encargo ilustrativo puede aportar una lista de problemas y solicitar un objeto por problema con el identificador de origen, la categoría y una explicación breve. Ese resultado sigue siendo texto generado: comprobar su estructura y sus valores frente a la entrada forma parte de su uso en un flujo posterior.
La ficha exacta describe una longitud de contexto completa de 131,072 tokens y generación de hasta 8,192 tokens. La configuración suministrada está establecida en 32,768 tokens de contexto; tratar material más largo utiliza la configuración YaRN documentada. El productor advierte que el escalado estático puede afectar al rendimiento con entradas más cortas y recomienda añadirlo cuando se necesita procesamiento de contexto largo. Mantén la entrada y la respuesta solicitada dentro del espacio configurado correspondiente. Para un informe largo, conserva los títulos de sección, prioriza los pasajes vinculados a la pregunta y solicita la longitud de salida necesaria, en lugar de interpretar la cifra de contexto mayor como una razón para incluir material ajeno a la tarea.
El inicio rápido oficial utiliza mensajes de sistema y usuario con la plantilla de chat del modelo y después decodifica la continuación generada. Prepara el trabajo de programación con el código fuente pertinente, el lenguaje, el comportamiento esperado y las restricciones. Prepara una pregunta matemática con los datos conocidos y el formato del resultado. Las mejoras documentadas del modelo general en estas áreas no lo convierten en las ediciones Qwen2.5-Coder o Qwen2.5-Math, entrenadas por separado. Un encargo de programación ilustrativo podría pedir una explicación de una función, una propuesta de corrección y por qué cumple las condiciones expresadas; la ejecución y la verificación siguen siendo pasos independientes.
La documentación de la versión de Qwen también describe llamadas a herramientas y una plantilla de chat preparada para ellas, incluida la compatibilidad con Qwen-Agent. Define las herramientas disponibles y sus argumentos, indica el objetivo y aporta los resultados devueltos para que el modelo los interprete. Un asistente documental puede solicitar información pertinente antes de elaborar una respuesta final, mientras que uno de código puede razonar sobre la salida de una comprobación ejecutada por la aplicación. El resultado útil es entonces una respuesta vinculada a la evidencia proporcionada y al formato solicitado. Este es un perfil de modelo de texto; las capacidades visuales, de audio o de generación de video de otros modelos Qwen son independientes.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen-2.5-7b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen-2.5-7b-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': 'qwen/qwen-2.5-7b-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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.