Qwen2.5-14B-Instruct es la edición de tamaño 14B ajustada para seguir instrucciones de la familia general Qwen2.5. Recibe una conversación textual y devuelve texto: una explicación, un documento, código de programa o campos estructurados. Su fabricante destaca el seguimiento de instrucciones, la programación, las matemáticas, la comprensión de datos estructurados como tablas y la generación de respuestas estructuradas, especialmente JSON.
Mejoras de la familia
El fabricante describe conocimientos más amplios y mayores capacidades de programación y matemáticas que la generación anterior Qwen2, junto con generación de respuestas largas y mejor tratamiento de instrucciones de sistema variadas. La familia utiliza un corpus de preentrenamiento descrito como de hasta 18 billones de tokens. Estas capacidades respaldan un asistente especializado cuyo papel y salida se definen por la tarea. Este modelo sigue siendo la edición general Instruct; las líneas Qwen2.5-Coder y Qwen2.5-Math, identificadas por separado, tienen sus propias especializaciones.
Un asistente de procesos puede recibir un procedimiento y una pregunta sobre una etapa. Define el papel del lector, pide las acciones pertinentes para esa etapa y exige que la respuesta conserve las condiciones originales del procedimiento. Una salida útil puede separar la siguiente acción, la condición que la hace aplicable y la información todavía necesaria. Así se transforma una petición amplia de consejos en una respuesta vinculada al proceso proporcionado.
Para una explicación de código, aporta la función, las definiciones auxiliares pertinentes y la entrada que causa confusión. Pide la secuencia de operaciones y el valor devuelto para esa entrada. Para una explicación matemática, indica los símbolos, las suposiciones y la expresión objetivo antes de solicitar la derivación. Ambas tareas utilizan texto; ejecutar el programa o proporcionar una herramienta numérica independiente corresponde a la aplicación que rodea al modelo.
Tablas y JSON
Para una pregunta sobre una tabla, conserva los encabezados de columna y las unidades, identifica las filas pertinentes y especifica la comparación. La salida deseada puede enumerar los identificadores de las filas coincidentes y explicar qué condición proporcionada cumple cada una. Si la tabla tiene valores ausentes, indica si la respuesta debe dejarlos ausentes o representarlos explícitamente.
Para extracción estructurada, muestra los nombres de los campos y los tipos requeridos. Una entrada como un identificador de artículo, una cantidad de existencias y una etiqueta de almacén puede convertirse en un registro con esos mismos campos. Solicita solo el registro cuando una aplicación vaya a analizarlo; pide una explicación en prosa aparte cuando el usuario necesite examinar la interpretación de la fuente. La capacidad documentada del modelo para generar JSON es distinta de que una interfaz concreta imponga un esquema.
La conversación multilingüe es compatible con más de 29 idiomas, incluidos inglés, chino, ruso, alemán, francés, español, portugués, italiano, japonés, coreano, vietnamita, tailandés y árabe. Establece el idioma final y proporciona la terminología que deba permanecer sin cambios. Para una explicación técnica traducida, pide al modelo que conserve los nombres de variables, las etiquetas citadas y las unidades mientras adapta la prosa circundante al lector.
La versión específica 14B
La ficha indica 14.700 millones de parámetros, incluidos 13.100 millones de parámetros ajenos a las capas de embeddings, y 48 capas Transformer. Su arquitectura utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención, con 40 cabezas de consulta y 8 cabezas de clave/valor en atención de consultas agrupadas. El preentrenamiento y el posentrenamiento producen esta edición Instruct. Su número de parámetros y de capas difieren de los de la edición 32B incluso cuando coinciden las capacidades de familia y las cifras de contexto publicadas.
La ficha enumera un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. El primero se refiere a la conversación y al material retenido para una tarea; la segunda se refiere a la respuesta generada. El ajuste de generación de 512 tokens del inicio rápido es solo un ejemplo y no sustituye a la capacidad de respuesta declarada en la ficha. La comprensión de imágenes, vídeo y audio pertenece a versiones multimodales identificadas por separado, no a este modelo de texto.
Formato de entrada y tareas asistidas por herramientas
El ejemplo del fabricante aplica la plantilla de chat correspondiente a mensajes de sistema y usuario diferenciados. Define el papel del asistente y las reglas de respuesta por separado del material examinado. Aporta una pregunta completa y etiqueta el texto de origen para que una instrucción citada dentro de la fuente no se confunda con la tarea indicada por la aplicación.
El anuncio oficial de Qwen2.5 también describe plantillas de llamadas a herramientas e integraciones compatibles. Una tarea asistida por herramientas necesita que la aplicación circundante proporcione descripciones de funciones, ejecute la operación seleccionada y aporte su resultado para la siguiente respuesta. Por ejemplo, una conversación puede pedir un cálculo con una herramienta de cálculo proporcionada; el resultado de la función se convierte entonces en información que el modelo puede explicar. La disponibilidad y ejecución de herramientas proceden de esa integración, mientras que esta versión aporta el comportamiento textual conversacional.
Configuración para textos largos
La configuración publicada cubre inicialmente 32.768 tokens. La extensión documentada para entradas más largas utiliza YaRN, con un factor de escalado de ejemplo de 4,0 y una configuración original de posiciones máximas de 32.768. El escalado estático puede afectar al comportamiento con textos más cortos, por lo que el fabricante recomienda añadirlo cuando se necesitan contextos largos.
Al preparar una fuente larga, identifica la sección que se debe revisar o la pregunta que se debe responder y conserva juntas las partes de apoyo. Una solicitud clara puede pedir un pasaje corregido, una tabla de cambios y las referencias a las secciones originales. Así se utiliza el contexto ampliado para un resultado concreto, manteniendo la respuesta dentro del límite de generación independiente.
", "aboutText": "Qwen2.5-14B-Instruct es la edición de tamaño 14B ajustada para seguir instrucciones de la familia general Qwen2.5. Recibe una conversación textual y devuelve texto: una explicación, un documento, código de programa o campos estructurados. Su fabricante destaca el seguimiento de instrucciones, la programación, las matemáticas, la comprensión de datos estructurados como tablas y la generación de respuestas estructuradas, especialmente JSON.\n\nMejoras de la familia\n\nEl fabricante describe conocimientos más amplios y mayores capacidades de programación y matemáticas que la generación anterior Qwen2, junto con generación de respuestas largas y mejor tratamiento de instrucciones de sistema variadas. La familia utiliza un corpus de preentrenamiento descrito como de hasta 18 billones de tokens. Estas capacidades respaldan un asistente especializado cuyo papel y salida se definen por la tarea. Este modelo sigue siendo la edición general Instruct; las líneas Qwen2.5-Coder y Qwen2.5-Math, identificadas por separado, tienen sus propias especializaciones.\n\nUn asistente de procesos puede recibir un procedimiento y una pregunta sobre una etapa. Define el papel del lector, pide las acciones pertinentes para esa etapa y exige que la respuesta conserve las condiciones originales del procedimiento. Una salida útil puede separar la siguiente acción, la condición que la hace aplicable y la información todavía necesaria. Así se transforma una petición amplia de consejos en una respuesta vinculada al proceso proporcionado.\n\nPara una explicación de código, aporta la función, las definiciones auxiliares pertinentes y la entrada que causa confusión. Pide la secuencia de operaciones y el valor devuelto para esa entrada. Para una explicación matemática, indica los símbolos, las suposiciones y la expresión objetivo antes de solicitar la derivación. Ambas tareas utilizan texto; ejecutar el programa o proporcionar una herramienta numérica independiente corresponde a la aplicación que rodea al modelo.\n\nTablas y JSON\n\nPara una pregunta sobre una tabla, conserva los encabezados de columna y las unidades, identifica las filas pertinentes y especifica la comparación. La salida deseada puede enumerar los identificadores de las filas coincidentes y explicar qué condición proporcionada cumple cada una. Si la tabla tiene valores ausentes, indica si la respuesta debe dejarlos ausentes o representarlos explícitamente.\n\nPara extracción estructurada, muestra los nombres de los campos y los tipos requeridos. Una entrada como un identificador de artículo, una cantidad de existencias y una etiqueta de almacén puede convertirse en un registro con esos mismos campos. Solicita solo el registro cuando una aplicación vaya a analizarlo; pide una explicación en prosa aparte cuando el usuario necesite examinar la interpretación de la fuente. La capacidad documentada del modelo para generar JSON es distinta de que una interfaz concreta imponga un esquema.\n\nLa conversación multilingüe es compatible con más de 29 idiomas, incluidos inglés, chino, ruso, alemán, francés, español, portugués, italiano, japonés, coreano, vietnamita, tailandés y árabe. Establece el idioma final y proporciona la terminología que deba permanecer sin cambios. Para una explicación técnica traducida, pide al modelo que conserve los nombres de variables, las etiquetas citadas y las unidades mientras adapta la prosa circundante al lector.\n\nLa versión específica 14B\n\nLa ficha indica 14.700 millones de parámetros, incluidos 13.100 millones de parámetros ajenos a las capas de embeddings, y 48 capas Transformer. Su arquitectura utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención, con 40 cabezas de consulta y 8 cabezas de clave/valor en atención de consultas agrupadas. El preentrenamiento y el posentrenamiento producen esta edición Instruct. Su número de parámetros y de capas difieren de los de la edición 32B incluso cuando coinciden las capacidades de familia y las cifras de contexto publicadas.\n\nLa ficha enumera un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. El primero se refiere a la conversación y al material retenido para una tarea; la segunda se refiere a la respuesta generada. El ajuste de generación de 512 tokens del inicio rápido es solo un ejemplo y no sustituye a la capacidad de respuesta declarada en la ficha. La comprensión de imágenes, vídeo y audio pertenece a versiones multimodales identificadas por separado, no a este modelo de texto.\n\nFormato de entrada y tareas asistidas por herramientas\n\nEl ejemplo del fabricante aplica la plantilla de chat correspondiente a mensajes de sistema y usuario diferenciados. Define el papel del asistente y las reglas de respuesta por separado del material examinado. Aporta una pregunta completa y etiqueta el texto de origen para que una instrucción citada dentro de la fuente no se confunda con la tarea indicada por la aplicación.\n\nEl anuncio oficial de Qwen2.5 también describe plantillas de llamadas a herramientas e integraciones compatibles. Una tarea asistida por herramientas necesita que la aplicación circundante proporcione descripciones de funciones, ejecute la operación seleccionada y aporte su resultado para la siguiente respuesta. Por ejemplo, una conversación puede pedir un cálculo con una herramienta de cálculo proporcionada; el resultado de la función se convierte entonces en información que el modelo puede explicar. La disponibilidad y ejecución de herramientas proceden de esa integración, mientras que esta versión aporta el comportamiento textual conversacional.\n\nConfiguración para textos largos\n\nLa configuración publicada cubre inicialmente 32.768 tokens. La extensión documentada para entradas más largas utiliza YaRN, con un factor de escalado de ejemplo de 4,0 y una configuración original de posiciones máximas de 32.768. El escalado estático puede afectar al comportamiento con textos más cortos, por lo que el fabricante recomienda añadirlo cuando se necesitan contextos largos.\n\nAl preparar una fuente larga, identifica la sección que se debe revisar o la pregunta que se debe responder y conserva juntas las partes de apoyo. Una solicitud clara puede pedir un pasaje corregido, una tabla de cambios y las referencias a las secciones originales. Así se utiliza el contexto ampliado para un resultado concreto, manteniendo la respuesta dentro del límite de generación independiente.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct es un modelo de texto multilingüe para asistentes basados en instrucciones, código y matemáticas. Su versión específica de 14.700 millones de parámetros admite interpretación de tablas, generación de JSON y un límite de respuesta de 8.192 tokens, con configuración de contexto ampliado para entradas largas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-14B-Instruct es la edición de tamaño 14B ajustada para seguir instrucciones de la familia general Qwen2.5. Recibe una conversación textual y devuelve texto: una explicación, un documento, código de programa o campos estructurados. Su fabricante destaca el seguimiento de instrucciones, la programación, las matemáticas, la comprensión de datos estructurados como tablas y la generación de respuestas estructuradas, especialmente JSON.
Mejoras de la familia
El fabricante describe conocimientos más amplios y mayores capacidades de programación y matemáticas que la generación anterior Qwen2, junto con generación de respuestas largas y mejor tratamiento de instrucciones de sistema variadas. La familia utiliza un corpus de preentrenamiento descrito como de hasta 18 billones de tokens. Estas capacidades respaldan un asistente especializado cuyo papel y salida se definen por la tarea. Este modelo sigue siendo la edición general Instruct; las líneas Qwen2.5-Coder y Qwen2.5-Math, identificadas por separado, tienen sus propias especializaciones.
Un asistente de procesos puede recibir un procedimiento y una pregunta sobre una etapa. Define el papel del lector, pide las acciones pertinentes para esa etapa y exige que la respuesta conserve las condiciones originales del procedimiento. Una salida útil puede separar la siguiente acción, la condición que la hace aplicable y la información todavía necesaria. Así se transforma una petición amplia de consejos en una respuesta vinculada al proceso proporcionado.
Para una explicación de código, aporta la función, las definiciones auxiliares pertinentes y la entrada que causa confusión. Pide la secuencia de operaciones y el valor devuelto para esa entrada. Para una explicación matemática, indica los símbolos, las suposiciones y la expresión objetivo antes de solicitar la derivación. Ambas tareas utilizan texto; ejecutar el programa o proporcionar una herramienta numérica independiente corresponde a la aplicación que rodea al modelo.
Tablas y JSON
Para una pregunta sobre una tabla, conserva los encabezados de columna y las unidades, identifica las filas pertinentes y especifica la comparación. La salida deseada puede enumerar los identificadores de las filas coincidentes y explicar qué condición proporcionada cumple cada una. Si la tabla tiene valores ausentes, indica si la respuesta debe dejarlos ausentes o representarlos explícitamente.
Para extracción estructurada, muestra los nombres de los campos y los tipos requeridos. Una entrada como un identificador de artículo, una cantidad de existencias y una etiqueta de almacén puede convertirse en un registro con esos mismos campos. Solicita solo el registro cuando una aplicación vaya a analizarlo; pide una explicación en prosa aparte cuando el usuario necesite examinar la interpretación de la fuente. La capacidad documentada del modelo para generar JSON es distinta de que una interfaz concreta imponga un esquema.
La conversación multilingüe es compatible con más de 29 idiomas, incluidos inglés, chino, ruso, alemán, francés, español, portugués, italiano, japonés, coreano, vietnamita, tailandés y árabe. Establece el idioma final y proporciona la terminología que deba permanecer sin cambios. Para una explicación técnica traducida, pide al modelo que conserve los nombres de variables, las etiquetas citadas y las unidades mientras adapta la prosa circundante al lector.
La versión específica 14B
La ficha indica 14.700 millones de parámetros, incluidos 13.100 millones de parámetros ajenos a las capas de embeddings, y 48 capas Transformer. Su arquitectura utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención, con 40 cabezas de consulta y 8 cabezas de clave/valor en atención de consultas agrupadas. El preentrenamiento y el posentrenamiento producen esta edición Instruct. Su número de parámetros y de capas difieren de los de la edición 32B incluso cuando coinciden las capacidades de familia y las cifras de contexto publicadas.
La ficha enumera un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. El primero se refiere a la conversación y al material retenido para una tarea; la segunda se refiere a la respuesta generada. El ajuste de generación de 512 tokens del inicio rápido es solo un ejemplo y no sustituye a la capacidad de respuesta declarada en la ficha. La comprensión de imágenes, vídeo y audio pertenece a versiones multimodales identificadas por separado, no a este modelo de texto.
Formato de entrada y tareas asistidas por herramientas
El ejemplo del fabricante aplica la plantilla de chat correspondiente a mensajes de sistema y usuario diferenciados. Define el papel del asistente y las reglas de respuesta por separado del material examinado. Aporta una pregunta completa y etiqueta el texto de origen para que una instrucción citada dentro de la fuente no se confunda con la tarea indicada por la aplicación.
El anuncio oficial de Qwen2.5 también describe plantillas de llamadas a herramientas e integraciones compatibles. Una tarea asistida por herramientas necesita que la aplicación circundante proporcione descripciones de funciones, ejecute la operación seleccionada y aporte su resultado para la siguiente respuesta. Por ejemplo, una conversación puede pedir un cálculo con una herramienta de cálculo proporcionada; el resultado de la función se convierte entonces en información que el modelo puede explicar. La disponibilidad y ejecución de herramientas proceden de esa integración, mientras que esta versión aporta el comportamiento textual conversacional.
Configuración para textos largos
La configuración publicada cubre inicialmente 32.768 tokens. La extensión documentada para entradas más largas utiliza YaRN, con un factor de escalado de ejemplo de 4,0 y una configuración original de posiciones máximas de 32.768. El escalado estático puede afectar al comportamiento con textos más cortos, por lo que el fabricante recomienda añadirlo cuando se necesitan contextos largos.
Al preparar una fuente larga, identifica la sección que se debe revisar o la pregunta que se debe responder y conserva juntas las partes de apoyo. Una solicitud clara puede pedir un pasaje corregido, una tabla de cambios y las referencias a las secciones originales. Así se utiliza el contexto ampliado para un resultado concreto, manteniendo la respuesta dentro del límite de generación independiente.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen2.5-14B-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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0002 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 las cabeceras. 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct es un modelo de texto multilingüe para asistentes basados en instrucciones, código y matemáticas. Su versión específica de 14.700 millones de parámetros admite interpretación de tablas, generación de JSON y un límite de respuesta de 8.192 tokens, con configuración de contexto ampliado para entradas largas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-14B-Instruct es la edición de tamaño 14B ajustada para seguir instrucciones de la familia general Qwen2.5. Recibe una conversación textual y devuelve texto: una explicación, un documento, código de programa o campos estructurados. Su fabricante destaca el seguimiento de instrucciones, la programación, las matemáticas, la comprensión de datos estructurados como tablas y la generación de respuestas estructuradas, especialmente JSON.
Mejoras de la familia
El fabricante describe conocimientos más amplios y mayores capacidades de programación y matemáticas que la generación anterior Qwen2, junto con generación de respuestas largas y mejor tratamiento de instrucciones de sistema variadas. La familia utiliza un corpus de preentrenamiento descrito como de hasta 18 billones de tokens. Estas capacidades respaldan un asistente especializado cuyo papel y salida se definen por la tarea. Este modelo sigue siendo la edición general Instruct; las líneas Qwen2.5-Coder y Qwen2.5-Math, identificadas por separado, tienen sus propias especializaciones.
Un asistente de procesos puede recibir un procedimiento y una pregunta sobre una etapa. Define el papel del lector, pide las acciones pertinentes para esa etapa y exige que la respuesta conserve las condiciones originales del procedimiento. Una salida útil puede separar la siguiente acción, la condición que la hace aplicable y la información todavía necesaria. Así se transforma una petición amplia de consejos en una respuesta vinculada al proceso proporcionado.
Para una explicación de código, aporta la función, las definiciones auxiliares pertinentes y la entrada que causa confusión. Pide la secuencia de operaciones y el valor devuelto para esa entrada. Para una explicación matemática, indica los símbolos, las suposiciones y la expresión objetivo antes de solicitar la derivación. Ambas tareas utilizan texto; ejecutar el programa o proporcionar una herramienta numérica independiente corresponde a la aplicación que rodea al modelo.
Tablas y JSON
Para una pregunta sobre una tabla, conserva los encabezados de columna y las unidades, identifica las filas pertinentes y especifica la comparación. La salida deseada puede enumerar los identificadores de las filas coincidentes y explicar qué condición proporcionada cumple cada una. Si la tabla tiene valores ausentes, indica si la respuesta debe dejarlos ausentes o representarlos explícitamente.
Para extracción estructurada, muestra los nombres de los campos y los tipos requeridos. Una entrada como un identificador de artículo, una cantidad de existencias y una etiqueta de almacén puede convertirse en un registro con esos mismos campos. Solicita solo el registro cuando una aplicación vaya a analizarlo; pide una explicación en prosa aparte cuando el usuario necesite examinar la interpretación de la fuente. La capacidad documentada del modelo para generar JSON es distinta de que una interfaz concreta imponga un esquema.
La conversación multilingüe es compatible con más de 29 idiomas, incluidos inglés, chino, ruso, alemán, francés, español, portugués, italiano, japonés, coreano, vietnamita, tailandés y árabe. Establece el idioma final y proporciona la terminología que deba permanecer sin cambios. Para una explicación técnica traducida, pide al modelo que conserve los nombres de variables, las etiquetas citadas y las unidades mientras adapta la prosa circundante al lector.
La versión específica 14B
La ficha indica 14.700 millones de parámetros, incluidos 13.100 millones de parámetros ajenos a las capas de embeddings, y 48 capas Transformer. Su arquitectura utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención, con 40 cabezas de consulta y 8 cabezas de clave/valor en atención de consultas agrupadas. El preentrenamiento y el posentrenamiento producen esta edición Instruct. Su número de parámetros y de capas difieren de los de la edición 32B incluso cuando coinciden las capacidades de familia y las cifras de contexto publicadas.
La ficha enumera un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. El primero se refiere a la conversación y al material retenido para una tarea; la segunda se refiere a la respuesta generada. El ajuste de generación de 512 tokens del inicio rápido es solo un ejemplo y no sustituye a la capacidad de respuesta declarada en la ficha. La comprensión de imágenes, vídeo y audio pertenece a versiones multimodales identificadas por separado, no a este modelo de texto.
Formato de entrada y tareas asistidas por herramientas
El ejemplo del fabricante aplica la plantilla de chat correspondiente a mensajes de sistema y usuario diferenciados. Define el papel del asistente y las reglas de respuesta por separado del material examinado. Aporta una pregunta completa y etiqueta el texto de origen para que una instrucción citada dentro de la fuente no se confunda con la tarea indicada por la aplicación.
El anuncio oficial de Qwen2.5 también describe plantillas de llamadas a herramientas e integraciones compatibles. Una tarea asistida por herramientas necesita que la aplicación circundante proporcione descripciones de funciones, ejecute la operación seleccionada y aporte su resultado para la siguiente respuesta. Por ejemplo, una conversación puede pedir un cálculo con una herramienta de cálculo proporcionada; el resultado de la función se convierte entonces en información que el modelo puede explicar. La disponibilidad y ejecución de herramientas proceden de esa integración, mientras que esta versión aporta el comportamiento textual conversacional.
Configuración para textos largos
La configuración publicada cubre inicialmente 32.768 tokens. La extensión documentada para entradas más largas utiliza YaRN, con un factor de escalado de ejemplo de 4,0 y una configuración original de posiciones máximas de 32.768. El escalado estático puede afectar al comportamiento con textos más cortos, por lo que el fabricante recomienda añadirlo cuando se necesitan contextos largos.
Al preparar una fuente larga, identifica la sección que se debe revisar o la pregunta que se debe responder y conserva juntas las partes de apoyo. Una solicitud clara puede pedir un pasaje corregido, una tabla de cambios y las referencias a las secciones originales. Así se utiliza el contexto ampliado para un resultado concreto, manteniendo la respuesta dentro del límite de generación independiente.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen2.5-14B-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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0002 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 las cabeceras. 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct es un modelo de texto multilingüe para asistentes basados en instrucciones, código y matemáticas. Su versión específica de 14.700 millones de parámetros admite interpretación de tablas, generación de JSON y un límite de respuesta de 8.192 tokens, con configuración de contexto ampliado para entradas largas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-14B-Instruct es la edición de tamaño 14B ajustada para seguir instrucciones de la familia general Qwen2.5. Recibe una conversación textual y devuelve texto: una explicación, un documento, código de programa o campos estructurados. Su fabricante destaca el seguimiento de instrucciones, la programación, las matemáticas, la comprensión de datos estructurados como tablas y la generación de respuestas estructuradas, especialmente JSON.
Mejoras de la familia
El fabricante describe conocimientos más amplios y mayores capacidades de programación y matemáticas que la generación anterior Qwen2, junto con generación de respuestas largas y mejor tratamiento de instrucciones de sistema variadas. La familia utiliza un corpus de preentrenamiento descrito como de hasta 18 billones de tokens. Estas capacidades respaldan un asistente especializado cuyo papel y salida se definen por la tarea. Este modelo sigue siendo la edición general Instruct; las líneas Qwen2.5-Coder y Qwen2.5-Math, identificadas por separado, tienen sus propias especializaciones.
Un asistente de procesos puede recibir un procedimiento y una pregunta sobre una etapa. Define el papel del lector, pide las acciones pertinentes para esa etapa y exige que la respuesta conserve las condiciones originales del procedimiento. Una salida útil puede separar la siguiente acción, la condición que la hace aplicable y la información todavía necesaria. Así se transforma una petición amplia de consejos en una respuesta vinculada al proceso proporcionado.
Para una explicación de código, aporta la función, las definiciones auxiliares pertinentes y la entrada que causa confusión. Pide la secuencia de operaciones y el valor devuelto para esa entrada. Para una explicación matemática, indica los símbolos, las suposiciones y la expresión objetivo antes de solicitar la derivación. Ambas tareas utilizan texto; ejecutar el programa o proporcionar una herramienta numérica independiente corresponde a la aplicación que rodea al modelo.
Tablas y JSON
Para una pregunta sobre una tabla, conserva los encabezados de columna y las unidades, identifica las filas pertinentes y especifica la comparación. La salida deseada puede enumerar los identificadores de las filas coincidentes y explicar qué condición proporcionada cumple cada una. Si la tabla tiene valores ausentes, indica si la respuesta debe dejarlos ausentes o representarlos explícitamente.
Para extracción estructurada, muestra los nombres de los campos y los tipos requeridos. Una entrada como un identificador de artículo, una cantidad de existencias y una etiqueta de almacén puede convertirse en un registro con esos mismos campos. Solicita solo el registro cuando una aplicación vaya a analizarlo; pide una explicación en prosa aparte cuando el usuario necesite examinar la interpretación de la fuente. La capacidad documentada del modelo para generar JSON es distinta de que una interfaz concreta imponga un esquema.
La conversación multilingüe es compatible con más de 29 idiomas, incluidos inglés, chino, ruso, alemán, francés, español, portugués, italiano, japonés, coreano, vietnamita, tailandés y árabe. Establece el idioma final y proporciona la terminología que deba permanecer sin cambios. Para una explicación técnica traducida, pide al modelo que conserve los nombres de variables, las etiquetas citadas y las unidades mientras adapta la prosa circundante al lector.
La versión específica 14B
La ficha indica 14.700 millones de parámetros, incluidos 13.100 millones de parámetros ajenos a las capas de embeddings, y 48 capas Transformer. Su arquitectura utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención, con 40 cabezas de consulta y 8 cabezas de clave/valor en atención de consultas agrupadas. El preentrenamiento y el posentrenamiento producen esta edición Instruct. Su número de parámetros y de capas difieren de los de la edición 32B incluso cuando coinciden las capacidades de familia y las cifras de contexto publicadas.
La ficha enumera un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. El primero se refiere a la conversación y al material retenido para una tarea; la segunda se refiere a la respuesta generada. El ajuste de generación de 512 tokens del inicio rápido es solo un ejemplo y no sustituye a la capacidad de respuesta declarada en la ficha. La comprensión de imágenes, vídeo y audio pertenece a versiones multimodales identificadas por separado, no a este modelo de texto.
Formato de entrada y tareas asistidas por herramientas
El ejemplo del fabricante aplica la plantilla de chat correspondiente a mensajes de sistema y usuario diferenciados. Define el papel del asistente y las reglas de respuesta por separado del material examinado. Aporta una pregunta completa y etiqueta el texto de origen para que una instrucción citada dentro de la fuente no se confunda con la tarea indicada por la aplicación.
El anuncio oficial de Qwen2.5 también describe plantillas de llamadas a herramientas e integraciones compatibles. Una tarea asistida por herramientas necesita que la aplicación circundante proporcione descripciones de funciones, ejecute la operación seleccionada y aporte su resultado para la siguiente respuesta. Por ejemplo, una conversación puede pedir un cálculo con una herramienta de cálculo proporcionada; el resultado de la función se convierte entonces en información que el modelo puede explicar. La disponibilidad y ejecución de herramientas proceden de esa integración, mientras que esta versión aporta el comportamiento textual conversacional.
Configuración para textos largos
La configuración publicada cubre inicialmente 32.768 tokens. La extensión documentada para entradas más largas utiliza YaRN, con un factor de escalado de ejemplo de 4,0 y una configuración original de posiciones máximas de 32.768. El escalado estático puede afectar al comportamiento con textos más cortos, por lo que el fabricante recomienda añadirlo cuando se necesitan contextos largos.
Al preparar una fuente larga, identifica la sección que se debe revisar o la pregunta que se debe responder y conserva juntas las partes de apoyo. Una solicitud clara puede pedir un pasaje corregido, una tabla de cambios y las referencias a las secciones originales. Así se utiliza el contexto ampliado para un resultado concreto, manteniendo la respuesta dentro del límite de generación independiente.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-14b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0002 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 las cabeceras. 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct es un modelo de texto multilingüe para asistentes basados en instrucciones, código y matemáticas. Su versión específica de 14.700 millones de parámetros admite interpretación de tablas, generación de JSON y un límite de respuesta de 8.192 tokens, con configuración de contexto ampliado para entradas largas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-14B-Instruct es la edición de tamaño 14B ajustada para seguir instrucciones de la familia general Qwen2.5. Recibe una conversación textual y devuelve texto: una explicación, un documento, código de programa o campos estructurados. Su fabricante destaca el seguimiento de instrucciones, la programación, las matemáticas, la comprensión de datos estructurados como tablas y la generación de respuestas estructuradas, especialmente JSON.
Mejoras de la familia
El fabricante describe conocimientos más amplios y mayores capacidades de programación y matemáticas que la generación anterior Qwen2, junto con generación de respuestas largas y mejor tratamiento de instrucciones de sistema variadas. La familia utiliza un corpus de preentrenamiento descrito como de hasta 18 billones de tokens. Estas capacidades respaldan un asistente especializado cuyo papel y salida se definen por la tarea. Este modelo sigue siendo la edición general Instruct; las líneas Qwen2.5-Coder y Qwen2.5-Math, identificadas por separado, tienen sus propias especializaciones.
Un asistente de procesos puede recibir un procedimiento y una pregunta sobre una etapa. Define el papel del lector, pide las acciones pertinentes para esa etapa y exige que la respuesta conserve las condiciones originales del procedimiento. Una salida útil puede separar la siguiente acción, la condición que la hace aplicable y la información todavía necesaria. Así se transforma una petición amplia de consejos en una respuesta vinculada al proceso proporcionado.
Para una explicación de código, aporta la función, las definiciones auxiliares pertinentes y la entrada que causa confusión. Pide la secuencia de operaciones y el valor devuelto para esa entrada. Para una explicación matemática, indica los símbolos, las suposiciones y la expresión objetivo antes de solicitar la derivación. Ambas tareas utilizan texto; ejecutar el programa o proporcionar una herramienta numérica independiente corresponde a la aplicación que rodea al modelo.
Tablas y JSON
Para una pregunta sobre una tabla, conserva los encabezados de columna y las unidades, identifica las filas pertinentes y especifica la comparación. La salida deseada puede enumerar los identificadores de las filas coincidentes y explicar qué condición proporcionada cumple cada una. Si la tabla tiene valores ausentes, indica si la respuesta debe dejarlos ausentes o representarlos explícitamente.
Para extracción estructurada, muestra los nombres de los campos y los tipos requeridos. Una entrada como un identificador de artículo, una cantidad de existencias y una etiqueta de almacén puede convertirse en un registro con esos mismos campos. Solicita solo el registro cuando una aplicación vaya a analizarlo; pide una explicación en prosa aparte cuando el usuario necesite examinar la interpretación de la fuente. La capacidad documentada del modelo para generar JSON es distinta de que una interfaz concreta imponga un esquema.
La conversación multilingüe es compatible con más de 29 idiomas, incluidos inglés, chino, ruso, alemán, francés, español, portugués, italiano, japonés, coreano, vietnamita, tailandés y árabe. Establece el idioma final y proporciona la terminología que deba permanecer sin cambios. Para una explicación técnica traducida, pide al modelo que conserve los nombres de variables, las etiquetas citadas y las unidades mientras adapta la prosa circundante al lector.
La versión específica 14B
La ficha indica 14.700 millones de parámetros, incluidos 13.100 millones de parámetros ajenos a las capas de embeddings, y 48 capas Transformer. Su arquitectura utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención, con 40 cabezas de consulta y 8 cabezas de clave/valor en atención de consultas agrupadas. El preentrenamiento y el posentrenamiento producen esta edición Instruct. Su número de parámetros y de capas difieren de los de la edición 32B incluso cuando coinciden las capacidades de familia y las cifras de contexto publicadas.
La ficha enumera un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. El primero se refiere a la conversación y al material retenido para una tarea; la segunda se refiere a la respuesta generada. El ajuste de generación de 512 tokens del inicio rápido es solo un ejemplo y no sustituye a la capacidad de respuesta declarada en la ficha. La comprensión de imágenes, vídeo y audio pertenece a versiones multimodales identificadas por separado, no a este modelo de texto.
Formato de entrada y tareas asistidas por herramientas
El ejemplo del fabricante aplica la plantilla de chat correspondiente a mensajes de sistema y usuario diferenciados. Define el papel del asistente y las reglas de respuesta por separado del material examinado. Aporta una pregunta completa y etiqueta el texto de origen para que una instrucción citada dentro de la fuente no se confunda con la tarea indicada por la aplicación.
El anuncio oficial de Qwen2.5 también describe plantillas de llamadas a herramientas e integraciones compatibles. Una tarea asistida por herramientas necesita que la aplicación circundante proporcione descripciones de funciones, ejecute la operación seleccionada y aporte su resultado para la siguiente respuesta. Por ejemplo, una conversación puede pedir un cálculo con una herramienta de cálculo proporcionada; el resultado de la función se convierte entonces en información que el modelo puede explicar. La disponibilidad y ejecución de herramientas proceden de esa integración, mientras que esta versión aporta el comportamiento textual conversacional.
Configuración para textos largos
La configuración publicada cubre inicialmente 32.768 tokens. La extensión documentada para entradas más largas utiliza YaRN, con un factor de escalado de ejemplo de 4,0 y una configuración original de posiciones máximas de 32.768. El escalado estático puede afectar al comportamiento con textos más cortos, por lo que el fabricante recomienda añadirlo cuando se necesitan contextos largos.
Al preparar una fuente larga, identifica la sección que se debe revisar o la pregunta que se debe responder y conserva juntas las partes de apoyo. Una solicitud clara puede pedir un pasaje corregido, una tabla de cambios y las referencias a las secciones originales. Así se utiliza el contexto ampliado para un resultado concreto, manteniendo la respuesta dentro del límite de generación independiente.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-14b-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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0002 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 las cabeceras. 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Ejemplo técnico en inglés
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.