Qwen2.5-32B-Instruct es el modelo de texto de tamaño 32B ajustado para seguir instrucciones de la familia general Qwen2.5. Combina comprensión y generación del lenguaje con programación y matemáticas, en lugar de ser el especialista Coder o Math identificado por separado. El fabricante destaca especialmente el seguimiento de instrucciones detalladas, la escritura extensa, la comprensión de tablas y la producción de texto estructurado, sobre todo JSON. La familia se preentrena con un corpus descrito como de hasta 18 billones de tokens.
Datos estructurados, respuestas largas y trabajo multilingüe
Una tarea de extracción útil proporciona un pasaje de origen y los campos exactos necesarios para el siguiente paso de la aplicación. Define los tipos de campo, si las palabras deben copiarse o resumirse y cómo representar la información ausente. Por ejemplo, un registro de producto puede pedir un identificador, condiciones de funcionamiento y una lista de preguntas sin resolver. Solicita solo el registro JSON cuando deba analizarse o pide una explicación separada cuando una persona necesite examinar el razonamiento detrás de los campos extraídos.
La comprensión de tablas es otro aspecto documentado. Proporciona los nombres de columna, las unidades y las filas pertinentes junto con la pregunta. Pide al modelo que identifique las filas que cumplen una condición, explique un cambio entre periodos o convierta una tabla en un informe escrito. Una salida práctica puede conservar el identificador de cada fila junto al hallazgo. Así se mantiene la conexión entre los datos proporcionados y la respuesta, en lugar de producir un resumen sin una fila de origen trazable.
Para escritura extensa, identifica el público, las secciones y los hechos de origen antes de solicitar el documento. Una propuesta técnica puede requerir un planteamiento del problema, requisitos, alternativas y una recomendación utilizando solo el material proporcionado. Especifica qué condiciones son obligatorias y cuáles son preguntas por resolver. El fabricante también desarrolla robustez ante distintos prompts de sistema, respaldando un papel, tono y condiciones conversacionales definidos.
La familia admite más de 29 idiomas, incluidos inglés, chino, ruso, francés, español, portugués, alemán, italiano, japonés, coreano, vietnamita, tailandés y árabe. Para una tarea multilingüe, distingue el idioma de origen del idioma de salida requerido y proporciona una lista terminológica cuando los nombres o términos técnicos deban mantenerse coherentes. Un informe bilingüe puede pedir los mismos hechos de origen en dos versiones manteniendo los identificadores y las unidades sin cambios.
Detalles del modelo de esta edición
La versión 32B-Instruct tiene 32.500 millones de parámetros, con 31.000 millones de parámetros ajenos a las capas de embeddings, y 64 capas Transformer. Utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención. La atención de consultas agrupadas utiliza 40 cabezas de consulta y 8 de clave/valor. Es una versión de modelo de lenguaje denso de solo decodificador, con preentrenamiento y posentrenamiento; Instruct identifica la edición entrenada para conversación, no el modelo base.
La ficha indica un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. Las cifras describen distintas partes de una tarea: el contexto conserva el prompt y la conversación, mientras que la cifra de generación limita la respuesta escrita. Los 512 tokens generados del inicio rápido son simplemente un ejemplo dentro de ese límite de generación mayor declarado. El modelo recibe y devuelve texto; una tabla escaneada o una captura de pantalla necesita que su contenido se proporcione en texto o que se utilice un modelo visual independiente.
Conversación y herramientas
La ficha demuestra mensajes de sistema y usuario diferenciados, formateados con la plantilla de chat correspondiente. Coloca las reglas de respuesta duraderas del asistente en el papel conversacional apropiado y el documento, tabla o código real junto con la tarea del usuario. Marca la separación entre material de origen citado e instrucciones para que una instrucción dentro de un documento no se confunda con la tarea pretendida por la aplicación.
El anuncio oficial de la familia documenta compatibilidad con llamadas a herramientas mediante plantillas de conversación e integraciones del servicio compatibles. En ese flujo, la aplicación proporciona las descripciones de funciones, recibe la llamada propuesta, ejecuta la función y devuelve su resultado. Esto puede conectar una pregunta textual con un cálculo o una consulta de datos, pero elegir este modelo por sí solo no proporciona la herramienta externa ni sus datos. La generación de JSON y una llamada a herramienta son también resultados distintos: una da formato al texto y la otra pide a la aplicación circundante que realice una operación identificada por nombre.
Preparación del contexto largo
La configuración publicada parte de 32.768 tokens. Las entradas que superan ese ajuste requieren la extensión YaRN documentada, cuyo ejemplo utiliza un factor de 4,0 y una configuración original de posiciones máximas de 32.768. El fabricante advierte que el escalado estático puede afectar al comportamiento con textos más cortos y recomienda activarlo cuando se necesita procesamiento de contexto largo.
Para comparar documentos grandes, identifica el papel de cada uno y pide un resultado bien definido: una matriz de requisitos, una lista de discrepancias o una sección revisada. Conserva las ubicaciones de origen junto a los hallazgos extraídos y deja suficiente espacio de respuesta para la estructura solicitada. La capacidad de contexto largo ayuda a mantener unido el material pertinente; no sustituye la necesidad de definir qué se debe comparar o cómo se utilizará el resultado final.
", "aboutText": "Qwen2.5-32B-Instruct es el modelo de texto de tamaño 32B ajustado para seguir instrucciones de la familia general Qwen2.5. Combina comprensión y generación del lenguaje con programación y matemáticas, en lugar de ser el especialista Coder o Math identificado por separado. El fabricante destaca especialmente el seguimiento de instrucciones detalladas, la escritura extensa, la comprensión de tablas y la producción de texto estructurado, sobre todo JSON. La familia se preentrena con un corpus descrito como de hasta 18 billones de tokens.\n\nDatos estructurados, respuestas largas y trabajo multilingüe\n\nUna tarea de extracción útil proporciona un pasaje de origen y los campos exactos necesarios para el siguiente paso de la aplicación. Define los tipos de campo, si las palabras deben copiarse o resumirse y cómo representar la información ausente. Por ejemplo, un registro de producto puede pedir un identificador, condiciones de funcionamiento y una lista de preguntas sin resolver. Solicita solo el registro JSON cuando deba analizarse o pide una explicación separada cuando una persona necesite examinar el razonamiento detrás de los campos extraídos.\n\nLa comprensión de tablas es otro aspecto documentado. Proporciona los nombres de columna, las unidades y las filas pertinentes junto con la pregunta. Pide al modelo que identifique las filas que cumplen una condición, explique un cambio entre periodos o convierta una tabla en un informe escrito. Una salida práctica puede conservar el identificador de cada fila junto al hallazgo. Así se mantiene la conexión entre los datos proporcionados y la respuesta, en lugar de producir un resumen sin una fila de origen trazable.\n\nPara escritura extensa, identifica el público, las secciones y los hechos de origen antes de solicitar el documento. Una propuesta técnica puede requerir un planteamiento del problema, requisitos, alternativas y una recomendación utilizando solo el material proporcionado. Especifica qué condiciones son obligatorias y cuáles son preguntas por resolver. El fabricante también desarrolla robustez ante distintos prompts de sistema, respaldando un papel, tono y condiciones conversacionales definidos.\n\nLa familia admite más de 29 idiomas, incluidos inglés, chino, ruso, francés, español, portugués, alemán, italiano, japonés, coreano, vietnamita, tailandés y árabe. Para una tarea multilingüe, distingue el idioma de origen del idioma de salida requerido y proporciona una lista terminológica cuando los nombres o términos técnicos deban mantenerse coherentes. Un informe bilingüe puede pedir los mismos hechos de origen en dos versiones manteniendo los identificadores y las unidades sin cambios.\n\nDetalles del modelo de esta edición\n\nLa versión 32B-Instruct tiene 32.500 millones de parámetros, con 31.000 millones de parámetros ajenos a las capas de embeddings, y 64 capas Transformer. Utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención. La atención de consultas agrupadas utiliza 40 cabezas de consulta y 8 de clave/valor. Es una versión de modelo de lenguaje denso de solo decodificador, con preentrenamiento y posentrenamiento; Instruct identifica la edición entrenada para conversación, no el modelo base.\n\nLa ficha indica un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. Las cifras describen distintas partes de una tarea: el contexto conserva el prompt y la conversación, mientras que la cifra de generación limita la respuesta escrita. Los 512 tokens generados del inicio rápido son simplemente un ejemplo dentro de ese límite de generación mayor declarado. El modelo recibe y devuelve texto; una tabla escaneada o una captura de pantalla necesita que su contenido se proporcione en texto o que se utilice un modelo visual independiente.\n\nConversación y herramientas\n\nLa ficha demuestra mensajes de sistema y usuario diferenciados, formateados con la plantilla de chat correspondiente. Coloca las reglas de respuesta duraderas del asistente en el papel conversacional apropiado y el documento, tabla o código real junto con la tarea del usuario. Marca la separación entre material de origen citado e instrucciones para que una instrucción dentro de un documento no se confunda con la tarea pretendida por la aplicación.\n\nEl anuncio oficial de la familia documenta compatibilidad con llamadas a herramientas mediante plantillas de conversación e integraciones del servicio compatibles. En ese flujo, la aplicación proporciona las descripciones de funciones, recibe la llamada propuesta, ejecuta la función y devuelve su resultado. Esto puede conectar una pregunta textual con un cálculo o una consulta de datos, pero elegir este modelo por sí solo no proporciona la herramienta externa ni sus datos. La generación de JSON y una llamada a herramienta son también resultados distintos: una da formato al texto y la otra pide a la aplicación circundante que realice una operación identificada por nombre.\n\nPreparación del contexto largo\n\nLa configuración publicada parte de 32.768 tokens. Las entradas que superan ese ajuste requieren la extensión YaRN documentada, cuyo ejemplo utiliza un factor de 4,0 y una configuración original de posiciones máximas de 32.768. El fabricante advierte que el escalado estático puede afectar al comportamiento con textos más cortos y recomienda activarlo cuando se necesita procesamiento de contexto largo.\n\nPara comparar documentos grandes, identifica el papel de cada uno y pide un resultado bien definido: una matriz de requisitos, una lista de discrepancias o una sección revisada. Conserva las ubicaciones de origen junto a los hallazgos extraídos y deja suficiente espacio de respuesta para la estructura solicitada. La capacidad de contexto largo ayuda a mantener unido el material pertinente; no sustituye la necesidad de definir qué se debe comparar o cómo se utilizará el resultado final.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct es un modelo de texto multilingüe para instrucciones detalladas, programación, matemáticas y datos estructurados. Su edición de 32.500 millones de parámetros destaca la comprensión de tablas, la salida JSON y los resultados escritos largos, con ajustes de contexto ampliado documentados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-32B-Instruct es el modelo de texto de tamaño 32B ajustado para seguir instrucciones de la familia general Qwen2.5. Combina comprensión y generación del lenguaje con programación y matemáticas, en lugar de ser el especialista Coder o Math identificado por separado. El fabricante destaca especialmente el seguimiento de instrucciones detalladas, la escritura extensa, la comprensión de tablas y la producción de texto estructurado, sobre todo JSON. La familia se preentrena con un corpus descrito como de hasta 18 billones de tokens.
Datos estructurados, respuestas largas y trabajo multilingüe
Una tarea de extracción útil proporciona un pasaje de origen y los campos exactos necesarios para el siguiente paso de la aplicación. Define los tipos de campo, si las palabras deben copiarse o resumirse y cómo representar la información ausente. Por ejemplo, un registro de producto puede pedir un identificador, condiciones de funcionamiento y una lista de preguntas sin resolver. Solicita solo el registro JSON cuando deba analizarse o pide una explicación separada cuando una persona necesite examinar el razonamiento detrás de los campos extraídos.
La comprensión de tablas es otro aspecto documentado. Proporciona los nombres de columna, las unidades y las filas pertinentes junto con la pregunta. Pide al modelo que identifique las filas que cumplen una condición, explique un cambio entre periodos o convierta una tabla en un informe escrito. Una salida práctica puede conservar el identificador de cada fila junto al hallazgo. Así se mantiene la conexión entre los datos proporcionados y la respuesta, en lugar de producir un resumen sin una fila de origen trazable.
Para escritura extensa, identifica el público, las secciones y los hechos de origen antes de solicitar el documento. Una propuesta técnica puede requerir un planteamiento del problema, requisitos, alternativas y una recomendación utilizando solo el material proporcionado. Especifica qué condiciones son obligatorias y cuáles son preguntas por resolver. El fabricante también desarrolla robustez ante distintos prompts de sistema, respaldando un papel, tono y condiciones conversacionales definidos.
La familia admite más de 29 idiomas, incluidos inglés, chino, ruso, francés, español, portugués, alemán, italiano, japonés, coreano, vietnamita, tailandés y árabe. Para una tarea multilingüe, distingue el idioma de origen del idioma de salida requerido y proporciona una lista terminológica cuando los nombres o términos técnicos deban mantenerse coherentes. Un informe bilingüe puede pedir los mismos hechos de origen en dos versiones manteniendo los identificadores y las unidades sin cambios.
Detalles del modelo de esta edición
La versión 32B-Instruct tiene 32.500 millones de parámetros, con 31.000 millones de parámetros ajenos a las capas de embeddings, y 64 capas Transformer. Utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención. La atención de consultas agrupadas utiliza 40 cabezas de consulta y 8 de clave/valor. Es una versión de modelo de lenguaje denso de solo decodificador, con preentrenamiento y posentrenamiento; Instruct identifica la edición entrenada para conversación, no el modelo base.
La ficha indica un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. Las cifras describen distintas partes de una tarea: el contexto conserva el prompt y la conversación, mientras que la cifra de generación limita la respuesta escrita. Los 512 tokens generados del inicio rápido son simplemente un ejemplo dentro de ese límite de generación mayor declarado. El modelo recibe y devuelve texto; una tabla escaneada o una captura de pantalla necesita que su contenido se proporcione en texto o que se utilice un modelo visual independiente.
Conversación y herramientas
La ficha demuestra mensajes de sistema y usuario diferenciados, formateados con la plantilla de chat correspondiente. Coloca las reglas de respuesta duraderas del asistente en el papel conversacional apropiado y el documento, tabla o código real junto con la tarea del usuario. Marca la separación entre material de origen citado e instrucciones para que una instrucción dentro de un documento no se confunda con la tarea pretendida por la aplicación.
El anuncio oficial de la familia documenta compatibilidad con llamadas a herramientas mediante plantillas de conversación e integraciones del servicio compatibles. En ese flujo, la aplicación proporciona las descripciones de funciones, recibe la llamada propuesta, ejecuta la función y devuelve su resultado. Esto puede conectar una pregunta textual con un cálculo o una consulta de datos, pero elegir este modelo por sí solo no proporciona la herramienta externa ni sus datos. La generación de JSON y una llamada a herramienta son también resultados distintos: una da formato al texto y la otra pide a la aplicación circundante que realice una operación identificada por nombre.
Preparación del contexto largo
La configuración publicada parte de 32.768 tokens. Las entradas que superan ese ajuste requieren la extensión YaRN documentada, cuyo ejemplo utiliza un factor de 4,0 y una configuración original de posiciones máximas de 32.768. El fabricante advierte que el escalado estático puede afectar al comportamiento con textos más cortos y recomienda activarlo cuando se necesita procesamiento de contexto largo.
Para comparar documentos grandes, identifica el papel de cada uno y pide un resultado bien definido: una matriz de requisitos, una lista de discrepancias o una sección revisada. Conserva las ubicaciones de origen junto a los hallazgos extraídos y deja suficiente espacio de respuesta para la estructura solicitada. La capacidad de contexto largo ayuda a mantener unido el material pertinente; no sustituye la necesidad de definir qué se debe comparar o cómo se utilizará el resultado final.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen2.5-32B-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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 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/Qwen2.5-32B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct es un modelo de texto multilingüe para instrucciones detalladas, programación, matemáticas y datos estructurados. Su edición de 32.500 millones de parámetros destaca la comprensión de tablas, la salida JSON y los resultados escritos largos, con ajustes de contexto ampliado documentados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-32B-Instruct es el modelo de texto de tamaño 32B ajustado para seguir instrucciones de la familia general Qwen2.5. Combina comprensión y generación del lenguaje con programación y matemáticas, en lugar de ser el especialista Coder o Math identificado por separado. El fabricante destaca especialmente el seguimiento de instrucciones detalladas, la escritura extensa, la comprensión de tablas y la producción de texto estructurado, sobre todo JSON. La familia se preentrena con un corpus descrito como de hasta 18 billones de tokens.
Datos estructurados, respuestas largas y trabajo multilingüe
Una tarea de extracción útil proporciona un pasaje de origen y los campos exactos necesarios para el siguiente paso de la aplicación. Define los tipos de campo, si las palabras deben copiarse o resumirse y cómo representar la información ausente. Por ejemplo, un registro de producto puede pedir un identificador, condiciones de funcionamiento y una lista de preguntas sin resolver. Solicita solo el registro JSON cuando deba analizarse o pide una explicación separada cuando una persona necesite examinar el razonamiento detrás de los campos extraídos.
La comprensión de tablas es otro aspecto documentado. Proporciona los nombres de columna, las unidades y las filas pertinentes junto con la pregunta. Pide al modelo que identifique las filas que cumplen una condición, explique un cambio entre periodos o convierta una tabla en un informe escrito. Una salida práctica puede conservar el identificador de cada fila junto al hallazgo. Así se mantiene la conexión entre los datos proporcionados y la respuesta, en lugar de producir un resumen sin una fila de origen trazable.
Para escritura extensa, identifica el público, las secciones y los hechos de origen antes de solicitar el documento. Una propuesta técnica puede requerir un planteamiento del problema, requisitos, alternativas y una recomendación utilizando solo el material proporcionado. Especifica qué condiciones son obligatorias y cuáles son preguntas por resolver. El fabricante también desarrolla robustez ante distintos prompts de sistema, respaldando un papel, tono y condiciones conversacionales definidos.
La familia admite más de 29 idiomas, incluidos inglés, chino, ruso, francés, español, portugués, alemán, italiano, japonés, coreano, vietnamita, tailandés y árabe. Para una tarea multilingüe, distingue el idioma de origen del idioma de salida requerido y proporciona una lista terminológica cuando los nombres o términos técnicos deban mantenerse coherentes. Un informe bilingüe puede pedir los mismos hechos de origen en dos versiones manteniendo los identificadores y las unidades sin cambios.
Detalles del modelo de esta edición
La versión 32B-Instruct tiene 32.500 millones de parámetros, con 31.000 millones de parámetros ajenos a las capas de embeddings, y 64 capas Transformer. Utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención. La atención de consultas agrupadas utiliza 40 cabezas de consulta y 8 de clave/valor. Es una versión de modelo de lenguaje denso de solo decodificador, con preentrenamiento y posentrenamiento; Instruct identifica la edición entrenada para conversación, no el modelo base.
La ficha indica un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. Las cifras describen distintas partes de una tarea: el contexto conserva el prompt y la conversación, mientras que la cifra de generación limita la respuesta escrita. Los 512 tokens generados del inicio rápido son simplemente un ejemplo dentro de ese límite de generación mayor declarado. El modelo recibe y devuelve texto; una tabla escaneada o una captura de pantalla necesita que su contenido se proporcione en texto o que se utilice un modelo visual independiente.
Conversación y herramientas
La ficha demuestra mensajes de sistema y usuario diferenciados, formateados con la plantilla de chat correspondiente. Coloca las reglas de respuesta duraderas del asistente en el papel conversacional apropiado y el documento, tabla o código real junto con la tarea del usuario. Marca la separación entre material de origen citado e instrucciones para que una instrucción dentro de un documento no se confunda con la tarea pretendida por la aplicación.
El anuncio oficial de la familia documenta compatibilidad con llamadas a herramientas mediante plantillas de conversación e integraciones del servicio compatibles. En ese flujo, la aplicación proporciona las descripciones de funciones, recibe la llamada propuesta, ejecuta la función y devuelve su resultado. Esto puede conectar una pregunta textual con un cálculo o una consulta de datos, pero elegir este modelo por sí solo no proporciona la herramienta externa ni sus datos. La generación de JSON y una llamada a herramienta son también resultados distintos: una da formato al texto y la otra pide a la aplicación circundante que realice una operación identificada por nombre.
Preparación del contexto largo
La configuración publicada parte de 32.768 tokens. Las entradas que superan ese ajuste requieren la extensión YaRN documentada, cuyo ejemplo utiliza un factor de 4,0 y una configuración original de posiciones máximas de 32.768. El fabricante advierte que el escalado estático puede afectar al comportamiento con textos más cortos y recomienda activarlo cuando se necesita procesamiento de contexto largo.
Para comparar documentos grandes, identifica el papel de cada uno y pide un resultado bien definido: una matriz de requisitos, una lista de discrepancias o una sección revisada. Conserva las ubicaciones de origen junto a los hallazgos extraídos y deja suficiente espacio de respuesta para la estructura solicitada. La capacidad de contexto largo ayuda a mantener unido el material pertinente; no sustituye la necesidad de definir qué se debe comparar o cómo se utilizará el resultado final.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen2.5-32B-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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct es un modelo de texto multilingüe para instrucciones detalladas, programación, matemáticas y datos estructurados. Su edición de 32.500 millones de parámetros destaca la comprensión de tablas, la salida JSON y los resultados escritos largos, con ajustes de contexto ampliado documentados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-32B-Instruct es el modelo de texto de tamaño 32B ajustado para seguir instrucciones de la familia general Qwen2.5. Combina comprensión y generación del lenguaje con programación y matemáticas, en lugar de ser el especialista Coder o Math identificado por separado. El fabricante destaca especialmente el seguimiento de instrucciones detalladas, la escritura extensa, la comprensión de tablas y la producción de texto estructurado, sobre todo JSON. La familia se preentrena con un corpus descrito como de hasta 18 billones de tokens.
Datos estructurados, respuestas largas y trabajo multilingüe
Una tarea de extracción útil proporciona un pasaje de origen y los campos exactos necesarios para el siguiente paso de la aplicación. Define los tipos de campo, si las palabras deben copiarse o resumirse y cómo representar la información ausente. Por ejemplo, un registro de producto puede pedir un identificador, condiciones de funcionamiento y una lista de preguntas sin resolver. Solicita solo el registro JSON cuando deba analizarse o pide una explicación separada cuando una persona necesite examinar el razonamiento detrás de los campos extraídos.
La comprensión de tablas es otro aspecto documentado. Proporciona los nombres de columna, las unidades y las filas pertinentes junto con la pregunta. Pide al modelo que identifique las filas que cumplen una condición, explique un cambio entre periodos o convierta una tabla en un informe escrito. Una salida práctica puede conservar el identificador de cada fila junto al hallazgo. Así se mantiene la conexión entre los datos proporcionados y la respuesta, en lugar de producir un resumen sin una fila de origen trazable.
Para escritura extensa, identifica el público, las secciones y los hechos de origen antes de solicitar el documento. Una propuesta técnica puede requerir un planteamiento del problema, requisitos, alternativas y una recomendación utilizando solo el material proporcionado. Especifica qué condiciones son obligatorias y cuáles son preguntas por resolver. El fabricante también desarrolla robustez ante distintos prompts de sistema, respaldando un papel, tono y condiciones conversacionales definidos.
La familia admite más de 29 idiomas, incluidos inglés, chino, ruso, francés, español, portugués, alemán, italiano, japonés, coreano, vietnamita, tailandés y árabe. Para una tarea multilingüe, distingue el idioma de origen del idioma de salida requerido y proporciona una lista terminológica cuando los nombres o términos técnicos deban mantenerse coherentes. Un informe bilingüe puede pedir los mismos hechos de origen en dos versiones manteniendo los identificadores y las unidades sin cambios.
Detalles del modelo de esta edición
La versión 32B-Instruct tiene 32.500 millones de parámetros, con 31.000 millones de parámetros ajenos a las capas de embeddings, y 64 capas Transformer. Utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención. La atención de consultas agrupadas utiliza 40 cabezas de consulta y 8 de clave/valor. Es una versión de modelo de lenguaje denso de solo decodificador, con preentrenamiento y posentrenamiento; Instruct identifica la edición entrenada para conversación, no el modelo base.
La ficha indica un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. Las cifras describen distintas partes de una tarea: el contexto conserva el prompt y la conversación, mientras que la cifra de generación limita la respuesta escrita. Los 512 tokens generados del inicio rápido son simplemente un ejemplo dentro de ese límite de generación mayor declarado. El modelo recibe y devuelve texto; una tabla escaneada o una captura de pantalla necesita que su contenido se proporcione en texto o que se utilice un modelo visual independiente.
Conversación y herramientas
La ficha demuestra mensajes de sistema y usuario diferenciados, formateados con la plantilla de chat correspondiente. Coloca las reglas de respuesta duraderas del asistente en el papel conversacional apropiado y el documento, tabla o código real junto con la tarea del usuario. Marca la separación entre material de origen citado e instrucciones para que una instrucción dentro de un documento no se confunda con la tarea pretendida por la aplicación.
El anuncio oficial de la familia documenta compatibilidad con llamadas a herramientas mediante plantillas de conversación e integraciones del servicio compatibles. En ese flujo, la aplicación proporciona las descripciones de funciones, recibe la llamada propuesta, ejecuta la función y devuelve su resultado. Esto puede conectar una pregunta textual con un cálculo o una consulta de datos, pero elegir este modelo por sí solo no proporciona la herramienta externa ni sus datos. La generación de JSON y una llamada a herramienta son también resultados distintos: una da formato al texto y la otra pide a la aplicación circundante que realice una operación identificada por nombre.
Preparación del contexto largo
La configuración publicada parte de 32.768 tokens. Las entradas que superan ese ajuste requieren la extensión YaRN documentada, cuyo ejemplo utiliza un factor de 4,0 y una configuración original de posiciones máximas de 32.768. El fabricante advierte que el escalado estático puede afectar al comportamiento con textos más cortos y recomienda activarlo cuando se necesita procesamiento de contexto largo.
Para comparar documentos grandes, identifica el papel de cada uno y pide un resultado bien definido: una matriz de requisitos, una lista de discrepancias o una sección revisada. Conserva las ubicaciones de origen junto a los hallazgos extraídos y deja suficiente espacio de respuesta para la estructura solicitada. La capacidad de contexto largo ayuda a mantener unido el material pertinente; no sustituye la necesidad de definir qué se debe comparar o cómo se utilizará el resultado final.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-32b-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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 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":"qwen2.5-32b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-32b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct es un modelo de texto multilingüe para instrucciones detalladas, programación, matemáticas y datos estructurados. Su edición de 32.500 millones de parámetros destaca la comprensión de tablas, la salida JSON y los resultados escritos largos, con ajustes de contexto ampliado documentados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-32B-Instruct es el modelo de texto de tamaño 32B ajustado para seguir instrucciones de la familia general Qwen2.5. Combina comprensión y generación del lenguaje con programación y matemáticas, en lugar de ser el especialista Coder o Math identificado por separado. El fabricante destaca especialmente el seguimiento de instrucciones detalladas, la escritura extensa, la comprensión de tablas y la producción de texto estructurado, sobre todo JSON. La familia se preentrena con un corpus descrito como de hasta 18 billones de tokens.
Datos estructurados, respuestas largas y trabajo multilingüe
Una tarea de extracción útil proporciona un pasaje de origen y los campos exactos necesarios para el siguiente paso de la aplicación. Define los tipos de campo, si las palabras deben copiarse o resumirse y cómo representar la información ausente. Por ejemplo, un registro de producto puede pedir un identificador, condiciones de funcionamiento y una lista de preguntas sin resolver. Solicita solo el registro JSON cuando deba analizarse o pide una explicación separada cuando una persona necesite examinar el razonamiento detrás de los campos extraídos.
La comprensión de tablas es otro aspecto documentado. Proporciona los nombres de columna, las unidades y las filas pertinentes junto con la pregunta. Pide al modelo que identifique las filas que cumplen una condición, explique un cambio entre periodos o convierta una tabla en un informe escrito. Una salida práctica puede conservar el identificador de cada fila junto al hallazgo. Así se mantiene la conexión entre los datos proporcionados y la respuesta, en lugar de producir un resumen sin una fila de origen trazable.
Para escritura extensa, identifica el público, las secciones y los hechos de origen antes de solicitar el documento. Una propuesta técnica puede requerir un planteamiento del problema, requisitos, alternativas y una recomendación utilizando solo el material proporcionado. Especifica qué condiciones son obligatorias y cuáles son preguntas por resolver. El fabricante también desarrolla robustez ante distintos prompts de sistema, respaldando un papel, tono y condiciones conversacionales definidos.
La familia admite más de 29 idiomas, incluidos inglés, chino, ruso, francés, español, portugués, alemán, italiano, japonés, coreano, vietnamita, tailandés y árabe. Para una tarea multilingüe, distingue el idioma de origen del idioma de salida requerido y proporciona una lista terminológica cuando los nombres o términos técnicos deban mantenerse coherentes. Un informe bilingüe puede pedir los mismos hechos de origen en dos versiones manteniendo los identificadores y las unidades sin cambios.
Detalles del modelo de esta edición
La versión 32B-Instruct tiene 32.500 millones de parámetros, con 31.000 millones de parámetros ajenos a las capas de embeddings, y 64 capas Transformer. Utiliza embeddings posicionales rotatorios, SwiGLU, RMSNorm y sesgo QKV de atención. La atención de consultas agrupadas utiliza 40 cabezas de consulta y 8 de clave/valor. Es una versión de modelo de lenguaje denso de solo decodificador, con preentrenamiento y posentrenamiento; Instruct identifica la edición entrenada para conversación, no el modelo base.
La ficha indica un contexto completo de 131.072 tokens y generación de hasta 8.192 tokens. Las cifras describen distintas partes de una tarea: el contexto conserva el prompt y la conversación, mientras que la cifra de generación limita la respuesta escrita. Los 512 tokens generados del inicio rápido son simplemente un ejemplo dentro de ese límite de generación mayor declarado. El modelo recibe y devuelve texto; una tabla escaneada o una captura de pantalla necesita que su contenido se proporcione en texto o que se utilice un modelo visual independiente.
Conversación y herramientas
La ficha demuestra mensajes de sistema y usuario diferenciados, formateados con la plantilla de chat correspondiente. Coloca las reglas de respuesta duraderas del asistente en el papel conversacional apropiado y el documento, tabla o código real junto con la tarea del usuario. Marca la separación entre material de origen citado e instrucciones para que una instrucción dentro de un documento no se confunda con la tarea pretendida por la aplicación.
El anuncio oficial de la familia documenta compatibilidad con llamadas a herramientas mediante plantillas de conversación e integraciones del servicio compatibles. En ese flujo, la aplicación proporciona las descripciones de funciones, recibe la llamada propuesta, ejecuta la función y devuelve su resultado. Esto puede conectar una pregunta textual con un cálculo o una consulta de datos, pero elegir este modelo por sí solo no proporciona la herramienta externa ni sus datos. La generación de JSON y una llamada a herramienta son también resultados distintos: una da formato al texto y la otra pide a la aplicación circundante que realice una operación identificada por nombre.
Preparación del contexto largo
La configuración publicada parte de 32.768 tokens. Las entradas que superan ese ajuste requieren la extensión YaRN documentada, cuyo ejemplo utiliza un factor de 4,0 y una configuración original de posiciones máximas de 32.768. El fabricante advierte que el escalado estático puede afectar al comportamiento con textos más cortos y recomienda activarlo cuando se necesita procesamiento de contexto largo.
Para comparar documentos grandes, identifica el papel de cada uno y pide un resultado bien definido: una matriz de requisitos, una lista de discrepancias o una sección revisada. Conserva las ubicaciones de origen junto a los hallazgos extraídos y deja suficiente espacio de respuesta para la estructura solicitada. La capacidad de contexto largo ayuda a mantener unido el material pertinente; no sustituye la necesidad de definir qué se debe comparar o cómo se utilizará el resultado final.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-32b-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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Ejemplo técnico en inglés
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.