Qwen2-7B-Instruct es la edición de tamaño 7B de Qwen2 ajustada para seguir instrucciones, destinada a conversación y tareas expresadas en lenguaje natural. Es un modelo de entrada y salida textual: la respuesta puede ser una explicación, una traducción, un borrador documental o código de programa. El fabricante identifica comprensión del lenguaje, generación, trabajo multilingüe, programación, matemáticas y razonamiento como sus principales áreas de uso.
Detalles del modelo
Qwen2 incluye versiones base y ajustadas para seguir instrucciones por separado. Esta ficha se refiere a la edición Instruct, no al modelo base Qwen2-7B ni a la versión de mezcla de expertos de la familia. La tabla de información del fabricante indica 7.070 millones de parámetros para el modelo de tamaño 7B. Su Transformer decodificador utiliza SwiGLU, sesgo QKV de atención y atención de consultas agrupadas, con un tokenizador diseñado para lenguajes naturales y código. Son decisiones de arquitectura y representación, no modalidades de entrada adicionales.
El anuncio de la versión describe entrenamiento en inglés y chino más otros 27 idiomas. Incluyen ruso, checo y polaco; alemán, francés y español; árabe, persa y turco; japonés y coreano; y otros idiomas del sur y sureste de Asia. Por tanto, un asistente multilingüe puede recibir una instrucción y material de origen en idiomas distintos, pero debería seguir especificando el idioma, la terminología y el público del resultado final.
Entrenamiento y distinción de Instruct
Después del preentrenamiento, el fabricante utiliza ajuste fino supervisado y optimización directa de preferencias. La edición ajustada para seguir instrucciones está destinada a responder a una solicitud en una conversación, mientras que la edición base tiene otro papel como fundamento de un modelo de lenguaje. Mantén explícito el nombre de la edición al elegir un modelo o comparar su comportamiento ante prompts. Entrenar un modelo para seguir instrucciones y proporcionar una instrucción precisa al utilizarlo son partes complementarias de ese flujo.
Preparación de una entrada conversacional
El inicio rápido de la ficha separa la instrucción de sistema de la pregunta del usuario y aplica la plantilla de chat correspondiente antes de generar. Para una tarea de aplicación, resulta útil la misma distinción práctica: define el papel del asistente y las reglas de respuesta por separado del pasaje o código de origen con el que debe trabajar. Una etiqueta textual escrita dentro de un documento no sustituye a roles de conversación con el formato correcto en la interfaz que lo rodea.
Una tarea de explicación técnica puede proporcionar una función y un ejemplo de entrada y preguntar después qué hace cada rama y qué condiciones afectan al resultado. Una tarea de programación puede especificar la entrada aceptada, el valor de retorno esperado y las restricciones sobre cambios en el comportamiento existente. Solicita la implementación seguida de ejemplos para un caso normal y uno límite. Son aplicaciones de las capacidades de lenguaje y programación documentadas; generar código es un resultado textual, mientras que ejecutarlo corresponde al entorno de la aplicación.
Para edición multilingüe, aporta el pasaje original, el público de destino y una pequeña lista de terminología. Pide una revisión que conserve los nombres y condiciones originales y, después, una explicación breve de los cambios. Es más específico que pedir mejorar el texto: define qué significado debe mantenerse y qué salida utilizable debe devolverse.
Procesamiento de textos largos
El fabricante documenta compatibilidad con un contexto de hasta 131.072 tokens, pero importan las instrucciones para contexto largo. Las entradas superiores a 32.768 tokens requieren la configuración de extensión YaRN documentada. El ejemplo publicado utiliza un factor de escalado de 4,0 con una configuración de posiciones original de 32.768. El fabricante señala que la extensión estática puede afectar al comportamiento con textos más cortos y recomienda activarla cuando realmente se necesita procesamiento de contexto largo.
Prepara una tarea documental larga con una pregunta concreta, secciones de origen identificadas por nombre y una estructura de salida explícita. Por ejemplo, proporciona varias partes de una especificación técnica y solicita los requisitos pertinentes para un cambio concreto, manteniendo la sección de origen junto a cada hallazgo. Una ventana de entrada grande es útil para conservar esas partes juntas; la respuesta puede seguir siendo una tabla compacta, en lugar de repetir el documento entero.
Límites importantes
La cifra de 131.072 tokens es compatibilidad con contexto ampliado, no permiso para ignorar su configuración. Los 512 tokens generados del ejemplo de inicio rápido son un ajuste de ejemplo, no una capacidad máxima de salida publicada. Esta versión Instruct es un modelo de texto y no debe heredar capacidades de imagen o vídeo de Qwen-VL ni el entrenamiento matemático especializado con herramientas integradas de Qwen2.5-Math. Elige la edición identificada por nombre y prepara el texto para la explicación, el código o el documento que necesitas.
", "aboutText": "Qwen2-7B-Instruct es la edición de tamaño 7B de Qwen2 ajustada para seguir instrucciones, destinada a conversación y tareas expresadas en lenguaje natural. Es un modelo de entrada y salida textual: la respuesta puede ser una explicación, una traducción, un borrador documental o código de programa. El fabricante identifica comprensión del lenguaje, generación, trabajo multilingüe, programación, matemáticas y razonamiento como sus principales áreas de uso.\n\nDetalles del modelo\n\nQwen2 incluye versiones base y ajustadas para seguir instrucciones por separado. Esta ficha se refiere a la edición Instruct, no al modelo base Qwen2-7B ni a la versión de mezcla de expertos de la familia. La tabla de información del fabricante indica 7.070 millones de parámetros para el modelo de tamaño 7B. Su Transformer decodificador utiliza SwiGLU, sesgo QKV de atención y atención de consultas agrupadas, con un tokenizador diseñado para lenguajes naturales y código. Son decisiones de arquitectura y representación, no modalidades de entrada adicionales.\n\nEl anuncio de la versión describe entrenamiento en inglés y chino más otros 27 idiomas. Incluyen ruso, checo y polaco; alemán, francés y español; árabe, persa y turco; japonés y coreano; y otros idiomas del sur y sureste de Asia. Por tanto, un asistente multilingüe puede recibir una instrucción y material de origen en idiomas distintos, pero debería seguir especificando el idioma, la terminología y el público del resultado final.\n\nEntrenamiento y distinción de Instruct\n\nDespués del preentrenamiento, el fabricante utiliza ajuste fino supervisado y optimización directa de preferencias. La edición ajustada para seguir instrucciones está destinada a responder a una solicitud en una conversación, mientras que la edición base tiene otro papel como fundamento de un modelo de lenguaje. Mantén explícito el nombre de la edición al elegir un modelo o comparar su comportamiento ante prompts. Entrenar un modelo para seguir instrucciones y proporcionar una instrucción precisa al utilizarlo son partes complementarias de ese flujo.\n\nPreparación de una entrada conversacional\n\nEl inicio rápido de la ficha separa la instrucción de sistema de la pregunta del usuario y aplica la plantilla de chat correspondiente antes de generar. Para una tarea de aplicación, resulta útil la misma distinción práctica: define el papel del asistente y las reglas de respuesta por separado del pasaje o código de origen con el que debe trabajar. Una etiqueta textual escrita dentro de un documento no sustituye a roles de conversación con el formato correcto en la interfaz que lo rodea.\n\nUna tarea de explicación técnica puede proporcionar una función y un ejemplo de entrada y preguntar después qué hace cada rama y qué condiciones afectan al resultado. Una tarea de programación puede especificar la entrada aceptada, el valor de retorno esperado y las restricciones sobre cambios en el comportamiento existente. Solicita la implementación seguida de ejemplos para un caso normal y uno límite. Son aplicaciones de las capacidades de lenguaje y programación documentadas; generar código es un resultado textual, mientras que ejecutarlo corresponde al entorno de la aplicación.\n\nPara edición multilingüe, aporta el pasaje original, el público de destino y una pequeña lista de terminología. Pide una revisión que conserve los nombres y condiciones originales y, después, una explicación breve de los cambios. Es más específico que pedir mejorar el texto: define qué significado debe mantenerse y qué salida utilizable debe devolverse.\n\nProcesamiento de textos largos\n\nEl fabricante documenta compatibilidad con un contexto de hasta 131.072 tokens, pero importan las instrucciones para contexto largo. Las entradas superiores a 32.768 tokens requieren la configuración de extensión YaRN documentada. El ejemplo publicado utiliza un factor de escalado de 4,0 con una configuración de posiciones original de 32.768. El fabricante señala que la extensión estática puede afectar al comportamiento con textos más cortos y recomienda activarla cuando realmente se necesita procesamiento de contexto largo.\n\nPrepara una tarea documental larga con una pregunta concreta, secciones de origen identificadas por nombre y una estructura de salida explícita. Por ejemplo, proporciona varias partes de una especificación técnica y solicita los requisitos pertinentes para un cambio concreto, manteniendo la sección de origen junto a cada hallazgo. Una ventana de entrada grande es útil para conservar esas partes juntas; la respuesta puede seguir siendo una tabla compacta, en lugar de repetir el documento entero.\n\nLímites importantes\n\nLa cifra de 131.072 tokens es compatibilidad con contexto ampliado, no permiso para ignorar su configuración. Los 512 tokens generados del ejemplo de inicio rápido son un ajuste de ejemplo, no una capacidad máxima de salida publicada. Esta versión Instruct es un modelo de texto y no debe heredar capacidades de imagen o vídeo de Qwen-VL ni el entrenamiento matemático especializado con herramientas integradas de Qwen2.5-Math. Elige la edición identificada por nombre y prepara el texto para la explicación, el código o el documento que necesitas.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7fe78a8449f9665f867f320b31e27d883b5d5e5cb570fa1354d545a6df3015ab", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "qwen2-7b-instructQwen2-7B-Instruct es un modelo de texto ajustado para seguir instrucciones, destinado a diálogo multilingüe, programación, matemáticas y razonamiento. Su fabricante documenta un contexto de hasta 131.072 tokens cuando se activa la configuración de contexto largo.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2-7B-Instruct es la edición de tamaño 7B de Qwen2 ajustada para seguir instrucciones, destinada a conversación y tareas expresadas en lenguaje natural. Es un modelo de entrada y salida textual: la respuesta puede ser una explicación, una traducción, un borrador documental o código de programa. El fabricante identifica comprensión del lenguaje, generación, trabajo multilingüe, programación, matemáticas y razonamiento como sus principales áreas de uso.
Detalles del modelo
Qwen2 incluye versiones base y ajustadas para seguir instrucciones por separado. Esta ficha se refiere a la edición Instruct, no al modelo base Qwen2-7B ni a la versión de mezcla de expertos de la familia. La tabla de información del fabricante indica 7.070 millones de parámetros para el modelo de tamaño 7B. Su Transformer decodificador utiliza SwiGLU, sesgo QKV de atención y atención de consultas agrupadas, con un tokenizador diseñado para lenguajes naturales y código. Son decisiones de arquitectura y representación, no modalidades de entrada adicionales.
El anuncio de la versión describe entrenamiento en inglés y chino más otros 27 idiomas. Incluyen ruso, checo y polaco; alemán, francés y español; árabe, persa y turco; japonés y coreano; y otros idiomas del sur y sureste de Asia. Por tanto, un asistente multilingüe puede recibir una instrucción y material de origen en idiomas distintos, pero debería seguir especificando el idioma, la terminología y el público del resultado final.
Entrenamiento y distinción de Instruct
Después del preentrenamiento, el fabricante utiliza ajuste fino supervisado y optimización directa de preferencias. La edición ajustada para seguir instrucciones está destinada a responder a una solicitud en una conversación, mientras que la edición base tiene otro papel como fundamento de un modelo de lenguaje. Mantén explícito el nombre de la edición al elegir un modelo o comparar su comportamiento ante prompts. Entrenar un modelo para seguir instrucciones y proporcionar una instrucción precisa al utilizarlo son partes complementarias de ese flujo.
Preparación de una entrada conversacional
El inicio rápido de la ficha separa la instrucción de sistema de la pregunta del usuario y aplica la plantilla de chat correspondiente antes de generar. Para una tarea de aplicación, resulta útil la misma distinción práctica: define el papel del asistente y las reglas de respuesta por separado del pasaje o código de origen con el que debe trabajar. Una etiqueta textual escrita dentro de un documento no sustituye a roles de conversación con el formato correcto en la interfaz que lo rodea.
Una tarea de explicación técnica puede proporcionar una función y un ejemplo de entrada y preguntar después qué hace cada rama y qué condiciones afectan al resultado. Una tarea de programación puede especificar la entrada aceptada, el valor de retorno esperado y las restricciones sobre cambios en el comportamiento existente. Solicita la implementación seguida de ejemplos para un caso normal y uno límite. Son aplicaciones de las capacidades de lenguaje y programación documentadas; generar código es un resultado textual, mientras que ejecutarlo corresponde al entorno de la aplicación.
Para edición multilingüe, aporta el pasaje original, el público de destino y una pequeña lista de terminología. Pide una revisión que conserve los nombres y condiciones originales y, después, una explicación breve de los cambios. Es más específico que pedir mejorar el texto: define qué significado debe mantenerse y qué salida utilizable debe devolverse.
Procesamiento de textos largos
El fabricante documenta compatibilidad con un contexto de hasta 131.072 tokens, pero importan las instrucciones para contexto largo. Las entradas superiores a 32.768 tokens requieren la configuración de extensión YaRN documentada. El ejemplo publicado utiliza un factor de escalado de 4,0 con una configuración de posiciones original de 32.768. El fabricante señala que la extensión estática puede afectar al comportamiento con textos más cortos y recomienda activarla cuando realmente se necesita procesamiento de contexto largo.
Prepara una tarea documental larga con una pregunta concreta, secciones de origen identificadas por nombre y una estructura de salida explícita. Por ejemplo, proporciona varias partes de una especificación técnica y solicita los requisitos pertinentes para un cambio concreto, manteniendo la sección de origen junto a cada hallazgo. Una ventana de entrada grande es útil para conservar esas partes juntas; la respuesta puede seguir siendo una tabla compacta, en lugar de repetir el documento entero.
Límites importantes
La cifra de 131.072 tokens es compatibilidad con contexto ampliado, no permiso para ignorar su configuración. Los 512 tokens generados del ejemplo de inicio rápido son un ajuste de ejemplo, no una capacidad máxima de salida publicada. Esta versión Instruct es un modelo de texto y no debe heredar capacidades de imagen o vídeo de Qwen-VL ni el entrenamiento matemático especializado con herramientas integradas de Qwen2.5-Math. Elige la edición identificada por nombre y prepara el texto para la explicación, el código o el documento que necesitas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2-7b-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 $0.000286 / 1K tokens Salida · Tokens de salida $0.00058 / 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":"qwen2-7b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2-7b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 qwen2-7b-instruct
/chat/completions
qwen2-7b-instructQwen2-7B-Instruct es un modelo de texto ajustado para seguir instrucciones, destinado a diálogo multilingüe, programación, matemáticas y razonamiento. Su fabricante documenta un contexto de hasta 131.072 tokens cuando se activa la configuración de contexto largo.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2-7B-Instruct es la edición de tamaño 7B de Qwen2 ajustada para seguir instrucciones, destinada a conversación y tareas expresadas en lenguaje natural. Es un modelo de entrada y salida textual: la respuesta puede ser una explicación, una traducción, un borrador documental o código de programa. El fabricante identifica comprensión del lenguaje, generación, trabajo multilingüe, programación, matemáticas y razonamiento como sus principales áreas de uso.
Detalles del modelo
Qwen2 incluye versiones base y ajustadas para seguir instrucciones por separado. Esta ficha se refiere a la edición Instruct, no al modelo base Qwen2-7B ni a la versión de mezcla de expertos de la familia. La tabla de información del fabricante indica 7.070 millones de parámetros para el modelo de tamaño 7B. Su Transformer decodificador utiliza SwiGLU, sesgo QKV de atención y atención de consultas agrupadas, con un tokenizador diseñado para lenguajes naturales y código. Son decisiones de arquitectura y representación, no modalidades de entrada adicionales.
El anuncio de la versión describe entrenamiento en inglés y chino más otros 27 idiomas. Incluyen ruso, checo y polaco; alemán, francés y español; árabe, persa y turco; japonés y coreano; y otros idiomas del sur y sureste de Asia. Por tanto, un asistente multilingüe puede recibir una instrucción y material de origen en idiomas distintos, pero debería seguir especificando el idioma, la terminología y el público del resultado final.
Entrenamiento y distinción de Instruct
Después del preentrenamiento, el fabricante utiliza ajuste fino supervisado y optimización directa de preferencias. La edición ajustada para seguir instrucciones está destinada a responder a una solicitud en una conversación, mientras que la edición base tiene otro papel como fundamento de un modelo de lenguaje. Mantén explícito el nombre de la edición al elegir un modelo o comparar su comportamiento ante prompts. Entrenar un modelo para seguir instrucciones y proporcionar una instrucción precisa al utilizarlo son partes complementarias de ese flujo.
Preparación de una entrada conversacional
El inicio rápido de la ficha separa la instrucción de sistema de la pregunta del usuario y aplica la plantilla de chat correspondiente antes de generar. Para una tarea de aplicación, resulta útil la misma distinción práctica: define el papel del asistente y las reglas de respuesta por separado del pasaje o código de origen con el que debe trabajar. Una etiqueta textual escrita dentro de un documento no sustituye a roles de conversación con el formato correcto en la interfaz que lo rodea.
Una tarea de explicación técnica puede proporcionar una función y un ejemplo de entrada y preguntar después qué hace cada rama y qué condiciones afectan al resultado. Una tarea de programación puede especificar la entrada aceptada, el valor de retorno esperado y las restricciones sobre cambios en el comportamiento existente. Solicita la implementación seguida de ejemplos para un caso normal y uno límite. Son aplicaciones de las capacidades de lenguaje y programación documentadas; generar código es un resultado textual, mientras que ejecutarlo corresponde al entorno de la aplicación.
Para edición multilingüe, aporta el pasaje original, el público de destino y una pequeña lista de terminología. Pide una revisión que conserve los nombres y condiciones originales y, después, una explicación breve de los cambios. Es más específico que pedir mejorar el texto: define qué significado debe mantenerse y qué salida utilizable debe devolverse.
Procesamiento de textos largos
El fabricante documenta compatibilidad con un contexto de hasta 131.072 tokens, pero importan las instrucciones para contexto largo. Las entradas superiores a 32.768 tokens requieren la configuración de extensión YaRN documentada. El ejemplo publicado utiliza un factor de escalado de 4,0 con una configuración de posiciones original de 32.768. El fabricante señala que la extensión estática puede afectar al comportamiento con textos más cortos y recomienda activarla cuando realmente se necesita procesamiento de contexto largo.
Prepara una tarea documental larga con una pregunta concreta, secciones de origen identificadas por nombre y una estructura de salida explícita. Por ejemplo, proporciona varias partes de una especificación técnica y solicita los requisitos pertinentes para un cambio concreto, manteniendo la sección de origen junto a cada hallazgo. Una ventana de entrada grande es útil para conservar esas partes juntas; la respuesta puede seguir siendo una tabla compacta, en lugar de repetir el documento entero.
Límites importantes
La cifra de 131.072 tokens es compatibilidad con contexto ampliado, no permiso para ignorar su configuración. Los 512 tokens generados del ejemplo de inicio rápido son un ajuste de ejemplo, no una capacidad máxima de salida publicada. Esta versión Instruct es un modelo de texto y no debe heredar capacidades de imagen o vídeo de Qwen-VL ni el entrenamiento matemático especializado con herramientas integradas de Qwen2.5-Math. Elige la edición identificada por nombre y prepara el texto para la explicación, el código o el documento que necesitas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2-7b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.00058 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen2-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2-7b-instruct
/chat/completions