Qwen2.5-7B-Instruct est le modèle textuel 7B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Qwen met en avant le code et les mathématiques, le suivi d’instructions, les textes longs, la compréhension de tableaux et la sortie structurée, notamment JSON. C’est un modèle dense à décodeur seul de 7,61 milliards de paramètres au total, dont 6,53 milliards hors embeddings. Il accepte des conversations textuelles et génère du texte. Une consigne utile peut lui demander de transformer des informations fournies en explication claire, en enregistrement structuré, en brouillon révisé ou en programme proposé.
Le modèle prend en charge plus de 29 langues, notamment le chinois, l’anglais, le français, l’espagnol, le portugais, l’allemand, l’italien, le russe, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Le fabricant souligne aussi sa robustesse face à des prompts système variés, utile pour définir un rôle conversationnel et ses conditions. Indiquez directement le rôle, le public, la terminologie et la langue de sortie. Par exemple, une demande de révision peut fournir un passage technique, préciser le lecteur visé et demander une explication plus courte qui préserve les termes nommés et les conditions énoncées. L’édition entraînée aux instructions est le modèle conversationnel, distinct du modèle de base préentraîné correspondant.
La compréhension de données structurées et la génération de JSON sont des améliorations centrales de Qwen2.5. Pour extraire ou transformer un tableau, préservez ses en-têtes et unités et expliquez les lignes ou relations importantes. Définissez les clés demandées, les types de valeurs et le traitement des informations manquantes, au lieu de demander seulement un résumé général. Une consigne illustrative peut fournir une liste de problèmes et demander un objet par problème contenant l’identifiant source, la catégorie et une courte explication. Ce résultat reste du texte généré : vérifier sa structure et ses valeurs par rapport à l’entrée fait partie de son utilisation dans un processus en aval.
La fiche exacte décrit un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. La configuration fournie est réglée sur 32 768 jetons de contexte; le traitement de contenus plus longs utilise la configuration YaRN documentée. Le fabricant avertit que la mise à l’échelle statique peut affecter les performances sur les entrées courtes et recommande de l’ajouter lorsque le traitement d’un long contexte est nécessaire. Maintenez l’entrée et la réponse demandée dans l’espace configuré pertinent. Pour un long rapport, gardez les titres de sections, priorisez les passages liés à la question et demandez la longueur de sortie nécessaire, plutôt que de prendre le contexte plus grand comme prétexte pour inclure des éléments sans rapport.
Le démarrage rapide officiel utilise des messages système et utilisateur avec le gabarit de conversation du modèle, puis décode la continuation générée. Préparez une tâche de code avec la source pertinente, le langage, le comportement attendu et les contraintes. Préparez une question mathématique avec les données du problème et le format du résultat. Les améliorations documentées du modèle généraliste ne le transforment pas en édition Qwen2.5-Coder ou Qwen2.5-Math entraînée séparément. Une consigne de code peut demander l’explication d’une fonction, une correction proposée et pourquoi elle satisfait aux conditions énoncées; l’exécution et la vérification restent des étapes distinctes.
La documentation de la version Qwen décrit aussi les appels d’outils et un gabarit de conversation prenant en compte les outils, avec une compatibilité Qwen-Agent. Définissez les outils disponibles et leurs arguments, indiquez le but et fournissez les résultats renvoyés pour interprétation. Un assistant documentaire peut demander les informations pertinentes avant de rédiger sa réponse finale, tandis qu’un assistant de code peut analyser le résultat d’une vérification exécutée par l’application. Le livrable utile est une réponse liée aux éléments fournis et au format demandé. Ce profil appartient à un modèle textuel; les capacités visuelles, audio ou de génération vidéo d’autres modèles Qwen sont distinctes.
", "aboutText": "Qwen2.5-7B-Instruct est le modèle textuel 7B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Qwen met en avant le code et les mathématiques, le suivi d’instructions, les textes longs, la compréhension de tableaux et la sortie structurée, notamment JSON. C’est un modèle dense à décodeur seul de 7,61 milliards de paramètres au total, dont 6,53 milliards hors embeddings. Il accepte des conversations textuelles et génère du texte. Une consigne utile peut lui demander de transformer des informations fournies en explication claire, en enregistrement structuré, en brouillon révisé ou en programme proposé.\n\nLe modèle prend en charge plus de 29 langues, notamment le chinois, l’anglais, le français, l’espagnol, le portugais, l’allemand, l’italien, le russe, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Le fabricant souligne aussi sa robustesse face à des prompts système variés, utile pour définir un rôle conversationnel et ses conditions. Indiquez directement le rôle, le public, la terminologie et la langue de sortie. Par exemple, une demande de révision peut fournir un passage technique, préciser le lecteur visé et demander une explication plus courte qui préserve les termes nommés et les conditions énoncées. L’édition entraînée aux instructions est le modèle conversationnel, distinct du modèle de base préentraîné correspondant.\n\nLa compréhension de données structurées et la génération de JSON sont des améliorations centrales de Qwen2.5. Pour extraire ou transformer un tableau, préservez ses en-têtes et unités et expliquez les lignes ou relations importantes. Définissez les clés demandées, les types de valeurs et le traitement des informations manquantes, au lieu de demander seulement un résumé général. Une consigne illustrative peut fournir une liste de problèmes et demander un objet par problème contenant l’identifiant source, la catégorie et une courte explication. Ce résultat reste du texte généré : vérifier sa structure et ses valeurs par rapport à l’entrée fait partie de son utilisation dans un processus en aval.\n\nLa fiche exacte décrit un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. La configuration fournie est réglée sur 32 768 jetons de contexte; le traitement de contenus plus longs utilise la configuration YaRN documentée. Le fabricant avertit que la mise à l’échelle statique peut affecter les performances sur les entrées courtes et recommande de l’ajouter lorsque le traitement d’un long contexte est nécessaire. Maintenez l’entrée et la réponse demandée dans l’espace configuré pertinent. Pour un long rapport, gardez les titres de sections, priorisez les passages liés à la question et demandez la longueur de sortie nécessaire, plutôt que de prendre le contexte plus grand comme prétexte pour inclure des éléments sans rapport.\n\nLe démarrage rapide officiel utilise des messages système et utilisateur avec le gabarit de conversation du modèle, puis décode la continuation générée. Préparez une tâche de code avec la source pertinente, le langage, le comportement attendu et les contraintes. Préparez une question mathématique avec les données du problème et le format du résultat. Les améliorations documentées du modèle généraliste ne le transforment pas en édition Qwen2.5-Coder ou Qwen2.5-Math entraînée séparément. Une consigne de code peut demander l’explication d’une fonction, une correction proposée et pourquoi elle satisfait aux conditions énoncées; l’exécution et la vérification restent des étapes distinctes.\n\nLa documentation de la version Qwen décrit aussi les appels d’outils et un gabarit de conversation prenant en compte les outils, avec une compatibilité Qwen-Agent. Définissez les outils disponibles et leurs arguments, indiquez le but et fournissez les résultats renvoyés pour interprétation. Un assistant documentaire peut demander les informations pertinentes avant de rédiger sa réponse finale, tandis qu’un assistant de code peut analyser le résultat d’une vérification exécutée par l’application. Le livrable utile est une réponse liée aux éléments fournis et au format demandé. Ce profil appartient à un modèle textuel; les capacités visuelles, audio ou de génération vidéo d’autres modèles Qwen sont distinctes.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct est le modèle textuel compact de Qwen entraîné à suivre des instructions pour la rédaction multilingue, le code, les mathématiques et les données structurées. Son fabricant documente jusqu’à 131 072 jetons de contexte avec la configuration longue et une génération de 8 192 jetons au maximum.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-7B-Instruct est le modèle textuel 7B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Qwen met en avant le code et les mathématiques, le suivi d’instructions, les textes longs, la compréhension de tableaux et la sortie structurée, notamment JSON. C’est un modèle dense à décodeur seul de 7,61 milliards de paramètres au total, dont 6,53 milliards hors embeddings. Il accepte des conversations textuelles et génère du texte. Une consigne utile peut lui demander de transformer des informations fournies en explication claire, en enregistrement structuré, en brouillon révisé ou en programme proposé.
Le modèle prend en charge plus de 29 langues, notamment le chinois, l’anglais, le français, l’espagnol, le portugais, l’allemand, l’italien, le russe, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Le fabricant souligne aussi sa robustesse face à des prompts système variés, utile pour définir un rôle conversationnel et ses conditions. Indiquez directement le rôle, le public, la terminologie et la langue de sortie. Par exemple, une demande de révision peut fournir un passage technique, préciser le lecteur visé et demander une explication plus courte qui préserve les termes nommés et les conditions énoncées. L’édition entraînée aux instructions est le modèle conversationnel, distinct du modèle de base préentraîné correspondant.
La compréhension de données structurées et la génération de JSON sont des améliorations centrales de Qwen2.5. Pour extraire ou transformer un tableau, préservez ses en-têtes et unités et expliquez les lignes ou relations importantes. Définissez les clés demandées, les types de valeurs et le traitement des informations manquantes, au lieu de demander seulement un résumé général. Une consigne illustrative peut fournir une liste de problèmes et demander un objet par problème contenant l’identifiant source, la catégorie et une courte explication. Ce résultat reste du texte généré : vérifier sa structure et ses valeurs par rapport à l’entrée fait partie de son utilisation dans un processus en aval.
La fiche exacte décrit un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. La configuration fournie est réglée sur 32 768 jetons de contexte; le traitement de contenus plus longs utilise la configuration YaRN documentée. Le fabricant avertit que la mise à l’échelle statique peut affecter les performances sur les entrées courtes et recommande de l’ajouter lorsque le traitement d’un long contexte est nécessaire. Maintenez l’entrée et la réponse demandée dans l’espace configuré pertinent. Pour un long rapport, gardez les titres de sections, priorisez les passages liés à la question et demandez la longueur de sortie nécessaire, plutôt que de prendre le contexte plus grand comme prétexte pour inclure des éléments sans rapport.
Le démarrage rapide officiel utilise des messages système et utilisateur avec le gabarit de conversation du modèle, puis décode la continuation générée. Préparez une tâche de code avec la source pertinente, le langage, le comportement attendu et les contraintes. Préparez une question mathématique avec les données du problème et le format du résultat. Les améliorations documentées du modèle généraliste ne le transforment pas en édition Qwen2.5-Coder ou Qwen2.5-Math entraînée séparément. Une consigne de code peut demander l’explication d’une fonction, une correction proposée et pourquoi elle satisfait aux conditions énoncées; l’exécution et la vérification restent des étapes distinctes.
La documentation de la version Qwen décrit aussi les appels d’outils et un gabarit de conversation prenant en compte les outils, avec une compatibilité Qwen-Agent. Définissez les outils disponibles et leurs arguments, indiquez le but et fournissez les résultats renvoyés pour interprétation. Un assistant documentaire peut demander les informations pertinentes avant de rédiger sa réponse finale, tandis qu’un assistant de code peut analyser le résultat d’une vérification exécutée par l’application. Le livrable utile est une réponse liée aux éléments fournis et au format demandé. Ce profil appartient à un modèle textuel; les capacités visuelles, audio ou de génération vidéo d’autres modèles Qwen sont distinctes.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen-2.5-7b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: Fonction fournie comme outil | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | ContratTableau de messages avec une structure role/content |
Paramètrefile_material | ContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | ContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’ID exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0004 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0004 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct est le modèle textuel compact de Qwen entraîné à suivre des instructions pour la rédaction multilingue, le code, les mathématiques et les données structurées. Son fabricant documente jusqu’à 131 072 jetons de contexte avec la configuration longue et une génération de 8 192 jetons au maximum.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-7B-Instruct est le modèle textuel 7B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Qwen met en avant le code et les mathématiques, le suivi d’instructions, les textes longs, la compréhension de tableaux et la sortie structurée, notamment JSON. C’est un modèle dense à décodeur seul de 7,61 milliards de paramètres au total, dont 6,53 milliards hors embeddings. Il accepte des conversations textuelles et génère du texte. Une consigne utile peut lui demander de transformer des informations fournies en explication claire, en enregistrement structuré, en brouillon révisé ou en programme proposé.
Le modèle prend en charge plus de 29 langues, notamment le chinois, l’anglais, le français, l’espagnol, le portugais, l’allemand, l’italien, le russe, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Le fabricant souligne aussi sa robustesse face à des prompts système variés, utile pour définir un rôle conversationnel et ses conditions. Indiquez directement le rôle, le public, la terminologie et la langue de sortie. Par exemple, une demande de révision peut fournir un passage technique, préciser le lecteur visé et demander une explication plus courte qui préserve les termes nommés et les conditions énoncées. L’édition entraînée aux instructions est le modèle conversationnel, distinct du modèle de base préentraîné correspondant.
La compréhension de données structurées et la génération de JSON sont des améliorations centrales de Qwen2.5. Pour extraire ou transformer un tableau, préservez ses en-têtes et unités et expliquez les lignes ou relations importantes. Définissez les clés demandées, les types de valeurs et le traitement des informations manquantes, au lieu de demander seulement un résumé général. Une consigne illustrative peut fournir une liste de problèmes et demander un objet par problème contenant l’identifiant source, la catégorie et une courte explication. Ce résultat reste du texte généré : vérifier sa structure et ses valeurs par rapport à l’entrée fait partie de son utilisation dans un processus en aval.
La fiche exacte décrit un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. La configuration fournie est réglée sur 32 768 jetons de contexte; le traitement de contenus plus longs utilise la configuration YaRN documentée. Le fabricant avertit que la mise à l’échelle statique peut affecter les performances sur les entrées courtes et recommande de l’ajouter lorsque le traitement d’un long contexte est nécessaire. Maintenez l’entrée et la réponse demandée dans l’espace configuré pertinent. Pour un long rapport, gardez les titres de sections, priorisez les passages liés à la question et demandez la longueur de sortie nécessaire, plutôt que de prendre le contexte plus grand comme prétexte pour inclure des éléments sans rapport.
Le démarrage rapide officiel utilise des messages système et utilisateur avec le gabarit de conversation du modèle, puis décode la continuation générée. Préparez une tâche de code avec la source pertinente, le langage, le comportement attendu et les contraintes. Préparez une question mathématique avec les données du problème et le format du résultat. Les améliorations documentées du modèle généraliste ne le transforment pas en édition Qwen2.5-Coder ou Qwen2.5-Math entraînée séparément. Une consigne de code peut demander l’explication d’une fonction, une correction proposée et pourquoi elle satisfait aux conditions énoncées; l’exécution et la vérification restent des étapes distinctes.
La documentation de la version Qwen décrit aussi les appels d’outils et un gabarit de conversation prenant en compte les outils, avec une compatibilité Qwen-Agent. Définissez les outils disponibles et leurs arguments, indiquez le but et fournissez les résultats renvoyés pour interprétation. Un assistant documentaire peut demander les informations pertinentes avant de rédiger sa réponse finale, tandis qu’un assistant de code peut analyser le résultat d’une vérification exécutée par l’application. Le livrable utile est une réponse liée aux éléments fournis et au format demandé. Ce profil appartient à un modèle textuel; les capacités visuelles, audio ou de génération vidéo d’autres modèles Qwen sont distinctes.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen-2.5-7b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0004 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0004 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.