Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée à suivre des instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : une explication, un document, du code ou des champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et la génération de réponses structurées, en particulier JSON.
Ce que la famille améliore
Le fabricant décrit des connaissances plus étendues et de meilleures capacités de code et de mathématiques que la génération Qwen2 précédente, ainsi que la génération de longues réponses et une meilleure gestion d’instructions système variées. La famille utilise un corpus de préentraînement décrit comme atteignant 18 000 milliards de jetons. Ces capacités servent un assistant spécialisé dont la tâche définit le rôle et la sortie. Ce modèle reste l’édition généraliste Instruct; les gammes distinctes Qwen2.5-Coder et Qwen2.5-Math ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur l’une de ses étapes. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions d’origine de la procédure. Une sortie utile peut séparer la prochaine action, la condition qui la rend applicable et les informations encore nécessaires. Une demande générale de conseils devient ainsi une réponse liée au processus fourni.
Pour une explication de code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence des opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, indiquez les symboles, hypothèses et expression cible avant de demander la dérivation. Les deux tâches utilisent du texte; exécuter le programme ou mettre à disposition un outil numérique distinct relève de l’application qui entoure le modèle.
Tableaux et JSON
Pour une question sur un tableau, conservez les en-têtes de colonnes et les unités, nommez les lignes pertinentes et précisez la comparaison. La sortie souhaitée peut énumérer les identifiants des lignes correspondantes et expliquer quelle condition fournie chacune satisfait. Si le tableau comporte des valeurs manquantes, indiquez si la réponse doit les laisser absentes ou les représenter explicitement.
Pour une extraction structurée, présentez les noms de champs et les types requis. Une entrée contenant un identifiant d’article, une quantité en stock et un libellé d’entrepôt peut être convertie en enregistrement avec ces mêmes champs. Demandez uniquement l’enregistrement lorsqu’une application doit l’analyser; demandez une explication séparée en prose lorsque l’utilisateur doit examiner l’interprétation de la source. La capacité documentée du modèle à générer du JSON se distingue de l’application d’un schéma obligatoire par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, dont l’anglais, le chinois, le russe, l’allemand, le français, l’espagnol, le portugais, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Définissez la langue finale et fournissez toute terminologie qui doit rester inchangée. Pour une explication technique traduite, demandez au modèle de conserver les noms de variables, libellés cités et unités tout en adaptant la prose environnante au lecteur.
La version 14B précise
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. Son architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Son nombre de paramètres et de couches diffère de l’édition 32B même lorsque les capacités de la famille et les valeurs de contexte publiées coïncident.
La fiche présente un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Le premier concerne la conversation et les éléments conservés pour une tâche; la seconde concerne la réponse générée. Le réglage de génération de 512 jetons du démarrage rapide n’est qu’un exemple et ne remplace pas la capacité de réponse annoncée dans la fiche. La compréhension d’images, de vidéos et d’audio appartient à des versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches assistées par des outils
L’exemple du fabricant applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle de l’assistant et ses règles de réponse séparément des éléments examinés. Fournissez une question complète et identifiez le texte source afin qu’une instruction citée dans celui-ci ne soit pas confondue avec la tâche donnée par l’application.
L’annonce officielle de Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche assistée par des outils nécessite que l’application environnante fournisse les descriptions de fonctions, exécute l’opération choisie et transmette son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul à l’aide d’un outil de calcul fourni; le résultat de la fonction devient alors une information que le modèle peut expliquer. Disponibilité et exécution des outils proviennent de cette intégration, tandis que cette version fournit le comportement conversationnel textuel.
Configuration pour les textes longs
La configuration publiée couvre initialement 32 768 jetons. L’extension documentée pour les longues entrées utilise YaRN, avec un facteur d’échelle illustratif de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter le comportement sur des textes courts; le fabricant recommande donc de l’ajouter lorsque de longs contextes sont nécessaires.
Pour préparer une longue source, identifiez la section à réviser ou la question à traiter et conservez ensemble les parties qui l’étayent. Une demande claire peut solliciter un passage corrigé, un tableau des modifications et les références aux sections d’origine. Cela utilise le contexte étendu pour un livrable concret tout en maintenant la réponse dans la limite de génération distincte.
", "aboutText": "Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée à suivre des instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : une explication, un document, du code ou des champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et la génération de réponses structurées, en particulier JSON.\n\nCe que la famille améliore\n\nLe fabricant décrit des connaissances plus étendues et de meilleures capacités de code et de mathématiques que la génération Qwen2 précédente, ainsi que la génération de longues réponses et une meilleure gestion d’instructions système variées. La famille utilise un corpus de préentraînement décrit comme atteignant 18 000 milliards de jetons. Ces capacités servent un assistant spécialisé dont la tâche définit le rôle et la sortie. Ce modèle reste l’édition généraliste Instruct; les gammes distinctes Qwen2.5-Coder et Qwen2.5-Math ont leurs propres spécialisations.\n\nUn assistant de processus peut recevoir une procédure et une question sur l’une de ses étapes. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions d’origine de la procédure. Une sortie utile peut séparer la prochaine action, la condition qui la rend applicable et les informations encore nécessaires. Une demande générale de conseils devient ainsi une réponse liée au processus fourni.\n\nPour une explication de code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence des opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, indiquez les symboles, hypothèses et expression cible avant de demander la dérivation. Les deux tâches utilisent du texte; exécuter le programme ou mettre à disposition un outil numérique distinct relève de l’application qui entoure le modèle.\n\nTableaux et JSON\n\nPour une question sur un tableau, conservez les en-têtes de colonnes et les unités, nommez les lignes pertinentes et précisez la comparaison. La sortie souhaitée peut énumérer les identifiants des lignes correspondantes et expliquer quelle condition fournie chacune satisfait. Si le tableau comporte des valeurs manquantes, indiquez si la réponse doit les laisser absentes ou les représenter explicitement.\n\nPour une extraction structurée, présentez les noms de champs et les types requis. Une entrée contenant un identifiant d’article, une quantité en stock et un libellé d’entrepôt peut être convertie en enregistrement avec ces mêmes champs. Demandez uniquement l’enregistrement lorsqu’une application doit l’analyser; demandez une explication séparée en prose lorsque l’utilisateur doit examiner l’interprétation de la source. La capacité documentée du modèle à générer du JSON se distingue de l’application d’un schéma obligatoire par une interface particulière.\n\nLa conversation multilingue est prise en charge dans plus de 29 langues, dont l’anglais, le chinois, le russe, l’allemand, le français, l’espagnol, le portugais, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Définissez la langue finale et fournissez toute terminologie qui doit rester inchangée. Pour une explication technique traduite, demandez au modèle de conserver les noms de variables, libellés cités et unités tout en adaptant la prose environnante au lecteur.\n\nLa version 14B précise\n\nLa fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. Son architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Son nombre de paramètres et de couches diffère de l’édition 32B même lorsque les capacités de la famille et les valeurs de contexte publiées coïncident.\n\nLa fiche présente un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Le premier concerne la conversation et les éléments conservés pour une tâche; la seconde concerne la réponse générée. Le réglage de génération de 512 jetons du démarrage rapide n’est qu’un exemple et ne remplace pas la capacité de réponse annoncée dans la fiche. La compréhension d’images, de vidéos et d’audio appartient à des versions multimodales nommées séparément, pas à ce modèle textuel.\n\nFormat d’entrée et tâches assistées par des outils\n\nL’exemple du fabricant applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle de l’assistant et ses règles de réponse séparément des éléments examinés. Fournissez une question complète et identifiez le texte source afin qu’une instruction citée dans celui-ci ne soit pas confondue avec la tâche donnée par l’application.\n\nL’annonce officielle de Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche assistée par des outils nécessite que l’application environnante fournisse les descriptions de fonctions, exécute l’opération choisie et transmette son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul à l’aide d’un outil de calcul fourni; le résultat de la fonction devient alors une information que le modèle peut expliquer. Disponibilité et exécution des outils proviennent de cette intégration, tandis que cette version fournit le comportement conversationnel textuel.\n\nConfiguration pour les textes longs\n\nLa configuration publiée couvre initialement 32 768 jetons. L’extension documentée pour les longues entrées utilise YaRN, avec un facteur d’échelle illustratif de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter le comportement sur des textes courts; le fabricant recommande donc de l’ajouter lorsque de longs contextes sont nécessaires.\n\nPour préparer une longue source, identifiez la section à réviser ou la question à traiter et conservez ensemble les parties qui l’étayent. Une demande claire peut solliciter un passage corrigé, un tableau des modifications et les références aux sections d’origine. Cela utilise le contexte étendu pour un livrable concret tout en maintenant la réponse dans la limite de génération distincte.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct est un modèle textuel multilingue pour les assistants fondés sur des instructions, le code et les mathématiques. Sa version de 14,7 milliards de paramètres prend en charge l’interprétation de tableaux, la génération de JSON et une limite de réponse de 8 192 jetons, avec une configuration de contexte étendu pour les longues entrées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée à suivre des instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : une explication, un document, du code ou des champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et la génération de réponses structurées, en particulier JSON.
Ce que la famille améliore
Le fabricant décrit des connaissances plus étendues et de meilleures capacités de code et de mathématiques que la génération Qwen2 précédente, ainsi que la génération de longues réponses et une meilleure gestion d’instructions système variées. La famille utilise un corpus de préentraînement décrit comme atteignant 18 000 milliards de jetons. Ces capacités servent un assistant spécialisé dont la tâche définit le rôle et la sortie. Ce modèle reste l’édition généraliste Instruct; les gammes distinctes Qwen2.5-Coder et Qwen2.5-Math ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur l’une de ses étapes. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions d’origine de la procédure. Une sortie utile peut séparer la prochaine action, la condition qui la rend applicable et les informations encore nécessaires. Une demande générale de conseils devient ainsi une réponse liée au processus fourni.
Pour une explication de code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence des opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, indiquez les symboles, hypothèses et expression cible avant de demander la dérivation. Les deux tâches utilisent du texte; exécuter le programme ou mettre à disposition un outil numérique distinct relève de l’application qui entoure le modèle.
Tableaux et JSON
Pour une question sur un tableau, conservez les en-têtes de colonnes et les unités, nommez les lignes pertinentes et précisez la comparaison. La sortie souhaitée peut énumérer les identifiants des lignes correspondantes et expliquer quelle condition fournie chacune satisfait. Si le tableau comporte des valeurs manquantes, indiquez si la réponse doit les laisser absentes ou les représenter explicitement.
Pour une extraction structurée, présentez les noms de champs et les types requis. Une entrée contenant un identifiant d’article, une quantité en stock et un libellé d’entrepôt peut être convertie en enregistrement avec ces mêmes champs. Demandez uniquement l’enregistrement lorsqu’une application doit l’analyser; demandez une explication séparée en prose lorsque l’utilisateur doit examiner l’interprétation de la source. La capacité documentée du modèle à générer du JSON se distingue de l’application d’un schéma obligatoire par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, dont l’anglais, le chinois, le russe, l’allemand, le français, l’espagnol, le portugais, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Définissez la langue finale et fournissez toute terminologie qui doit rester inchangée. Pour une explication technique traduite, demandez au modèle de conserver les noms de variables, libellés cités et unités tout en adaptant la prose environnante au lecteur.
La version 14B précise
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. Son architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Son nombre de paramètres et de couches diffère de l’édition 32B même lorsque les capacités de la famille et les valeurs de contexte publiées coïncident.
La fiche présente un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Le premier concerne la conversation et les éléments conservés pour une tâche; la seconde concerne la réponse générée. Le réglage de génération de 512 jetons du démarrage rapide n’est qu’un exemple et ne remplace pas la capacité de réponse annoncée dans la fiche. La compréhension d’images, de vidéos et d’audio appartient à des versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches assistées par des outils
L’exemple du fabricant applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle de l’assistant et ses règles de réponse séparément des éléments examinés. Fournissez une question complète et identifiez le texte source afin qu’une instruction citée dans celui-ci ne soit pas confondue avec la tâche donnée par l’application.
L’annonce officielle de Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche assistée par des outils nécessite que l’application environnante fournisse les descriptions de fonctions, exécute l’opération choisie et transmette son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul à l’aide d’un outil de calcul fourni; le résultat de la fonction devient alors une information que le modèle peut expliquer. Disponibilité et exécution des outils proviennent de cette intégration, tandis que cette version fournit le comportement conversationnel textuel.
Configuration pour les textes longs
La configuration publiée couvre initialement 32 768 jetons. L’extension documentée pour les longues entrées utilise YaRN, avec un facteur d’échelle illustratif de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter le comportement sur des textes courts; le fabricant recommande donc de l’ajouter lorsque de longs contextes sont nécessaires.
Pour préparer une longue source, identifiez la section à réviser ou la question à traiter et conservez ensemble les parties qui l’étayent. Une demande claire peut solliciter un passage corrigé, un tableau des modifications et les références aux sections d’origine. Cela utilise le contexte étendu pour un livrable concret tout en maintenant la réponse dans la limite de génération distincte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-14B-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0002 / 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/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct est un modèle textuel multilingue pour les assistants fondés sur des instructions, le code et les mathématiques. Sa version de 14,7 milliards de paramètres prend en charge l’interprétation de tableaux, la génération de JSON et une limite de réponse de 8 192 jetons, avec une configuration de contexte étendu pour les longues entrées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée à suivre des instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : une explication, un document, du code ou des champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et la génération de réponses structurées, en particulier JSON.
Ce que la famille améliore
Le fabricant décrit des connaissances plus étendues et de meilleures capacités de code et de mathématiques que la génération Qwen2 précédente, ainsi que la génération de longues réponses et une meilleure gestion d’instructions système variées. La famille utilise un corpus de préentraînement décrit comme atteignant 18 000 milliards de jetons. Ces capacités servent un assistant spécialisé dont la tâche définit le rôle et la sortie. Ce modèle reste l’édition généraliste Instruct; les gammes distinctes Qwen2.5-Coder et Qwen2.5-Math ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur l’une de ses étapes. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions d’origine de la procédure. Une sortie utile peut séparer la prochaine action, la condition qui la rend applicable et les informations encore nécessaires. Une demande générale de conseils devient ainsi une réponse liée au processus fourni.
Pour une explication de code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence des opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, indiquez les symboles, hypothèses et expression cible avant de demander la dérivation. Les deux tâches utilisent du texte; exécuter le programme ou mettre à disposition un outil numérique distinct relève de l’application qui entoure le modèle.
Tableaux et JSON
Pour une question sur un tableau, conservez les en-têtes de colonnes et les unités, nommez les lignes pertinentes et précisez la comparaison. La sortie souhaitée peut énumérer les identifiants des lignes correspondantes et expliquer quelle condition fournie chacune satisfait. Si le tableau comporte des valeurs manquantes, indiquez si la réponse doit les laisser absentes ou les représenter explicitement.
Pour une extraction structurée, présentez les noms de champs et les types requis. Une entrée contenant un identifiant d’article, une quantité en stock et un libellé d’entrepôt peut être convertie en enregistrement avec ces mêmes champs. Demandez uniquement l’enregistrement lorsqu’une application doit l’analyser; demandez une explication séparée en prose lorsque l’utilisateur doit examiner l’interprétation de la source. La capacité documentée du modèle à générer du JSON se distingue de l’application d’un schéma obligatoire par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, dont l’anglais, le chinois, le russe, l’allemand, le français, l’espagnol, le portugais, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Définissez la langue finale et fournissez toute terminologie qui doit rester inchangée. Pour une explication technique traduite, demandez au modèle de conserver les noms de variables, libellés cités et unités tout en adaptant la prose environnante au lecteur.
La version 14B précise
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. Son architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Son nombre de paramètres et de couches diffère de l’édition 32B même lorsque les capacités de la famille et les valeurs de contexte publiées coïncident.
La fiche présente un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Le premier concerne la conversation et les éléments conservés pour une tâche; la seconde concerne la réponse générée. Le réglage de génération de 512 jetons du démarrage rapide n’est qu’un exemple et ne remplace pas la capacité de réponse annoncée dans la fiche. La compréhension d’images, de vidéos et d’audio appartient à des versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches assistées par des outils
L’exemple du fabricant applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle de l’assistant et ses règles de réponse séparément des éléments examinés. Fournissez une question complète et identifiez le texte source afin qu’une instruction citée dans celui-ci ne soit pas confondue avec la tâche donnée par l’application.
L’annonce officielle de Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche assistée par des outils nécessite que l’application environnante fournisse les descriptions de fonctions, exécute l’opération choisie et transmette son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul à l’aide d’un outil de calcul fourni; le résultat de la fonction devient alors une information que le modèle peut expliquer. Disponibilité et exécution des outils proviennent de cette intégration, tandis que cette version fournit le comportement conversationnel textuel.
Configuration pour les textes longs
La configuration publiée couvre initialement 32 768 jetons. L’extension documentée pour les longues entrées utilise YaRN, avec un facteur d’échelle illustratif de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter le comportement sur des textes courts; le fabricant recommande donc de l’ajouter lorsque de longs contextes sont nécessaires.
Pour préparer une longue source, identifiez la section à réviser ou la question à traiter et conservez ensemble les parties qui l’étayent. Une demande claire peut solliciter un passage corrigé, un tableau des modifications et les références aux sections d’origine. Cela utilise le contexte étendu pour un livrable concret tout en maintenant la réponse dans la limite de génération distincte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-14B-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0002 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct est un modèle textuel multilingue pour les assistants fondés sur des instructions, le code et les mathématiques. Sa version de 14,7 milliards de paramètres prend en charge l’interprétation de tableaux, la génération de JSON et une limite de réponse de 8 192 jetons, avec une configuration de contexte étendu pour les longues entrées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée à suivre des instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : une explication, un document, du code ou des champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et la génération de réponses structurées, en particulier JSON.
Ce que la famille améliore
Le fabricant décrit des connaissances plus étendues et de meilleures capacités de code et de mathématiques que la génération Qwen2 précédente, ainsi que la génération de longues réponses et une meilleure gestion d’instructions système variées. La famille utilise un corpus de préentraînement décrit comme atteignant 18 000 milliards de jetons. Ces capacités servent un assistant spécialisé dont la tâche définit le rôle et la sortie. Ce modèle reste l’édition généraliste Instruct; les gammes distinctes Qwen2.5-Coder et Qwen2.5-Math ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur l’une de ses étapes. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions d’origine de la procédure. Une sortie utile peut séparer la prochaine action, la condition qui la rend applicable et les informations encore nécessaires. Une demande générale de conseils devient ainsi une réponse liée au processus fourni.
Pour une explication de code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence des opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, indiquez les symboles, hypothèses et expression cible avant de demander la dérivation. Les deux tâches utilisent du texte; exécuter le programme ou mettre à disposition un outil numérique distinct relève de l’application qui entoure le modèle.
Tableaux et JSON
Pour une question sur un tableau, conservez les en-têtes de colonnes et les unités, nommez les lignes pertinentes et précisez la comparaison. La sortie souhaitée peut énumérer les identifiants des lignes correspondantes et expliquer quelle condition fournie chacune satisfait. Si le tableau comporte des valeurs manquantes, indiquez si la réponse doit les laisser absentes ou les représenter explicitement.
Pour une extraction structurée, présentez les noms de champs et les types requis. Une entrée contenant un identifiant d’article, une quantité en stock et un libellé d’entrepôt peut être convertie en enregistrement avec ces mêmes champs. Demandez uniquement l’enregistrement lorsqu’une application doit l’analyser; demandez une explication séparée en prose lorsque l’utilisateur doit examiner l’interprétation de la source. La capacité documentée du modèle à générer du JSON se distingue de l’application d’un schéma obligatoire par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, dont l’anglais, le chinois, le russe, l’allemand, le français, l’espagnol, le portugais, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Définissez la langue finale et fournissez toute terminologie qui doit rester inchangée. Pour une explication technique traduite, demandez au modèle de conserver les noms de variables, libellés cités et unités tout en adaptant la prose environnante au lecteur.
La version 14B précise
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. Son architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Son nombre de paramètres et de couches diffère de l’édition 32B même lorsque les capacités de la famille et les valeurs de contexte publiées coïncident.
La fiche présente un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Le premier concerne la conversation et les éléments conservés pour une tâche; la seconde concerne la réponse générée. Le réglage de génération de 512 jetons du démarrage rapide n’est qu’un exemple et ne remplace pas la capacité de réponse annoncée dans la fiche. La compréhension d’images, de vidéos et d’audio appartient à des versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches assistées par des outils
L’exemple du fabricant applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle de l’assistant et ses règles de réponse séparément des éléments examinés. Fournissez une question complète et identifiez le texte source afin qu’une instruction citée dans celui-ci ne soit pas confondue avec la tâche donnée par l’application.
L’annonce officielle de Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche assistée par des outils nécessite que l’application environnante fournisse les descriptions de fonctions, exécute l’opération choisie et transmette son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul à l’aide d’un outil de calcul fourni; le résultat de la fonction devient alors une information que le modèle peut expliquer. Disponibilité et exécution des outils proviennent de cette intégration, tandis que cette version fournit le comportement conversationnel textuel.
Configuration pour les textes longs
La configuration publiée couvre initialement 32 768 jetons. L’extension documentée pour les longues entrées utilise YaRN, avec un facteur d’échelle illustratif de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter le comportement sur des textes courts; le fabricant recommande donc de l’ajouter lorsque de longs contextes sont nécessaires.
Pour préparer une longue source, identifiez la section à réviser ou la question à traiter et conservez ensemble les parties qui l’étayent. Une demande claire peut solliciter un passage corrigé, un tableau des modifications et les références aux sections d’origine. Cela utilise le contexte étendu pour un livrable concret tout en maintenant la réponse dans la limite de génération distincte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-14b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0002 / 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":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct est un modèle textuel multilingue pour les assistants fondés sur des instructions, le code et les mathématiques. Sa version de 14,7 milliards de paramètres prend en charge l’interprétation de tableaux, la génération de JSON et une limite de réponse de 8 192 jetons, avec une configuration de contexte étendu pour les longues entrées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée à suivre des instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : une explication, un document, du code ou des champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et la génération de réponses structurées, en particulier JSON.
Ce que la famille améliore
Le fabricant décrit des connaissances plus étendues et de meilleures capacités de code et de mathématiques que la génération Qwen2 précédente, ainsi que la génération de longues réponses et une meilleure gestion d’instructions système variées. La famille utilise un corpus de préentraînement décrit comme atteignant 18 000 milliards de jetons. Ces capacités servent un assistant spécialisé dont la tâche définit le rôle et la sortie. Ce modèle reste l’édition généraliste Instruct; les gammes distinctes Qwen2.5-Coder et Qwen2.5-Math ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur l’une de ses étapes. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions d’origine de la procédure. Une sortie utile peut séparer la prochaine action, la condition qui la rend applicable et les informations encore nécessaires. Une demande générale de conseils devient ainsi une réponse liée au processus fourni.
Pour une explication de code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence des opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, indiquez les symboles, hypothèses et expression cible avant de demander la dérivation. Les deux tâches utilisent du texte; exécuter le programme ou mettre à disposition un outil numérique distinct relève de l’application qui entoure le modèle.
Tableaux et JSON
Pour une question sur un tableau, conservez les en-têtes de colonnes et les unités, nommez les lignes pertinentes et précisez la comparaison. La sortie souhaitée peut énumérer les identifiants des lignes correspondantes et expliquer quelle condition fournie chacune satisfait. Si le tableau comporte des valeurs manquantes, indiquez si la réponse doit les laisser absentes ou les représenter explicitement.
Pour une extraction structurée, présentez les noms de champs et les types requis. Une entrée contenant un identifiant d’article, une quantité en stock et un libellé d’entrepôt peut être convertie en enregistrement avec ces mêmes champs. Demandez uniquement l’enregistrement lorsqu’une application doit l’analyser; demandez une explication séparée en prose lorsque l’utilisateur doit examiner l’interprétation de la source. La capacité documentée du modèle à générer du JSON se distingue de l’application d’un schéma obligatoire par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, dont l’anglais, le chinois, le russe, l’allemand, le français, l’espagnol, le portugais, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Définissez la langue finale et fournissez toute terminologie qui doit rester inchangée. Pour une explication technique traduite, demandez au modèle de conserver les noms de variables, libellés cités et unités tout en adaptant la prose environnante au lecteur.
La version 14B précise
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. Son architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Son nombre de paramètres et de couches diffère de l’édition 32B même lorsque les capacités de la famille et les valeurs de contexte publiées coïncident.
La fiche présente un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Le premier concerne la conversation et les éléments conservés pour une tâche; la seconde concerne la réponse générée. Le réglage de génération de 512 jetons du démarrage rapide n’est qu’un exemple et ne remplace pas la capacité de réponse annoncée dans la fiche. La compréhension d’images, de vidéos et d’audio appartient à des versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches assistées par des outils
L’exemple du fabricant applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle de l’assistant et ses règles de réponse séparément des éléments examinés. Fournissez une question complète et identifiez le texte source afin qu’une instruction citée dans celui-ci ne soit pas confondue avec la tâche donnée par l’application.
L’annonce officielle de Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche assistée par des outils nécessite que l’application environnante fournisse les descriptions de fonctions, exécute l’opération choisie et transmette son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul à l’aide d’un outil de calcul fourni; le résultat de la fonction devient alors une information que le modèle peut expliquer. Disponibilité et exécution des outils proviennent de cette intégration, tandis que cette version fournit le comportement conversationnel textuel.
Configuration pour les textes longs
La configuration publiée couvre initialement 32 768 jetons. L’extension documentée pour les longues entrées utilise YaRN, avec un facteur d’échelle illustratif de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter le comportement sur des textes courts; le fabricant recommande donc de l’ajouter lorsque de longs contextes sont nécessaires.
Pour préparer une longue source, identifiez la section à réviser ou la question à traiter et conservez ensemble les parties qui l’étayent. Une demande claire peut solliciter un passage corrigé, un tableau des modifications et les références aux sections d’origine. Cela utilise le contexte étendu pour un livrable concret tout en maintenant la réponse dans la limite de génération distincte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-14b-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0002 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Exemple technique en anglais
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.