Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Il combine compréhension et génération linguistiques avec le code et les mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, la rédaction longue, la compréhension de tableaux et la production de texte structuré, en particulier JSON. La famille est préentraînée sur un corpus décrit comme atteignant 18 000 milliards de jetons.
Données structurées, longues réponses et travail multilingue
Une tâche d’extraction utile fournit un passage source et les champs exacts nécessaires à l’étape suivante de l’application. Définissez les types de champs, si les formulations doivent être copiées ou résumées et comment représenter les informations absentes. Par exemple, un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez uniquement l’enregistrement JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit examiner le raisonnement à l’origine des champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les noms de colonnes, unités et lignes pertinentes avec la question. Demandez au modèle d’identifier les lignes satisfaisant une condition, d’expliquer un changement entre périodes ou de transformer un tableau en rapport écrit. Une sortie pratique peut conserver l’identifiant de chaque ligne à côté du constat. Cela préserve le lien entre données fournies et réponse, plutôt que de produire une synthèse sans ligne source traçable.
Pour une rédaction longue, nommez le public, les sections et les faits sources avant de demander le document. Une proposition technique peut nécessiter une définition du problème, des exigences, des alternatives et une recommandation fondée uniquement sur les éléments fournis. Précisez quelles conditions sont obligatoires et quelles questions restent à résoudre. Le fabricant développe aussi la robustesse face à différentes invites système, ce qui facilite un rôle, un ton et des conditions de conversation définis.
La famille prend en charge plus de 29 langues, dont l’anglais, le chinois, le russe, le français, l’espagnol, le portugais, l’allemand, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Pour une tâche multilingue, distinguez la langue source de la langue de sortie requise et fournissez une liste terminologique lorsque noms ou termes techniques doivent rester cohérents. Un rapport bilingue peut demander les mêmes faits sources dans deux versions tout en conservant les identifiants et unités.
Détails du modèle de cette édition
La version 32B-Instruct possède 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Elle utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention. L’attention à requêtes groupées utilise 40 têtes de requête et 8 têtes de clé/valeur. C’est une version de modèle linguistique dense à décodeur seul, avec préentraînement et post-entraînement; Instruct identifie l’édition entraînée pour la conversation plutôt que le modèle de base.
La fiche indique un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Ces chiffres décrivent différentes parties d’une tâche : le contexte conserve l’invite et la conversation, tandis que la valeur de génération borne la réponse écrite. Les 512 jetons générés du démarrage rapide ne sont qu’un exemple à l’intérieur de la limite de génération plus grande annoncée. Le modèle accepte et renvoie du texte; un tableau scanné ou une capture d’écran nécessite que son contenu soit fourni sous forme de texte ou traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur séparés, formatés avec le gabarit de conversation correspondant. Placez les règles durables de réponse de l’assistant dans le rôle approprié de la conversation et le document, tableau ou code réel avec la tâche de l’utilisateur. Marquez la frontière entre éléments sources cités et instructions, afin qu’une instruction figurant dans un document ne soit pas prise pour la tâche voulue par l’application.
L’annonce officielle de la famille documente la prise en charge des appels d’outils par des gabarits de conversation et des intégrations de service compatibles. Dans ce processus, l’application fournit les descriptions de fonctions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question textuelle à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni l’outil externe ni ses données. Génération de JSON et appel d’outil sont aussi des résultats différents : l’une formate du texte, l’autre demande à l’application environnante d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 jetons. Les entrées dépassant ce réglage nécessitent l’extension YaRN documentée, dont l’exemple utilise un facteur de 4,0 et un réglage initial de positions maximales de 32 768. Le fabricant avertit que la mise à l’échelle statique peut affecter le comportement sur des textes courts et recommande de l’activer lorsque le traitement de longs contextes est nécessaire.
Pour comparer de grands documents, identifiez le rôle de chacun et demandez un livrable bien défini : matrice d’exigences, liste de divergences ou section révisée. Conservez les emplacements sources à côté des constats extraits et laissez assez de place dans la réponse pour la structure demandée. La capacité de long contexte aide à garder les éléments pertinents ensemble; elle ne remplace pas la définition de ce qui doit être comparé ni de l’utilisation du résultat final.
", "aboutText": "Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Il combine compréhension et génération linguistiques avec le code et les mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, la rédaction longue, la compréhension de tableaux et la production de texte structuré, en particulier JSON. La famille est préentraînée sur un corpus décrit comme atteignant 18 000 milliards de jetons.\n\nDonnées structurées, longues réponses et travail multilingue\n\nUne tâche d’extraction utile fournit un passage source et les champs exacts nécessaires à l’étape suivante de l’application. Définissez les types de champs, si les formulations doivent être copiées ou résumées et comment représenter les informations absentes. Par exemple, un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez uniquement l’enregistrement JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit examiner le raisonnement à l’origine des champs extraits.\n\nLa compréhension de tableaux est un autre axe documenté. Fournissez les noms de colonnes, unités et lignes pertinentes avec la question. Demandez au modèle d’identifier les lignes satisfaisant une condition, d’expliquer un changement entre périodes ou de transformer un tableau en rapport écrit. Une sortie pratique peut conserver l’identifiant de chaque ligne à côté du constat. Cela préserve le lien entre données fournies et réponse, plutôt que de produire une synthèse sans ligne source traçable.\n\nPour une rédaction longue, nommez le public, les sections et les faits sources avant de demander le document. Une proposition technique peut nécessiter une définition du problème, des exigences, des alternatives et une recommandation fondée uniquement sur les éléments fournis. Précisez quelles conditions sont obligatoires et quelles questions restent à résoudre. Le fabricant développe aussi la robustesse face à différentes invites système, ce qui facilite un rôle, un ton et des conditions de conversation définis.\n\nLa famille prend en charge plus de 29 langues, dont l’anglais, le chinois, le russe, le français, l’espagnol, le portugais, l’allemand, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Pour une tâche multilingue, distinguez la langue source de la langue de sortie requise et fournissez une liste terminologique lorsque noms ou termes techniques doivent rester cohérents. Un rapport bilingue peut demander les mêmes faits sources dans deux versions tout en conservant les identifiants et unités.\n\nDétails du modèle de cette édition\n\nLa version 32B-Instruct possède 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Elle utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention. L’attention à requêtes groupées utilise 40 têtes de requête et 8 têtes de clé/valeur. C’est une version de modèle linguistique dense à décodeur seul, avec préentraînement et post-entraînement; Instruct identifie l’édition entraînée pour la conversation plutôt que le modèle de base.\n\nLa fiche indique un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Ces chiffres décrivent différentes parties d’une tâche : le contexte conserve l’invite et la conversation, tandis que la valeur de génération borne la réponse écrite. Les 512 jetons générés du démarrage rapide ne sont qu’un exemple à l’intérieur de la limite de génération plus grande annoncée. Le modèle accepte et renvoie du texte; un tableau scanné ou une capture d’écran nécessite que son contenu soit fourni sous forme de texte ou traité par un modèle visuel distinct.\n\nConversation et outils\n\nLa fiche montre des messages système et utilisateur séparés, formatés avec le gabarit de conversation correspondant. Placez les règles durables de réponse de l’assistant dans le rôle approprié de la conversation et le document, tableau ou code réel avec la tâche de l’utilisateur. Marquez la frontière entre éléments sources cités et instructions, afin qu’une instruction figurant dans un document ne soit pas prise pour la tâche voulue par l’application.\n\nL’annonce officielle de la famille documente la prise en charge des appels d’outils par des gabarits de conversation et des intégrations de service compatibles. Dans ce processus, l’application fournit les descriptions de fonctions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question textuelle à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni l’outil externe ni ses données. Génération de JSON et appel d’outil sont aussi des résultats différents : l’une formate du texte, l’autre demande à l’application environnante d’effectuer une opération nommée.\n\nPréparation du long contexte\n\nLa configuration publiée démarre à 32 768 jetons. Les entrées dépassant ce réglage nécessitent l’extension YaRN documentée, dont l’exemple utilise un facteur de 4,0 et un réglage initial de positions maximales de 32 768. Le fabricant avertit que la mise à l’échelle statique peut affecter le comportement sur des textes courts et recommande de l’activer lorsque le traitement de longs contextes est nécessaire.\n\nPour comparer de grands documents, identifiez le rôle de chacun et demandez un livrable bien défini : matrice d’exigences, liste de divergences ou section révisée. Conservez les emplacements sources à côté des constats extraits et laissez assez de place dans la réponse pour la structure demandée. La capacité de long contexte aide à garder les éléments pertinents ensemble; elle ne remplace pas la définition de ce qui doit être comparé ni de l’utilisation du résultat final.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct est un modèle textuel multilingue pour les instructions détaillées, le code, les mathématiques et les données structurées. Son édition de 32,5 milliards de paramètres met en avant la compréhension de tableaux, la sortie JSON et les longs livrables écrits, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Il combine compréhension et génération linguistiques avec le code et les mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, la rédaction longue, la compréhension de tableaux et la production de texte structuré, en particulier JSON. La famille est préentraînée sur un corpus décrit comme atteignant 18 000 milliards de jetons.
Données structurées, longues réponses et travail multilingue
Une tâche d’extraction utile fournit un passage source et les champs exacts nécessaires à l’étape suivante de l’application. Définissez les types de champs, si les formulations doivent être copiées ou résumées et comment représenter les informations absentes. Par exemple, un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez uniquement l’enregistrement JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit examiner le raisonnement à l’origine des champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les noms de colonnes, unités et lignes pertinentes avec la question. Demandez au modèle d’identifier les lignes satisfaisant une condition, d’expliquer un changement entre périodes ou de transformer un tableau en rapport écrit. Une sortie pratique peut conserver l’identifiant de chaque ligne à côté du constat. Cela préserve le lien entre données fournies et réponse, plutôt que de produire une synthèse sans ligne source traçable.
Pour une rédaction longue, nommez le public, les sections et les faits sources avant de demander le document. Une proposition technique peut nécessiter une définition du problème, des exigences, des alternatives et une recommandation fondée uniquement sur les éléments fournis. Précisez quelles conditions sont obligatoires et quelles questions restent à résoudre. Le fabricant développe aussi la robustesse face à différentes invites système, ce qui facilite un rôle, un ton et des conditions de conversation définis.
La famille prend en charge plus de 29 langues, dont l’anglais, le chinois, le russe, le français, l’espagnol, le portugais, l’allemand, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Pour une tâche multilingue, distinguez la langue source de la langue de sortie requise et fournissez une liste terminologique lorsque noms ou termes techniques doivent rester cohérents. Un rapport bilingue peut demander les mêmes faits sources dans deux versions tout en conservant les identifiants et unités.
Détails du modèle de cette édition
La version 32B-Instruct possède 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Elle utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention. L’attention à requêtes groupées utilise 40 têtes de requête et 8 têtes de clé/valeur. C’est une version de modèle linguistique dense à décodeur seul, avec préentraînement et post-entraînement; Instruct identifie l’édition entraînée pour la conversation plutôt que le modèle de base.
La fiche indique un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Ces chiffres décrivent différentes parties d’une tâche : le contexte conserve l’invite et la conversation, tandis que la valeur de génération borne la réponse écrite. Les 512 jetons générés du démarrage rapide ne sont qu’un exemple à l’intérieur de la limite de génération plus grande annoncée. Le modèle accepte et renvoie du texte; un tableau scanné ou une capture d’écran nécessite que son contenu soit fourni sous forme de texte ou traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur séparés, formatés avec le gabarit de conversation correspondant. Placez les règles durables de réponse de l’assistant dans le rôle approprié de la conversation et le document, tableau ou code réel avec la tâche de l’utilisateur. Marquez la frontière entre éléments sources cités et instructions, afin qu’une instruction figurant dans un document ne soit pas prise pour la tâche voulue par l’application.
L’annonce officielle de la famille documente la prise en charge des appels d’outils par des gabarits de conversation et des intégrations de service compatibles. Dans ce processus, l’application fournit les descriptions de fonctions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question textuelle à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni l’outil externe ni ses données. Génération de JSON et appel d’outil sont aussi des résultats différents : l’une formate du texte, l’autre demande à l’application environnante d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 jetons. Les entrées dépassant ce réglage nécessitent l’extension YaRN documentée, dont l’exemple utilise un facteur de 4,0 et un réglage initial de positions maximales de 32 768. Le fabricant avertit que la mise à l’échelle statique peut affecter le comportement sur des textes courts et recommande de l’activer lorsque le traitement de longs contextes est nécessaire.
Pour comparer de grands documents, identifiez le rôle de chacun et demandez un livrable bien défini : matrice d’exigences, liste de divergences ou section révisée. Conservez les emplacements sources à côté des constats extraits et laissez assez de place dans la réponse pour la structure demandée. La capacité de long contexte aide à garder les éléments pertinents ensemble; elle ne remplace pas la définition de ce qui doit être comparé ni de l’utilisation du résultat final.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-32B-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 $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 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/Qwen2.5-32B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct est un modèle textuel multilingue pour les instructions détaillées, le code, les mathématiques et les données structurées. Son édition de 32,5 milliards de paramètres met en avant la compréhension de tableaux, la sortie JSON et les longs livrables écrits, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Il combine compréhension et génération linguistiques avec le code et les mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, la rédaction longue, la compréhension de tableaux et la production de texte structuré, en particulier JSON. La famille est préentraînée sur un corpus décrit comme atteignant 18 000 milliards de jetons.
Données structurées, longues réponses et travail multilingue
Une tâche d’extraction utile fournit un passage source et les champs exacts nécessaires à l’étape suivante de l’application. Définissez les types de champs, si les formulations doivent être copiées ou résumées et comment représenter les informations absentes. Par exemple, un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez uniquement l’enregistrement JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit examiner le raisonnement à l’origine des champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les noms de colonnes, unités et lignes pertinentes avec la question. Demandez au modèle d’identifier les lignes satisfaisant une condition, d’expliquer un changement entre périodes ou de transformer un tableau en rapport écrit. Une sortie pratique peut conserver l’identifiant de chaque ligne à côté du constat. Cela préserve le lien entre données fournies et réponse, plutôt que de produire une synthèse sans ligne source traçable.
Pour une rédaction longue, nommez le public, les sections et les faits sources avant de demander le document. Une proposition technique peut nécessiter une définition du problème, des exigences, des alternatives et une recommandation fondée uniquement sur les éléments fournis. Précisez quelles conditions sont obligatoires et quelles questions restent à résoudre. Le fabricant développe aussi la robustesse face à différentes invites système, ce qui facilite un rôle, un ton et des conditions de conversation définis.
La famille prend en charge plus de 29 langues, dont l’anglais, le chinois, le russe, le français, l’espagnol, le portugais, l’allemand, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Pour une tâche multilingue, distinguez la langue source de la langue de sortie requise et fournissez une liste terminologique lorsque noms ou termes techniques doivent rester cohérents. Un rapport bilingue peut demander les mêmes faits sources dans deux versions tout en conservant les identifiants et unités.
Détails du modèle de cette édition
La version 32B-Instruct possède 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Elle utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention. L’attention à requêtes groupées utilise 40 têtes de requête et 8 têtes de clé/valeur. C’est une version de modèle linguistique dense à décodeur seul, avec préentraînement et post-entraînement; Instruct identifie l’édition entraînée pour la conversation plutôt que le modèle de base.
La fiche indique un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Ces chiffres décrivent différentes parties d’une tâche : le contexte conserve l’invite et la conversation, tandis que la valeur de génération borne la réponse écrite. Les 512 jetons générés du démarrage rapide ne sont qu’un exemple à l’intérieur de la limite de génération plus grande annoncée. Le modèle accepte et renvoie du texte; un tableau scanné ou une capture d’écran nécessite que son contenu soit fourni sous forme de texte ou traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur séparés, formatés avec le gabarit de conversation correspondant. Placez les règles durables de réponse de l’assistant dans le rôle approprié de la conversation et le document, tableau ou code réel avec la tâche de l’utilisateur. Marquez la frontière entre éléments sources cités et instructions, afin qu’une instruction figurant dans un document ne soit pas prise pour la tâche voulue par l’application.
L’annonce officielle de la famille documente la prise en charge des appels d’outils par des gabarits de conversation et des intégrations de service compatibles. Dans ce processus, l’application fournit les descriptions de fonctions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question textuelle à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni l’outil externe ni ses données. Génération de JSON et appel d’outil sont aussi des résultats différents : l’une formate du texte, l’autre demande à l’application environnante d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 jetons. Les entrées dépassant ce réglage nécessitent l’extension YaRN documentée, dont l’exemple utilise un facteur de 4,0 et un réglage initial de positions maximales de 32 768. Le fabricant avertit que la mise à l’échelle statique peut affecter le comportement sur des textes courts et recommande de l’activer lorsque le traitement de longs contextes est nécessaire.
Pour comparer de grands documents, identifiez le rôle de chacun et demandez un livrable bien défini : matrice d’exigences, liste de divergences ou section révisée. Conservez les emplacements sources à côté des constats extraits et laissez assez de place dans la réponse pour la structure demandée. La capacité de long contexte aide à garder les éléments pertinents ensemble; elle ne remplace pas la définition de ce qui doit être comparé ni de l’utilisation du résultat final.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-32B-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 $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct est un modèle textuel multilingue pour les instructions détaillées, le code, les mathématiques et les données structurées. Son édition de 32,5 milliards de paramètres met en avant la compréhension de tableaux, la sortie JSON et les longs livrables écrits, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Il combine compréhension et génération linguistiques avec le code et les mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, la rédaction longue, la compréhension de tableaux et la production de texte structuré, en particulier JSON. La famille est préentraînée sur un corpus décrit comme atteignant 18 000 milliards de jetons.
Données structurées, longues réponses et travail multilingue
Une tâche d’extraction utile fournit un passage source et les champs exacts nécessaires à l’étape suivante de l’application. Définissez les types de champs, si les formulations doivent être copiées ou résumées et comment représenter les informations absentes. Par exemple, un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez uniquement l’enregistrement JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit examiner le raisonnement à l’origine des champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les noms de colonnes, unités et lignes pertinentes avec la question. Demandez au modèle d’identifier les lignes satisfaisant une condition, d’expliquer un changement entre périodes ou de transformer un tableau en rapport écrit. Une sortie pratique peut conserver l’identifiant de chaque ligne à côté du constat. Cela préserve le lien entre données fournies et réponse, plutôt que de produire une synthèse sans ligne source traçable.
Pour une rédaction longue, nommez le public, les sections et les faits sources avant de demander le document. Une proposition technique peut nécessiter une définition du problème, des exigences, des alternatives et une recommandation fondée uniquement sur les éléments fournis. Précisez quelles conditions sont obligatoires et quelles questions restent à résoudre. Le fabricant développe aussi la robustesse face à différentes invites système, ce qui facilite un rôle, un ton et des conditions de conversation définis.
La famille prend en charge plus de 29 langues, dont l’anglais, le chinois, le russe, le français, l’espagnol, le portugais, l’allemand, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Pour une tâche multilingue, distinguez la langue source de la langue de sortie requise et fournissez une liste terminologique lorsque noms ou termes techniques doivent rester cohérents. Un rapport bilingue peut demander les mêmes faits sources dans deux versions tout en conservant les identifiants et unités.
Détails du modèle de cette édition
La version 32B-Instruct possède 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Elle utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention. L’attention à requêtes groupées utilise 40 têtes de requête et 8 têtes de clé/valeur. C’est une version de modèle linguistique dense à décodeur seul, avec préentraînement et post-entraînement; Instruct identifie l’édition entraînée pour la conversation plutôt que le modèle de base.
La fiche indique un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Ces chiffres décrivent différentes parties d’une tâche : le contexte conserve l’invite et la conversation, tandis que la valeur de génération borne la réponse écrite. Les 512 jetons générés du démarrage rapide ne sont qu’un exemple à l’intérieur de la limite de génération plus grande annoncée. Le modèle accepte et renvoie du texte; un tableau scanné ou une capture d’écran nécessite que son contenu soit fourni sous forme de texte ou traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur séparés, formatés avec le gabarit de conversation correspondant. Placez les règles durables de réponse de l’assistant dans le rôle approprié de la conversation et le document, tableau ou code réel avec la tâche de l’utilisateur. Marquez la frontière entre éléments sources cités et instructions, afin qu’une instruction figurant dans un document ne soit pas prise pour la tâche voulue par l’application.
L’annonce officielle de la famille documente la prise en charge des appels d’outils par des gabarits de conversation et des intégrations de service compatibles. Dans ce processus, l’application fournit les descriptions de fonctions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question textuelle à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni l’outil externe ni ses données. Génération de JSON et appel d’outil sont aussi des résultats différents : l’une formate du texte, l’autre demande à l’application environnante d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 jetons. Les entrées dépassant ce réglage nécessitent l’extension YaRN documentée, dont l’exemple utilise un facteur de 4,0 et un réglage initial de positions maximales de 32 768. Le fabricant avertit que la mise à l’échelle statique peut affecter le comportement sur des textes courts et recommande de l’activer lorsque le traitement de longs contextes est nécessaire.
Pour comparer de grands documents, identifiez le rôle de chacun et demandez un livrable bien défini : matrice d’exigences, liste de divergences ou section révisée. Conservez les emplacements sources à côté des constats extraits et laissez assez de place dans la réponse pour la structure demandée. La capacité de long contexte aide à garder les éléments pertinents ensemble; elle ne remplace pas la définition de ce qui doit être comparé ni de l’utilisation du résultat final.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-32b-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 $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 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":"qwen2.5-32b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-32b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct est un modèle textuel multilingue pour les instructions détaillées, le code, les mathématiques et les données structurées. Son édition de 32,5 milliards de paramètres met en avant la compréhension de tableaux, la sortie JSON et les longs livrables écrits, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné à suivre des instructions de la famille généraliste Qwen2.5. Il combine compréhension et génération linguistiques avec le code et les mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, la rédaction longue, la compréhension de tableaux et la production de texte structuré, en particulier JSON. La famille est préentraînée sur un corpus décrit comme atteignant 18 000 milliards de jetons.
Données structurées, longues réponses et travail multilingue
Une tâche d’extraction utile fournit un passage source et les champs exacts nécessaires à l’étape suivante de l’application. Définissez les types de champs, si les formulations doivent être copiées ou résumées et comment représenter les informations absentes. Par exemple, un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez uniquement l’enregistrement JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit examiner le raisonnement à l’origine des champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les noms de colonnes, unités et lignes pertinentes avec la question. Demandez au modèle d’identifier les lignes satisfaisant une condition, d’expliquer un changement entre périodes ou de transformer un tableau en rapport écrit. Une sortie pratique peut conserver l’identifiant de chaque ligne à côté du constat. Cela préserve le lien entre données fournies et réponse, plutôt que de produire une synthèse sans ligne source traçable.
Pour une rédaction longue, nommez le public, les sections et les faits sources avant de demander le document. Une proposition technique peut nécessiter une définition du problème, des exigences, des alternatives et une recommandation fondée uniquement sur les éléments fournis. Précisez quelles conditions sont obligatoires et quelles questions restent à résoudre. Le fabricant développe aussi la robustesse face à différentes invites système, ce qui facilite un rôle, un ton et des conditions de conversation définis.
La famille prend en charge plus de 29 langues, dont l’anglais, le chinois, le russe, le français, l’espagnol, le portugais, l’allemand, l’italien, le japonais, le coréen, le vietnamien, le thaï et l’arabe. Pour une tâche multilingue, distinguez la langue source de la langue de sortie requise et fournissez une liste terminologique lorsque noms ou termes techniques doivent rester cohérents. Un rapport bilingue peut demander les mêmes faits sources dans deux versions tout en conservant les identifiants et unités.
Détails du modèle de cette édition
La version 32B-Instruct possède 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Elle utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV dans l’attention. L’attention à requêtes groupées utilise 40 têtes de requête et 8 têtes de clé/valeur. C’est une version de modèle linguistique dense à décodeur seul, avec préentraînement et post-entraînement; Instruct identifie l’édition entraînée pour la conversation plutôt que le modèle de base.
La fiche indique un contexte complet de 131 072 jetons et une génération allant jusqu’à 8 192 jetons. Ces chiffres décrivent différentes parties d’une tâche : le contexte conserve l’invite et la conversation, tandis que la valeur de génération borne la réponse écrite. Les 512 jetons générés du démarrage rapide ne sont qu’un exemple à l’intérieur de la limite de génération plus grande annoncée. Le modèle accepte et renvoie du texte; un tableau scanné ou une capture d’écran nécessite que son contenu soit fourni sous forme de texte ou traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur séparés, formatés avec le gabarit de conversation correspondant. Placez les règles durables de réponse de l’assistant dans le rôle approprié de la conversation et le document, tableau ou code réel avec la tâche de l’utilisateur. Marquez la frontière entre éléments sources cités et instructions, afin qu’une instruction figurant dans un document ne soit pas prise pour la tâche voulue par l’application.
L’annonce officielle de la famille documente la prise en charge des appels d’outils par des gabarits de conversation et des intégrations de service compatibles. Dans ce processus, l’application fournit les descriptions de fonctions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question textuelle à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni l’outil externe ni ses données. Génération de JSON et appel d’outil sont aussi des résultats différents : l’une formate du texte, l’autre demande à l’application environnante d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 jetons. Les entrées dépassant ce réglage nécessitent l’extension YaRN documentée, dont l’exemple utilise un facteur de 4,0 et un réglage initial de positions maximales de 32 768. Le fabricant avertit que la mise à l’échelle statique peut affecter le comportement sur des textes courts et recommande de l’activer lorsque le traitement de longs contextes est nécessaire.
Pour comparer de grands documents, identifiez le rôle de chacun et demandez un livrable bien défini : matrice d’exigences, liste de divergences ou section révisée. Conservez les emplacements sources à côté des constats extraits et laissez assez de place dans la réponse pour la structure demandée. La capacité de long contexte aide à garder les éléments pertinents ensemble; elle ne remplace pas la définition de ce qui doit être comparé ni de l’utilisation du résultat final.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-32b-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 $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Exemple technique en anglais
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.