Qwen2.5-Coder-7B-Instruct est la version de taille 7B ajustée pour suivre les consignes de la famille de Qwen axée sur le code, auparavant connue sous le nom CodeQwen. Ses tâches centrales sont la génération de code, le raisonnement sur le comportement des programmes et la correction de code. Il reçoit du texte, y compris des exigences et du code source, et retourne du texte pouvant contenir une implantation, une explication ou une modification proposée.
Capacités de programmation et entraînement
Le fabricant décrit 5.5 billions de tokens d’entraînement, comprenant du code source, du contenu reliant le texte au code et des exemples synthétiques. La famille conserve des capacités mathématiques et linguistiques générales en plus de sa spécialisation en programmation. L’annonce de la version distingue la génération d’un programme, le raisonnement sur son exécution et la correction d’une implantation existante; ces tâches exigent des entrées et des livrables finaux différents.
Pour la génération, fournissez le langage de programmation, la signature de fonction, les types d’entrée et la valeur de retour attendue. Incluez les contraintes, comme la possibilité de modifier l’entrée ou d’utiliser une dépendance externe. Demandez l’implantation et une courte explication de la façon dont elle respecte chaque exigence. Par exemple, une demande de tri peut préciser que les valeurs en double doivent être conservées et que la liste originale doit rester inchangée, puis demander une fonction et des exemples d’appels pour une liste vide et une liste contenant des valeurs répétées.
Pour le raisonnement sur le code, fournissez le fragment exact et l’entrée précise à suivre. Demandez quelles branches sont exécutées, comment les valeurs intermédiaires changent et ce que la fonction retourne. C’est plus utile qu’une demande non ciblée d’expliquer un fichier entier : la réponse relie une entrée concrète à un parcours concret dans le programme. Gardez les fonctions auxiliaires appelées ou les définitions de types pertinentes avec le fragment.
Pour la correction, fournissez le comportement en échec, le comportement attendu et le code qui détermine la différence. Un message d’erreur seul peut laisser la condition importante non précisée. Demandez une correction proposée, une explication de la cause et des exemples distinguant l’ancien comportement du comportement visé. Le correctif retourné est un livrable textuel; sa compilation, son exécution ou son application à un dépôt exige l’environnement de développement environnant.
L’édition nommée 7B
Le modèle publié compte 7.61 milliards de paramètres, dont 6.53 milliards hors plongements, et 28 couches Transformer. Il utilise des plongements positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. Son attention à requêtes groupées comprend 28 têtes de requête et 4 têtes clé/valeur. Ces détails décrivent cette version plutôt qu’une édition Coder plus grande.
La famille fournit des modèles Base et Instruct distincts. Instruct est aligné sur les demandes conversationnelles; Base est une fondation pour la complétion et l’ajustement supplémentaire. Cette entrée concerne le modèle 7B ajusté pour suivre les consignes. Les exemples et les résultats principaux de la version pour d’autres tailles ne définissent pas les capacités ni les besoins en ressources de cette édition.
Préparer la consigne
La fiche du modèle présente une conversation avec des messages système et utilisateur séparés et le gabarit de conversation correspondant. Placez les règles durables de réponse, comme la présentation de l’implantation et de l’explication, séparément du code et de la tâche. Indiquez quel fragment est le code source existant, quel texte constitue une exigence et quelle sortie doit être retournée. Cela aide à préserver les identifiants, les interfaces et le comportement que la modification demandée doit conserver.
Une entrée utile pour un assistant de développement peut contenir un court module, son appelant et la modification visée. Demandez une fonction révisée, une liste d’hypothèses et des exemples d’entrées avec les sorties attendues. Pour un livrable visuel généré, précisez les données et les interactions à implanter et demandez le texte source résultant; la famille axée sur le code illustre aussi des assistants de programmation et des livrables visuels. Le rendu du livrable reste une étape distincte de la génération de sa source.
Traitement des longs textes
La fiche du modèle indique un contexte complet de 131,072 tokens, tandis que la configuration publiée est initialement réglée à 32,768 tokens. Le traitement d’entrées au-delà de ce réglage exige l’extension YaRN documentée. L’exemple précise un facteur d’échelle de 4.0 et un réglage original de positions maximales de 32,768. Le fabricant note que la mise à l’échelle statique peut affecter le comportement sur les textes plus courts et recommande d’ajouter l’extension lorsque les longs contextes sont nécessaires.
Utilisez le contexte plus grand pour garder le code et les exigences connexes ensemble, mais définissez la vraie question : repérer un appel incompatible, expliquer un parcours de données ou proposer une modification dans une interface précise. Incluez les portions qui déterminent le comportement plutôt que des documents de projet sans rapport. Les 512 tokens générés du guide de démarrage sont un réglage d’exemple; la fiche n’en déduit pas une capacité maximale distincte de sortie.
Le résultat documenté du modèle est du texte. Son rôle dans un agent de programmation dépend de l’application qui fournit l’accès au dépôt, l’exécution et la rétroaction. Distinguez ces opérations de la capacité du modèle à proposer du code et à expliquer son comportement, et gardez explicites l’édition précise 7B-Instruct et les réglages de long contexte lorsque vous planifiez une tâche reproductible.
", "aboutText": "Qwen2.5-Coder-7B-Instruct est la version de taille 7B ajustée pour suivre les consignes de la famille de Qwen axée sur le code, auparavant connue sous le nom CodeQwen. Ses tâches centrales sont la génération de code, le raisonnement sur le comportement des programmes et la correction de code. Il reçoit du texte, y compris des exigences et du code source, et retourne du texte pouvant contenir une implantation, une explication ou une modification proposée.\n\nCapacités de programmation et entraînement\n\nLe fabricant décrit 5.5 billions de tokens d’entraînement, comprenant du code source, du contenu reliant le texte au code et des exemples synthétiques. La famille conserve des capacités mathématiques et linguistiques générales en plus de sa spécialisation en programmation. L’annonce de la version distingue la génération d’un programme, le raisonnement sur son exécution et la correction d’une implantation existante; ces tâches exigent des entrées et des livrables finaux différents.\n\nPour la génération, fournissez le langage de programmation, la signature de fonction, les types d’entrée et la valeur de retour attendue. Incluez les contraintes, comme la possibilité de modifier l’entrée ou d’utiliser une dépendance externe. Demandez l’implantation et une courte explication de la façon dont elle respecte chaque exigence. Par exemple, une demande de tri peut préciser que les valeurs en double doivent être conservées et que la liste originale doit rester inchangée, puis demander une fonction et des exemples d’appels pour une liste vide et une liste contenant des valeurs répétées.\n\nPour le raisonnement sur le code, fournissez le fragment exact et l’entrée précise à suivre. Demandez quelles branches sont exécutées, comment les valeurs intermédiaires changent et ce que la fonction retourne. C’est plus utile qu’une demande non ciblée d’expliquer un fichier entier : la réponse relie une entrée concrète à un parcours concret dans le programme. Gardez les fonctions auxiliaires appelées ou les définitions de types pertinentes avec le fragment.\n\nPour la correction, fournissez le comportement en échec, le comportement attendu et le code qui détermine la différence. Un message d’erreur seul peut laisser la condition importante non précisée. Demandez une correction proposée, une explication de la cause et des exemples distinguant l’ancien comportement du comportement visé. Le correctif retourné est un livrable textuel; sa compilation, son exécution ou son application à un dépôt exige l’environnement de développement environnant.\n\nL’édition nommée 7B\n\nLe modèle publié compte 7.61 milliards de paramètres, dont 6.53 milliards hors plongements, et 28 couches Transformer. Il utilise des plongements positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. Son attention à requêtes groupées comprend 28 têtes de requête et 4 têtes clé/valeur. Ces détails décrivent cette version plutôt qu’une édition Coder plus grande.\n\nLa famille fournit des modèles Base et Instruct distincts. Instruct est aligné sur les demandes conversationnelles; Base est une fondation pour la complétion et l’ajustement supplémentaire. Cette entrée concerne le modèle 7B ajusté pour suivre les consignes. Les exemples et les résultats principaux de la version pour d’autres tailles ne définissent pas les capacités ni les besoins en ressources de cette édition.\n\nPréparer la consigne\n\nLa fiche du modèle présente une conversation avec des messages système et utilisateur séparés et le gabarit de conversation correspondant. Placez les règles durables de réponse, comme la présentation de l’implantation et de l’explication, séparément du code et de la tâche. Indiquez quel fragment est le code source existant, quel texte constitue une exigence et quelle sortie doit être retournée. Cela aide à préserver les identifiants, les interfaces et le comportement que la modification demandée doit conserver.\n\nUne entrée utile pour un assistant de développement peut contenir un court module, son appelant et la modification visée. Demandez une fonction révisée, une liste d’hypothèses et des exemples d’entrées avec les sorties attendues. Pour un livrable visuel généré, précisez les données et les interactions à implanter et demandez le texte source résultant; la famille axée sur le code illustre aussi des assistants de programmation et des livrables visuels. Le rendu du livrable reste une étape distincte de la génération de sa source.\n\nTraitement des longs textes\n\nLa fiche du modèle indique un contexte complet de 131,072 tokens, tandis que la configuration publiée est initialement réglée à 32,768 tokens. Le traitement d’entrées au-delà de ce réglage exige l’extension YaRN documentée. L’exemple précise un facteur d’échelle de 4.0 et un réglage original de positions maximales de 32,768. Le fabricant note que la mise à l’échelle statique peut affecter le comportement sur les textes plus courts et recommande d’ajouter l’extension lorsque les longs contextes sont nécessaires.\n\nUtilisez le contexte plus grand pour garder le code et les exigences connexes ensemble, mais définissez la vraie question : repérer un appel incompatible, expliquer un parcours de données ou proposer une modification dans une interface précise. Incluez les portions qui déterminent le comportement plutôt que des documents de projet sans rapport. Les 512 tokens générés du guide de démarrage sont un réglage d’exemple; la fiche n’en déduit pas une capacité maximale distincte de sortie.\n\nLe résultat documenté du modèle est du texte. Son rôle dans un agent de programmation dépend de l’application qui fournit l’accès au dépôt, l’exécution et la rétroaction. Distinguez ces opérations de la capacité du modèle à proposer du code et à expliquer son comportement, et gardez explicites l’édition précise 7B-Instruct et les réglages de long contexte lorsque vous planifiez une tâche reproductible.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct est un modèle de texte pour générer, expliquer et corriger du code à partir de consignes. Sa version de 7.61 milliards de paramètres prend en charge des contextes étendus jusqu’à 131,072 tokens avec la configuration documentée de long contexte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-Coder-7B-Instruct est la version de taille 7B ajustée pour suivre les consignes de la famille de Qwen axée sur le code, auparavant connue sous le nom CodeQwen. Ses tâches centrales sont la génération de code, le raisonnement sur le comportement des programmes et la correction de code. Il reçoit du texte, y compris des exigences et du code source, et retourne du texte pouvant contenir une implantation, une explication ou une modification proposée.
Capacités de programmation et entraînement
Le fabricant décrit 5.5 billions de tokens d’entraînement, comprenant du code source, du contenu reliant le texte au code et des exemples synthétiques. La famille conserve des capacités mathématiques et linguistiques générales en plus de sa spécialisation en programmation. L’annonce de la version distingue la génération d’un programme, le raisonnement sur son exécution et la correction d’une implantation existante; ces tâches exigent des entrées et des livrables finaux différents.
Pour la génération, fournissez le langage de programmation, la signature de fonction, les types d’entrée et la valeur de retour attendue. Incluez les contraintes, comme la possibilité de modifier l’entrée ou d’utiliser une dépendance externe. Demandez l’implantation et une courte explication de la façon dont elle respecte chaque exigence. Par exemple, une demande de tri peut préciser que les valeurs en double doivent être conservées et que la liste originale doit rester inchangée, puis demander une fonction et des exemples d’appels pour une liste vide et une liste contenant des valeurs répétées.
Pour le raisonnement sur le code, fournissez le fragment exact et l’entrée précise à suivre. Demandez quelles branches sont exécutées, comment les valeurs intermédiaires changent et ce que la fonction retourne. C’est plus utile qu’une demande non ciblée d’expliquer un fichier entier : la réponse relie une entrée concrète à un parcours concret dans le programme. Gardez les fonctions auxiliaires appelées ou les définitions de types pertinentes avec le fragment.
Pour la correction, fournissez le comportement en échec, le comportement attendu et le code qui détermine la différence. Un message d’erreur seul peut laisser la condition importante non précisée. Demandez une correction proposée, une explication de la cause et des exemples distinguant l’ancien comportement du comportement visé. Le correctif retourné est un livrable textuel; sa compilation, son exécution ou son application à un dépôt exige l’environnement de développement environnant.
L’édition nommée 7B
Le modèle publié compte 7.61 milliards de paramètres, dont 6.53 milliards hors plongements, et 28 couches Transformer. Il utilise des plongements positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. Son attention à requêtes groupées comprend 28 têtes de requête et 4 têtes clé/valeur. Ces détails décrivent cette version plutôt qu’une édition Coder plus grande.
La famille fournit des modèles Base et Instruct distincts. Instruct est aligné sur les demandes conversationnelles; Base est une fondation pour la complétion et l’ajustement supplémentaire. Cette entrée concerne le modèle 7B ajusté pour suivre les consignes. Les exemples et les résultats principaux de la version pour d’autres tailles ne définissent pas les capacités ni les besoins en ressources de cette édition.
Préparer la consigne
La fiche du modèle présente une conversation avec des messages système et utilisateur séparés et le gabarit de conversation correspondant. Placez les règles durables de réponse, comme la présentation de l’implantation et de l’explication, séparément du code et de la tâche. Indiquez quel fragment est le code source existant, quel texte constitue une exigence et quelle sortie doit être retournée. Cela aide à préserver les identifiants, les interfaces et le comportement que la modification demandée doit conserver.
Une entrée utile pour un assistant de développement peut contenir un court module, son appelant et la modification visée. Demandez une fonction révisée, une liste d’hypothèses et des exemples d’entrées avec les sorties attendues. Pour un livrable visuel généré, précisez les données et les interactions à implanter et demandez le texte source résultant; la famille axée sur le code illustre aussi des assistants de programmation et des livrables visuels. Le rendu du livrable reste une étape distincte de la génération de sa source.
Traitement des longs textes
La fiche du modèle indique un contexte complet de 131,072 tokens, tandis que la configuration publiée est initialement réglée à 32,768 tokens. Le traitement d’entrées au-delà de ce réglage exige l’extension YaRN documentée. L’exemple précise un facteur d’échelle de 4.0 et un réglage original de positions maximales de 32,768. Le fabricant note que la mise à l’échelle statique peut affecter le comportement sur les textes plus courts et recommande d’ajouter l’extension lorsque les longs contextes sont nécessaires.
Utilisez le contexte plus grand pour garder le code et les exigences connexes ensemble, mais définissez la vraie question : repérer un appel incompatible, expliquer un parcours de données ou proposer une modification dans une interface précise. Incluez les portions qui déterminent le comportement plutôt que des documents de projet sans rapport. Les 512 tokens générés du guide de démarrage sont un réglage d’exemple; la fiche n’en déduit pas une capacité maximale distincte de sortie.
Le résultat documenté du modèle est du texte. Son rôle dans un agent de programmation dépend de l’application qui fournit l’accès au dépôt, l’exécution et la rétroaction. Distinguez ces opérations de la capacité du modèle à proposer du code et à expliquer son comportement, et gardez explicites l’édition précise 7B-Instruct et les réglages de long contexte lorsque vous planifiez une tâche reproductible.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-coder-7b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: Fonction fournie comme outil | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | ContratTableau de messages avec une structure role/content |
Paramètrefile_material | ContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | ContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’ID exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0001 / 1K jetons Sortie · Jetons en sortie $0.0001 / 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-coder-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-coder-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-coder-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen2.5-coder-7b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct est un modèle de texte pour générer, expliquer et corriger du code à partir de consignes. Sa version de 7.61 milliards de paramètres prend en charge des contextes étendus jusqu’à 131,072 tokens avec la configuration documentée de long contexte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-Coder-7B-Instruct est la version de taille 7B ajustée pour suivre les consignes de la famille de Qwen axée sur le code, auparavant connue sous le nom CodeQwen. Ses tâches centrales sont la génération de code, le raisonnement sur le comportement des programmes et la correction de code. Il reçoit du texte, y compris des exigences et du code source, et retourne du texte pouvant contenir une implantation, une explication ou une modification proposée.
Capacités de programmation et entraînement
Le fabricant décrit 5.5 billions de tokens d’entraînement, comprenant du code source, du contenu reliant le texte au code et des exemples synthétiques. La famille conserve des capacités mathématiques et linguistiques générales en plus de sa spécialisation en programmation. L’annonce de la version distingue la génération d’un programme, le raisonnement sur son exécution et la correction d’une implantation existante; ces tâches exigent des entrées et des livrables finaux différents.
Pour la génération, fournissez le langage de programmation, la signature de fonction, les types d’entrée et la valeur de retour attendue. Incluez les contraintes, comme la possibilité de modifier l’entrée ou d’utiliser une dépendance externe. Demandez l’implantation et une courte explication de la façon dont elle respecte chaque exigence. Par exemple, une demande de tri peut préciser que les valeurs en double doivent être conservées et que la liste originale doit rester inchangée, puis demander une fonction et des exemples d’appels pour une liste vide et une liste contenant des valeurs répétées.
Pour le raisonnement sur le code, fournissez le fragment exact et l’entrée précise à suivre. Demandez quelles branches sont exécutées, comment les valeurs intermédiaires changent et ce que la fonction retourne. C’est plus utile qu’une demande non ciblée d’expliquer un fichier entier : la réponse relie une entrée concrète à un parcours concret dans le programme. Gardez les fonctions auxiliaires appelées ou les définitions de types pertinentes avec le fragment.
Pour la correction, fournissez le comportement en échec, le comportement attendu et le code qui détermine la différence. Un message d’erreur seul peut laisser la condition importante non précisée. Demandez une correction proposée, une explication de la cause et des exemples distinguant l’ancien comportement du comportement visé. Le correctif retourné est un livrable textuel; sa compilation, son exécution ou son application à un dépôt exige l’environnement de développement environnant.
L’édition nommée 7B
Le modèle publié compte 7.61 milliards de paramètres, dont 6.53 milliards hors plongements, et 28 couches Transformer. Il utilise des plongements positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. Son attention à requêtes groupées comprend 28 têtes de requête et 4 têtes clé/valeur. Ces détails décrivent cette version plutôt qu’une édition Coder plus grande.
La famille fournit des modèles Base et Instruct distincts. Instruct est aligné sur les demandes conversationnelles; Base est une fondation pour la complétion et l’ajustement supplémentaire. Cette entrée concerne le modèle 7B ajusté pour suivre les consignes. Les exemples et les résultats principaux de la version pour d’autres tailles ne définissent pas les capacités ni les besoins en ressources de cette édition.
Préparer la consigne
La fiche du modèle présente une conversation avec des messages système et utilisateur séparés et le gabarit de conversation correspondant. Placez les règles durables de réponse, comme la présentation de l’implantation et de l’explication, séparément du code et de la tâche. Indiquez quel fragment est le code source existant, quel texte constitue une exigence et quelle sortie doit être retournée. Cela aide à préserver les identifiants, les interfaces et le comportement que la modification demandée doit conserver.
Une entrée utile pour un assistant de développement peut contenir un court module, son appelant et la modification visée. Demandez une fonction révisée, une liste d’hypothèses et des exemples d’entrées avec les sorties attendues. Pour un livrable visuel généré, précisez les données et les interactions à implanter et demandez le texte source résultant; la famille axée sur le code illustre aussi des assistants de programmation et des livrables visuels. Le rendu du livrable reste une étape distincte de la génération de sa source.
Traitement des longs textes
La fiche du modèle indique un contexte complet de 131,072 tokens, tandis que la configuration publiée est initialement réglée à 32,768 tokens. Le traitement d’entrées au-delà de ce réglage exige l’extension YaRN documentée. L’exemple précise un facteur d’échelle de 4.0 et un réglage original de positions maximales de 32,768. Le fabricant note que la mise à l’échelle statique peut affecter le comportement sur les textes plus courts et recommande d’ajouter l’extension lorsque les longs contextes sont nécessaires.
Utilisez le contexte plus grand pour garder le code et les exigences connexes ensemble, mais définissez la vraie question : repérer un appel incompatible, expliquer un parcours de données ou proposer une modification dans une interface précise. Incluez les portions qui déterminent le comportement plutôt que des documents de projet sans rapport. Les 512 tokens générés du guide de démarrage sont un réglage d’exemple; la fiche n’en déduit pas une capacité maximale distincte de sortie.
Le résultat documenté du modèle est du texte. Son rôle dans un agent de programmation dépend de l’application qui fournit l’accès au dépôt, l’exécution et la rétroaction. Distinguez ces opérations de la capacité du modèle à proposer du code et à expliquer son comportement, et gardez explicites l’édition précise 7B-Instruct et les réglages de long contexte lorsque vous planifiez une tâche reproductible.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-coder-7b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0001 / 1K jetons Sortie · Jetons en sortie $0.0001 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-coder-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen2.5-coder-7b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.