Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée aux instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : explication, document, code ou champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et les réponses structurées, notamment JSON.
Améliorations de la famille
Le fabricant décrit des connaissances plus larges et des capacités de code et de mathématiques renforcées par rapport à Qwen2, ainsi que des réponses longues et une meilleure gestion d’instructions système variées. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens. Ces capacités permettent un assistant spécialisé dont le rôle et la sortie sont définis par la tâche. Ce modèle reste l’édition généraliste Instruct ; les lignes Qwen2.5-Coder et Qwen2.5-Math nommées séparément ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur une étape. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions originales. Une sortie utile peut séparer la prochaine action, sa condition d’application et les informations encore nécessaires. Une demande générale de conseil devient ainsi une réponse liée au processus fourni.
Pour expliquer du code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence d’opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, précisez les symboles, hypothèses et expression cible avant la dérivation. Les deux tâches utilisent du texte ; exécuter le programme ou fournir un outil numérique distinct relève de l’application autour du modèle.
Tableaux et JSON
Pour une question sur un tableau, gardez les en-têtes et unités, nommez les lignes pertinentes et précisez la comparaison. La sortie peut lister les identifiants des lignes correspondantes et expliquer la condition fournie satisfaite par chacune. Si des valeurs manquent, indiquez si elles doivent rester absentes ou être représentées explicitement.
Pour une extraction structurée, montrez les noms de champs et types requis. Un identifiant d’article, une quantité en stock et un libellé d’entrepôt peuvent être convertis en enregistrement contenant ces mêmes champs. Demandez uniquement l’enregistrement si l’application doit l’analyser ; une explication distincte si l’utilisateur doit inspecter l’interprétation de la source. La capacité documentée de génération JSON se distingue de l’application d’un schéma par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, notamment anglais, chinois, russe, allemand, français, espagnol, portugais, italien, japonais, coréen, vietnamien, thaï et arabe. Définissez la langue finale et les termes à garder inchangés. Pour une explication technique traduite, demandez de conserver les noms de variables, libellés cités et unités tout en adaptant le reste au lecteur.
La version 14B spécifique
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. L’architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Ses nombres de paramètres et de couches diffèrent de l’édition 32B même lorsque les capacités de famille et chiffres de contexte publiés coïncident.
La fiche indique 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Le premier chiffre concerne la conversation et les contenus retenus pour la tâche ; le second la réponse générée. Les 512 tokens du démarrage rapide ne sont qu’un exemple et ne remplacent pas la capacité de réponse annoncée. La compréhension d’images, de vidéos et d’audio appartient aux versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches avec outils
L’exemple applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle et les règles de réponse séparément du contenu examiné. Fournissez une question complète et étiquetez les sources pour ne pas confondre une instruction citée dans celles-ci avec la tâche de l’application.
L’annonce officielle Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche avec outils exige que l’application fournisse les descriptions de fonctions, exécute l’opération choisie et renvoie son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul avec un outil fourni ; son résultat devient une information que le modèle explique. Disponibilité et exécution viennent de l’intégration, tandis que cette version apporte le comportement conversationnel textuel.
Configuration des textes longs
La configuration publiée couvre initialement 32 768 tokens. L’extension documentée utilise YaRN, avec un facteur d’exemple de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter les textes courts ; le fabricant recommande donc de l’ajouter lorsque les longs contextes sont nécessaires.
Pour une source longue, indiquez la section à réviser ou la question et gardez les parties justificatives ensemble. Une demande claire peut exiger un passage corrigé, un tableau de changements et les références des sections originales. Le contexte étendu sert ainsi un livrable concret tout en gardant la réponse dans la limite de génération distincte.
", "aboutText": "Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée aux instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : explication, document, code ou champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et les réponses structurées, notamment JSON.\n\nAméliorations de la famille\n\nLe fabricant décrit des connaissances plus larges et des capacités de code et de mathématiques renforcées par rapport à Qwen2, ainsi que des réponses longues et une meilleure gestion d’instructions système variées. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens. Ces capacités permettent un assistant spécialisé dont le rôle et la sortie sont définis par la tâche. Ce modèle reste l’édition généraliste Instruct ; les lignes Qwen2.5-Coder et Qwen2.5-Math nommées séparément ont leurs propres spécialisations.\n\nUn assistant de processus peut recevoir une procédure et une question sur une étape. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions originales. Une sortie utile peut séparer la prochaine action, sa condition d’application et les informations encore nécessaires. Une demande générale de conseil devient ainsi une réponse liée au processus fourni.\n\nPour expliquer du code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence d’opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, précisez les symboles, hypothèses et expression cible avant la dérivation. Les deux tâches utilisent du texte ; exécuter le programme ou fournir un outil numérique distinct relève de l’application autour du modèle.\n\nTableaux et JSON\n\nPour une question sur un tableau, gardez les en-têtes et unités, nommez les lignes pertinentes et précisez la comparaison. La sortie peut lister les identifiants des lignes correspondantes et expliquer la condition fournie satisfaite par chacune. Si des valeurs manquent, indiquez si elles doivent rester absentes ou être représentées explicitement.\n\nPour une extraction structurée, montrez les noms de champs et types requis. Un identifiant d’article, une quantité en stock et un libellé d’entrepôt peuvent être convertis en enregistrement contenant ces mêmes champs. Demandez uniquement l’enregistrement si l’application doit l’analyser ; une explication distincte si l’utilisateur doit inspecter l’interprétation de la source. La capacité documentée de génération JSON se distingue de l’application d’un schéma par une interface particulière.\n\nLa conversation multilingue est prise en charge dans plus de 29 langues, notamment anglais, chinois, russe, allemand, français, espagnol, portugais, italien, japonais, coréen, vietnamien, thaï et arabe. Définissez la langue finale et les termes à garder inchangés. Pour une explication technique traduite, demandez de conserver les noms de variables, libellés cités et unités tout en adaptant le reste au lecteur.\n\nLa version 14B spécifique\n\nLa fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. L’architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Ses nombres de paramètres et de couches diffèrent de l’édition 32B même lorsque les capacités de famille et chiffres de contexte publiés coïncident.\n\nLa fiche indique 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Le premier chiffre concerne la conversation et les contenus retenus pour la tâche ; le second la réponse générée. Les 512 tokens du démarrage rapide ne sont qu’un exemple et ne remplacent pas la capacité de réponse annoncée. La compréhension d’images, de vidéos et d’audio appartient aux versions multimodales nommées séparément, pas à ce modèle textuel.\n\nFormat d’entrée et tâches avec outils\n\nL’exemple applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle et les règles de réponse séparément du contenu examiné. Fournissez une question complète et étiquetez les sources pour ne pas confondre une instruction citée dans celles-ci avec la tâche de l’application.\n\nL’annonce officielle Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche avec outils exige que l’application fournisse les descriptions de fonctions, exécute l’opération choisie et renvoie son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul avec un outil fourni ; son résultat devient une information que le modèle explique. Disponibilité et exécution viennent de l’intégration, tandis que cette version apporte le comportement conversationnel textuel.\n\nConfiguration des textes longs\n\nLa configuration publiée couvre initialement 32 768 tokens. L’extension documentée utilise YaRN, avec un facteur d’exemple de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter les textes courts ; le fabricant recommande donc de l’ajouter lorsque les longs contextes sont nécessaires.\n\nPour une source longue, indiquez la section à réviser ou la question et gardez les parties justificatives ensemble. Une demande claire peut exiger un passage corrigé, un tableau de changements et les références des sections originales. Le contexte étendu sert ainsi un livrable concret tout en gardant la réponse dans la limite de génération distincte.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct est un modèle textuel multilingue pour assistants guidés par instructions, code et mathématiques. Sa version propre de 14,7 milliards de paramètres prend en charge l’interprétation des tableaux, la génération JSON et des réponses limitées à 8 192 tokens, avec configuration de contexte étendu pour les entrées longues.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée aux instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : explication, document, code ou champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et les réponses structurées, notamment JSON.
Améliorations de la famille
Le fabricant décrit des connaissances plus larges et des capacités de code et de mathématiques renforcées par rapport à Qwen2, ainsi que des réponses longues et une meilleure gestion d’instructions système variées. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens. Ces capacités permettent un assistant spécialisé dont le rôle et la sortie sont définis par la tâche. Ce modèle reste l’édition généraliste Instruct ; les lignes Qwen2.5-Coder et Qwen2.5-Math nommées séparément ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur une étape. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions originales. Une sortie utile peut séparer la prochaine action, sa condition d’application et les informations encore nécessaires. Une demande générale de conseil devient ainsi une réponse liée au processus fourni.
Pour expliquer du code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence d’opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, précisez les symboles, hypothèses et expression cible avant la dérivation. Les deux tâches utilisent du texte ; exécuter le programme ou fournir un outil numérique distinct relève de l’application autour du modèle.
Tableaux et JSON
Pour une question sur un tableau, gardez les en-têtes et unités, nommez les lignes pertinentes et précisez la comparaison. La sortie peut lister les identifiants des lignes correspondantes et expliquer la condition fournie satisfaite par chacune. Si des valeurs manquent, indiquez si elles doivent rester absentes ou être représentées explicitement.
Pour une extraction structurée, montrez les noms de champs et types requis. Un identifiant d’article, une quantité en stock et un libellé d’entrepôt peuvent être convertis en enregistrement contenant ces mêmes champs. Demandez uniquement l’enregistrement si l’application doit l’analyser ; une explication distincte si l’utilisateur doit inspecter l’interprétation de la source. La capacité documentée de génération JSON se distingue de l’application d’un schéma par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, notamment anglais, chinois, russe, allemand, français, espagnol, portugais, italien, japonais, coréen, vietnamien, thaï et arabe. Définissez la langue finale et les termes à garder inchangés. Pour une explication technique traduite, demandez de conserver les noms de variables, libellés cités et unités tout en adaptant le reste au lecteur.
La version 14B spécifique
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. L’architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Ses nombres de paramètres et de couches diffèrent de l’édition 32B même lorsque les capacités de famille et chiffres de contexte publiés coïncident.
La fiche indique 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Le premier chiffre concerne la conversation et les contenus retenus pour la tâche ; le second la réponse générée. Les 512 tokens du démarrage rapide ne sont qu’un exemple et ne remplacent pas la capacité de réponse annoncée. La compréhension d’images, de vidéos et d’audio appartient aux versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches avec outils
L’exemple applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle et les règles de réponse séparément du contenu examiné. Fournissez une question complète et étiquetez les sources pour ne pas confondre une instruction citée dans celles-ci avec la tâche de l’application.
L’annonce officielle Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche avec outils exige que l’application fournisse les descriptions de fonctions, exécute l’opération choisie et renvoie son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul avec un outil fourni ; son résultat devient une information que le modèle explique. Disponibilité et exécution viennent de l’intégration, tandis que cette version apporte le comportement conversationnel textuel.
Configuration des textes longs
La configuration publiée couvre initialement 32 768 tokens. L’extension documentée utilise YaRN, avec un facteur d’exemple de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter les textes courts ; le fabricant recommande donc de l’ajouter lorsque les longs contextes sont nécessaires.
Pour une source longue, indiquez la section à réviser ou la question et gardez les parties justificatives ensemble. Une demande claire peut exiger un passage corrigé, un tableau de changements et les références des sections originales. Le contexte étendu sert ainsi un livrable concret tout en gardant la réponse dans la limite de génération distincte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-14B-Instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct est un modèle textuel multilingue pour assistants guidés par instructions, code et mathématiques. Sa version propre de 14,7 milliards de paramètres prend en charge l’interprétation des tableaux, la génération JSON et des réponses limitées à 8 192 tokens, avec configuration de contexte étendu pour les entrées longues.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée aux instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : explication, document, code ou champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et les réponses structurées, notamment JSON.
Améliorations de la famille
Le fabricant décrit des connaissances plus larges et des capacités de code et de mathématiques renforcées par rapport à Qwen2, ainsi que des réponses longues et une meilleure gestion d’instructions système variées. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens. Ces capacités permettent un assistant spécialisé dont le rôle et la sortie sont définis par la tâche. Ce modèle reste l’édition généraliste Instruct ; les lignes Qwen2.5-Coder et Qwen2.5-Math nommées séparément ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur une étape. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions originales. Une sortie utile peut séparer la prochaine action, sa condition d’application et les informations encore nécessaires. Une demande générale de conseil devient ainsi une réponse liée au processus fourni.
Pour expliquer du code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence d’opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, précisez les symboles, hypothèses et expression cible avant la dérivation. Les deux tâches utilisent du texte ; exécuter le programme ou fournir un outil numérique distinct relève de l’application autour du modèle.
Tableaux et JSON
Pour une question sur un tableau, gardez les en-têtes et unités, nommez les lignes pertinentes et précisez la comparaison. La sortie peut lister les identifiants des lignes correspondantes et expliquer la condition fournie satisfaite par chacune. Si des valeurs manquent, indiquez si elles doivent rester absentes ou être représentées explicitement.
Pour une extraction structurée, montrez les noms de champs et types requis. Un identifiant d’article, une quantité en stock et un libellé d’entrepôt peuvent être convertis en enregistrement contenant ces mêmes champs. Demandez uniquement l’enregistrement si l’application doit l’analyser ; une explication distincte si l’utilisateur doit inspecter l’interprétation de la source. La capacité documentée de génération JSON se distingue de l’application d’un schéma par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, notamment anglais, chinois, russe, allemand, français, espagnol, portugais, italien, japonais, coréen, vietnamien, thaï et arabe. Définissez la langue finale et les termes à garder inchangés. Pour une explication technique traduite, demandez de conserver les noms de variables, libellés cités et unités tout en adaptant le reste au lecteur.
La version 14B spécifique
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. L’architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Ses nombres de paramètres et de couches diffèrent de l’édition 32B même lorsque les capacités de famille et chiffres de contexte publiés coïncident.
La fiche indique 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Le premier chiffre concerne la conversation et les contenus retenus pour la tâche ; le second la réponse générée. Les 512 tokens du démarrage rapide ne sont qu’un exemple et ne remplacent pas la capacité de réponse annoncée. La compréhension d’images, de vidéos et d’audio appartient aux versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches avec outils
L’exemple applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle et les règles de réponse séparément du contenu examiné. Fournissez une question complète et étiquetez les sources pour ne pas confondre une instruction citée dans celles-ci avec la tâche de l’application.
L’annonce officielle Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche avec outils exige que l’application fournisse les descriptions de fonctions, exécute l’opération choisie et renvoie son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul avec un outil fourni ; son résultat devient une information que le modèle explique. Disponibilité et exécution viennent de l’intégration, tandis que cette version apporte le comportement conversationnel textuel.
Configuration des textes longs
La configuration publiée couvre initialement 32 768 tokens. L’extension documentée utilise YaRN, avec un facteur d’exemple de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter les textes courts ; le fabricant recommande donc de l’ajouter lorsque les longs contextes sont nécessaires.
Pour une source longue, indiquez la section à réviser ou la question et gardez les parties justificatives ensemble. Une demande claire peut exiger un passage corrigé, un tableau de changements et les références des sections originales. Le contexte étendu sert ainsi un livrable concret tout en gardant la réponse dans la limite de génération distincte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-14B-Instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct est un modèle textuel multilingue pour assistants guidés par instructions, code et mathématiques. Sa version propre de 14,7 milliards de paramètres prend en charge l’interprétation des tableaux, la génération JSON et des réponses limitées à 8 192 tokens, avec configuration de contexte étendu pour les entrées longues.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée aux instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : explication, document, code ou champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et les réponses structurées, notamment JSON.
Améliorations de la famille
Le fabricant décrit des connaissances plus larges et des capacités de code et de mathématiques renforcées par rapport à Qwen2, ainsi que des réponses longues et une meilleure gestion d’instructions système variées. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens. Ces capacités permettent un assistant spécialisé dont le rôle et la sortie sont définis par la tâche. Ce modèle reste l’édition généraliste Instruct ; les lignes Qwen2.5-Coder et Qwen2.5-Math nommées séparément ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur une étape. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions originales. Une sortie utile peut séparer la prochaine action, sa condition d’application et les informations encore nécessaires. Une demande générale de conseil devient ainsi une réponse liée au processus fourni.
Pour expliquer du code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence d’opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, précisez les symboles, hypothèses et expression cible avant la dérivation. Les deux tâches utilisent du texte ; exécuter le programme ou fournir un outil numérique distinct relève de l’application autour du modèle.
Tableaux et JSON
Pour une question sur un tableau, gardez les en-têtes et unités, nommez les lignes pertinentes et précisez la comparaison. La sortie peut lister les identifiants des lignes correspondantes et expliquer la condition fournie satisfaite par chacune. Si des valeurs manquent, indiquez si elles doivent rester absentes ou être représentées explicitement.
Pour une extraction structurée, montrez les noms de champs et types requis. Un identifiant d’article, une quantité en stock et un libellé d’entrepôt peuvent être convertis en enregistrement contenant ces mêmes champs. Demandez uniquement l’enregistrement si l’application doit l’analyser ; une explication distincte si l’utilisateur doit inspecter l’interprétation de la source. La capacité documentée de génération JSON se distingue de l’application d’un schéma par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, notamment anglais, chinois, russe, allemand, français, espagnol, portugais, italien, japonais, coréen, vietnamien, thaï et arabe. Définissez la langue finale et les termes à garder inchangés. Pour une explication technique traduite, demandez de conserver les noms de variables, libellés cités et unités tout en adaptant le reste au lecteur.
La version 14B spécifique
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. L’architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Ses nombres de paramètres et de couches diffèrent de l’édition 32B même lorsque les capacités de famille et chiffres de contexte publiés coïncident.
La fiche indique 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Le premier chiffre concerne la conversation et les contenus retenus pour la tâche ; le second la réponse générée. Les 512 tokens du démarrage rapide ne sont qu’un exemple et ne remplacent pas la capacité de réponse annoncée. La compréhension d’images, de vidéos et d’audio appartient aux versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches avec outils
L’exemple applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle et les règles de réponse séparément du contenu examiné. Fournissez une question complète et étiquetez les sources pour ne pas confondre une instruction citée dans celles-ci avec la tâche de l’application.
L’annonce officielle Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche avec outils exige que l’application fournisse les descriptions de fonctions, exécute l’opération choisie et renvoie son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul avec un outil fourni ; son résultat devient une information que le modèle explique. Disponibilité et exécution viennent de l’intégration, tandis que cette version apporte le comportement conversationnel textuel.
Configuration des textes longs
La configuration publiée couvre initialement 32 768 tokens. L’extension documentée utilise YaRN, avec un facteur d’exemple de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter les textes courts ; le fabricant recommande donc de l’ajouter lorsque les longs contextes sont nécessaires.
Pour une source longue, indiquez la section à réviser ou la question et gardez les parties justificatives ensemble. Une demande claire peut exiger un passage corrigé, un tableau de changements et les références des sections originales. Le contexte étendu sert ainsi un livrable concret tout en gardant la réponse dans la limite de génération distincte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-14b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct est un modèle textuel multilingue pour assistants guidés par instructions, code et mathématiques. Sa version propre de 14,7 milliards de paramètres prend en charge l’interprétation des tableaux, la génération JSON et des réponses limitées à 8 192 tokens, avec configuration de contexte étendu pour les entrées longues.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-14B-Instruct est l’édition de taille 14B entraînée aux instructions de la famille généraliste Qwen2.5. Elle accepte une conversation textuelle et renvoie du texte : explication, document, code ou champs structurés. Son fabricant met en avant le suivi d’instructions, le code, les mathématiques, la compréhension de données structurées comme les tableaux et les réponses structurées, notamment JSON.
Améliorations de la famille
Le fabricant décrit des connaissances plus larges et des capacités de code et de mathématiques renforcées par rapport à Qwen2, ainsi que des réponses longues et une meilleure gestion d’instructions système variées. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens. Ces capacités permettent un assistant spécialisé dont le rôle et la sortie sont définis par la tâche. Ce modèle reste l’édition généraliste Instruct ; les lignes Qwen2.5-Coder et Qwen2.5-Math nommées séparément ont leurs propres spécialisations.
Un assistant de processus peut recevoir une procédure et une question sur une étape. Définissez le rôle du lecteur, demandez les actions pertinentes pour cette étape et exigez que la réponse conserve les conditions originales. Une sortie utile peut séparer la prochaine action, sa condition d’application et les informations encore nécessaires. Une demande générale de conseil devient ainsi une réponse liée au processus fourni.
Pour expliquer du code, fournissez la fonction, les définitions auxiliaires pertinentes et l’entrée qui prête à confusion. Demandez la séquence d’opérations et la valeur renvoyée pour cette entrée. Pour une explication mathématique, précisez les symboles, hypothèses et expression cible avant la dérivation. Les deux tâches utilisent du texte ; exécuter le programme ou fournir un outil numérique distinct relève de l’application autour du modèle.
Tableaux et JSON
Pour une question sur un tableau, gardez les en-têtes et unités, nommez les lignes pertinentes et précisez la comparaison. La sortie peut lister les identifiants des lignes correspondantes et expliquer la condition fournie satisfaite par chacune. Si des valeurs manquent, indiquez si elles doivent rester absentes ou être représentées explicitement.
Pour une extraction structurée, montrez les noms de champs et types requis. Un identifiant d’article, une quantité en stock et un libellé d’entrepôt peuvent être convertis en enregistrement contenant ces mêmes champs. Demandez uniquement l’enregistrement si l’application doit l’analyser ; une explication distincte si l’utilisateur doit inspecter l’interprétation de la source. La capacité documentée de génération JSON se distingue de l’application d’un schéma par une interface particulière.
La conversation multilingue est prise en charge dans plus de 29 langues, notamment anglais, chinois, russe, allemand, français, espagnol, portugais, italien, japonais, coréen, vietnamien, thaï et arabe. Définissez la langue finale et les termes à garder inchangés. Pour une explication technique traduite, demandez de conserver les noms de variables, libellés cités et unités tout en adaptant le reste au lecteur.
La version 14B spécifique
La fiche indique 14,7 milliards de paramètres, dont 13,1 milliards hors embeddings, et 48 couches Transformer. L’architecture utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention, avec 40 têtes de requête et 8 têtes de clé/valeur dans l’attention à requêtes groupées. Préentraînement et post-entraînement produisent cette édition Instruct. Ses nombres de paramètres et de couches diffèrent de l’édition 32B même lorsque les capacités de famille et chiffres de contexte publiés coïncident.
La fiche indique 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Le premier chiffre concerne la conversation et les contenus retenus pour la tâche ; le second la réponse générée. Les 512 tokens du démarrage rapide ne sont qu’un exemple et ne remplacent pas la capacité de réponse annoncée. La compréhension d’images, de vidéos et d’audio appartient aux versions multimodales nommées séparément, pas à ce modèle textuel.
Format d’entrée et tâches avec outils
L’exemple applique le gabarit de conversation correspondant à des messages système et utilisateur distincts. Définissez le rôle et les règles de réponse séparément du contenu examiné. Fournissez une question complète et étiquetez les sources pour ne pas confondre une instruction citée dans celles-ci avec la tâche de l’application.
L’annonce officielle Qwen2.5 décrit aussi des gabarits d’appels d’outils et des intégrations compatibles. Une tâche avec outils exige que l’application fournisse les descriptions de fonctions, exécute l’opération choisie et renvoie son résultat pour la réponse suivante. Par exemple, une conversation peut demander un calcul avec un outil fourni ; son résultat devient une information que le modèle explique. Disponibilité et exécution viennent de l’intégration, tandis que cette version apporte le comportement conversationnel textuel.
Configuration des textes longs
La configuration publiée couvre initialement 32 768 tokens. L’extension documentée utilise YaRN, avec un facteur d’exemple de 4,0 et un réglage initial de positions maximales de 32 768. La mise à l’échelle statique peut affecter les textes courts ; le fabricant recommande donc de l’ajouter lorsque les longs contextes sont nécessaires.
Pour une source longue, indiquez la section à réviser ou la question et gardez les parties justificatives ensemble. Une demande claire peut exiger un passage corrigé, un tableau de changements et les références des sections originales. Le contexte étendu sert ainsi un livrable concret tout en gardant la réponse dans la limite de génération distincte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-14b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Exemple technique en anglais
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.