Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné aux instructions de la famille généraliste Qwen2.5. Il associe compréhension et génération linguistiques au code et aux mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, les textes longs, la compréhension de tableaux et le texte structuré, notamment JSON. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens.
Données structurées, réponses longues et multilinguisme
Une extraction utile fournit le passage source et les champs exacts requis par l’étape applicative suivante. Définissez les types, si les formulations doivent être copiées ou résumées et la représentation des informations absentes. Un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez seulement le JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit inspecter le raisonnement derrière les champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les colonnes, unités et lignes pertinentes avec la question. Demandez les lignes satisfaisant une condition, l’explication d’une variation entre périodes ou la conversion en rapport écrit. Une sortie pratique peut garder l’identifiant de chaque ligne à côté du constat. Cela préserve le lien données-réponse plutôt que de produire un résumé sans ligne source traçable.
Pour un texte long, indiquez le public, les sections et faits sources avant de demander le document. Une proposition technique peut requérir problème, exigences, alternatives et recommandation uniquement à partir du matériel fourni. Précisez les conditions obligatoires et les questions à résoudre. Le fabricant développe aussi la robustesse face aux prompts système variés pour un rôle, un ton et des conditions conversationnelles définis.
La famille prend en charge plus de 29 langues, notamment anglais, chinois, russe, français, espagnol, portugais, allemand, italien, japonais, coréen, vietnamien, thaï et arabe. Distinguez langue source et langue de sortie et fournissez une liste terminologique pour garder noms et termes cohérents. Un rapport bilingue peut demander les mêmes faits dans deux versions avec identifiants et unités inchangés.
Détails de cette édition
32B-Instruct comporte 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Il utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. L’attention à requêtes groupées emploie 40 têtes de requête et 8 têtes de clé/valeur. C’est un modèle linguistique dense à décodeur seul avec préentraînement et post-entraînement ; Instruct désigne l’édition conversationnelle plutôt que la base.
La fiche annonce 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Ces chiffres décrivent différentes parties de la tâche : le contexte retient prompt et conversation, la génération borne la réponse écrite. Les 512 tokens du démarrage rapide sont un simple exemple dans la limite plus grande annoncée. Le modèle reçoit et renvoie du texte ; le contenu d’un tableau scanné ou d’une capture d’écran doit être fourni sous forme de texte, ou être traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur distincts formatés avec le gabarit correspondant. Placez les règles durables de réponse dans le rôle approprié et le document, tableau ou code réel avec la tâche utilisateur. Marquez la frontière entre source citée et instructions pour ne pas prendre une instruction documentaire pour la tâche voulue par l’application.
L’annonce officielle de famille décrit les appels d’outils à travers des gabarits compatibles et des intégrations de service. L’application fournit les descriptions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni outil externe ni données. Générer du JSON et appeler un outil sont aussi des résultats différents : l’un formate du texte, l’autre demande à l’application d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 tokens. Au-delà, l’extension YaRN documentée est requise, avec un facteur d’exemple de 4,0 et 32 768 positions maximales d’origine. Le fabricant avertit que la mise à l’échelle statique peut affecter les textes courts et recommande son activation lorsque le long contexte est nécessaire.
Pour comparer de grands documents, indiquez leur rôle et demandez un livrable défini : matrice d’exigences, liste d’écarts ou section révisée. Gardez les emplacements sources avec les constats et assez de place pour la structure demandée. Le long contexte rassemble le matériel pertinent, mais ne remplace pas la définition de ce qui doit être comparé et de l’utilisation finale.
", "aboutText": "Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné aux instructions de la famille généraliste Qwen2.5. Il associe compréhension et génération linguistiques au code et aux mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, les textes longs, la compréhension de tableaux et le texte structuré, notamment JSON. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens.\n\nDonnées structurées, réponses longues et multilinguisme\n\nUne extraction utile fournit le passage source et les champs exacts requis par l’étape applicative suivante. Définissez les types, si les formulations doivent être copiées ou résumées et la représentation des informations absentes. Un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez seulement le JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit inspecter le raisonnement derrière les champs extraits.\n\nLa compréhension de tableaux est un autre axe documenté. Fournissez les colonnes, unités et lignes pertinentes avec la question. Demandez les lignes satisfaisant une condition, l’explication d’une variation entre périodes ou la conversion en rapport écrit. Une sortie pratique peut garder l’identifiant de chaque ligne à côté du constat. Cela préserve le lien données-réponse plutôt que de produire un résumé sans ligne source traçable.\n\nPour un texte long, indiquez le public, les sections et faits sources avant de demander le document. Une proposition technique peut requérir problème, exigences, alternatives et recommandation uniquement à partir du matériel fourni. Précisez les conditions obligatoires et les questions à résoudre. Le fabricant développe aussi la robustesse face aux prompts système variés pour un rôle, un ton et des conditions conversationnelles définis.\n\nLa famille prend en charge plus de 29 langues, notamment anglais, chinois, russe, français, espagnol, portugais, allemand, italien, japonais, coréen, vietnamien, thaï et arabe. Distinguez langue source et langue de sortie et fournissez une liste terminologique pour garder noms et termes cohérents. Un rapport bilingue peut demander les mêmes faits dans deux versions avec identifiants et unités inchangés.\n\nDétails de cette édition\n\n32B-Instruct comporte 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Il utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. L’attention à requêtes groupées emploie 40 têtes de requête et 8 têtes de clé/valeur. C’est un modèle linguistique dense à décodeur seul avec préentraînement et post-entraînement ; Instruct désigne l’édition conversationnelle plutôt que la base.\n\nLa fiche annonce 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Ces chiffres décrivent différentes parties de la tâche : le contexte retient prompt et conversation, la génération borne la réponse écrite. Les 512 tokens du démarrage rapide sont un simple exemple dans la limite plus grande annoncée. Le modèle reçoit et renvoie du texte ; le contenu d’un tableau scanné ou d’une capture d’écran doit être fourni sous forme de texte, ou être traité par un modèle visuel distinct.\n\nConversation et outils\n\nLa fiche montre des messages système et utilisateur distincts formatés avec le gabarit correspondant. Placez les règles durables de réponse dans le rôle approprié et le document, tableau ou code réel avec la tâche utilisateur. Marquez la frontière entre source citée et instructions pour ne pas prendre une instruction documentaire pour la tâche voulue par l’application.\n\nL’annonce officielle de famille décrit les appels d’outils à travers des gabarits compatibles et des intégrations de service. L’application fournit les descriptions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni outil externe ni données. Générer du JSON et appeler un outil sont aussi des résultats différents : l’un formate du texte, l’autre demande à l’application d’effectuer une opération nommée.\n\nPréparation du long contexte\n\nLa configuration publiée démarre à 32 768 tokens. Au-delà, l’extension YaRN documentée est requise, avec un facteur d’exemple de 4,0 et 32 768 positions maximales d’origine. Le fabricant avertit que la mise à l’échelle statique peut affecter les textes courts et recommande son activation lorsque le long contexte est nécessaire.\n\nPour comparer de grands documents, indiquez leur rôle et demandez un livrable défini : matrice d’exigences, liste d’écarts ou section révisée. Gardez les emplacements sources avec les constats et assez de place pour la structure demandée. Le long contexte rassemble le matériel pertinent, mais ne remplace pas la définition de ce qui doit être comparé et de l’utilisation finale.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct est un modèle textuel multilingue pour instructions détaillées, code, mathématiques et données structurées. Son édition de 32,5 milliards de paramètres privilégie la compréhension des tableaux, la sortie JSON et les textes longs, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné aux instructions de la famille généraliste Qwen2.5. Il associe compréhension et génération linguistiques au code et aux mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, les textes longs, la compréhension de tableaux et le texte structuré, notamment JSON. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens.
Données structurées, réponses longues et multilinguisme
Une extraction utile fournit le passage source et les champs exacts requis par l’étape applicative suivante. Définissez les types, si les formulations doivent être copiées ou résumées et la représentation des informations absentes. Un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez seulement le JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit inspecter le raisonnement derrière les champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les colonnes, unités et lignes pertinentes avec la question. Demandez les lignes satisfaisant une condition, l’explication d’une variation entre périodes ou la conversion en rapport écrit. Une sortie pratique peut garder l’identifiant de chaque ligne à côté du constat. Cela préserve le lien données-réponse plutôt que de produire un résumé sans ligne source traçable.
Pour un texte long, indiquez le public, les sections et faits sources avant de demander le document. Une proposition technique peut requérir problème, exigences, alternatives et recommandation uniquement à partir du matériel fourni. Précisez les conditions obligatoires et les questions à résoudre. Le fabricant développe aussi la robustesse face aux prompts système variés pour un rôle, un ton et des conditions conversationnelles définis.
La famille prend en charge plus de 29 langues, notamment anglais, chinois, russe, français, espagnol, portugais, allemand, italien, japonais, coréen, vietnamien, thaï et arabe. Distinguez langue source et langue de sortie et fournissez une liste terminologique pour garder noms et termes cohérents. Un rapport bilingue peut demander les mêmes faits dans deux versions avec identifiants et unités inchangés.
Détails de cette édition
32B-Instruct comporte 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Il utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. L’attention à requêtes groupées emploie 40 têtes de requête et 8 têtes de clé/valeur. C’est un modèle linguistique dense à décodeur seul avec préentraînement et post-entraînement ; Instruct désigne l’édition conversationnelle plutôt que la base.
La fiche annonce 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Ces chiffres décrivent différentes parties de la tâche : le contexte retient prompt et conversation, la génération borne la réponse écrite. Les 512 tokens du démarrage rapide sont un simple exemple dans la limite plus grande annoncée. Le modèle reçoit et renvoie du texte ; le contenu d’un tableau scanné ou d’une capture d’écran doit être fourni sous forme de texte, ou être traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur distincts formatés avec le gabarit correspondant. Placez les règles durables de réponse dans le rôle approprié et le document, tableau ou code réel avec la tâche utilisateur. Marquez la frontière entre source citée et instructions pour ne pas prendre une instruction documentaire pour la tâche voulue par l’application.
L’annonce officielle de famille décrit les appels d’outils à travers des gabarits compatibles et des intégrations de service. L’application fournit les descriptions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni outil externe ni données. Générer du JSON et appeler un outil sont aussi des résultats différents : l’un formate du texte, l’autre demande à l’application d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 tokens. Au-delà, l’extension YaRN documentée est requise, avec un facteur d’exemple de 4,0 et 32 768 positions maximales d’origine. Le fabricant avertit que la mise à l’échelle statique peut affecter les textes courts et recommande son activation lorsque le long contexte est nécessaire.
Pour comparer de grands documents, indiquez leur rôle et demandez un livrable défini : matrice d’exigences, liste d’écarts ou section révisée. Gardez les emplacements sources avec les constats et assez de place pour la structure demandée. Le long contexte rassemble le matériel pertinent, mais ne remplace pas la définition de ce qui doit être comparé et de l’utilisation finale.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-32B-Instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 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/Qwen2.5-32B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct est un modèle textuel multilingue pour instructions détaillées, code, mathématiques et données structurées. Son édition de 32,5 milliards de paramètres privilégie la compréhension des tableaux, la sortie JSON et les textes longs, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné aux instructions de la famille généraliste Qwen2.5. Il associe compréhension et génération linguistiques au code et aux mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, les textes longs, la compréhension de tableaux et le texte structuré, notamment JSON. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens.
Données structurées, réponses longues et multilinguisme
Une extraction utile fournit le passage source et les champs exacts requis par l’étape applicative suivante. Définissez les types, si les formulations doivent être copiées ou résumées et la représentation des informations absentes. Un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez seulement le JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit inspecter le raisonnement derrière les champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les colonnes, unités et lignes pertinentes avec la question. Demandez les lignes satisfaisant une condition, l’explication d’une variation entre périodes ou la conversion en rapport écrit. Une sortie pratique peut garder l’identifiant de chaque ligne à côté du constat. Cela préserve le lien données-réponse plutôt que de produire un résumé sans ligne source traçable.
Pour un texte long, indiquez le public, les sections et faits sources avant de demander le document. Une proposition technique peut requérir problème, exigences, alternatives et recommandation uniquement à partir du matériel fourni. Précisez les conditions obligatoires et les questions à résoudre. Le fabricant développe aussi la robustesse face aux prompts système variés pour un rôle, un ton et des conditions conversationnelles définis.
La famille prend en charge plus de 29 langues, notamment anglais, chinois, russe, français, espagnol, portugais, allemand, italien, japonais, coréen, vietnamien, thaï et arabe. Distinguez langue source et langue de sortie et fournissez une liste terminologique pour garder noms et termes cohérents. Un rapport bilingue peut demander les mêmes faits dans deux versions avec identifiants et unités inchangés.
Détails de cette édition
32B-Instruct comporte 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Il utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. L’attention à requêtes groupées emploie 40 têtes de requête et 8 têtes de clé/valeur. C’est un modèle linguistique dense à décodeur seul avec préentraînement et post-entraînement ; Instruct désigne l’édition conversationnelle plutôt que la base.
La fiche annonce 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Ces chiffres décrivent différentes parties de la tâche : le contexte retient prompt et conversation, la génération borne la réponse écrite. Les 512 tokens du démarrage rapide sont un simple exemple dans la limite plus grande annoncée. Le modèle reçoit et renvoie du texte ; le contenu d’un tableau scanné ou d’une capture d’écran doit être fourni sous forme de texte, ou être traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur distincts formatés avec le gabarit correspondant. Placez les règles durables de réponse dans le rôle approprié et le document, tableau ou code réel avec la tâche utilisateur. Marquez la frontière entre source citée et instructions pour ne pas prendre une instruction documentaire pour la tâche voulue par l’application.
L’annonce officielle de famille décrit les appels d’outils à travers des gabarits compatibles et des intégrations de service. L’application fournit les descriptions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni outil externe ni données. Générer du JSON et appeler un outil sont aussi des résultats différents : l’un formate du texte, l’autre demande à l’application d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 tokens. Au-delà, l’extension YaRN documentée est requise, avec un facteur d’exemple de 4,0 et 32 768 positions maximales d’origine. Le fabricant avertit que la mise à l’échelle statique peut affecter les textes courts et recommande son activation lorsque le long contexte est nécessaire.
Pour comparer de grands documents, indiquez leur rôle et demandez un livrable défini : matrice d’exigences, liste d’écarts ou section révisée. Gardez les emplacements sources avec les constats et assez de place pour la structure demandée. Le long contexte rassemble le matériel pertinent, mais ne remplace pas la définition de ce qui doit être comparé et de l’utilisation finale.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2.5-32B-Instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct est un modèle textuel multilingue pour instructions détaillées, code, mathématiques et données structurées. Son édition de 32,5 milliards de paramètres privilégie la compréhension des tableaux, la sortie JSON et les textes longs, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné aux instructions de la famille généraliste Qwen2.5. Il associe compréhension et génération linguistiques au code et aux mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, les textes longs, la compréhension de tableaux et le texte structuré, notamment JSON. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens.
Données structurées, réponses longues et multilinguisme
Une extraction utile fournit le passage source et les champs exacts requis par l’étape applicative suivante. Définissez les types, si les formulations doivent être copiées ou résumées et la représentation des informations absentes. Un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez seulement le JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit inspecter le raisonnement derrière les champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les colonnes, unités et lignes pertinentes avec la question. Demandez les lignes satisfaisant une condition, l’explication d’une variation entre périodes ou la conversion en rapport écrit. Une sortie pratique peut garder l’identifiant de chaque ligne à côté du constat. Cela préserve le lien données-réponse plutôt que de produire un résumé sans ligne source traçable.
Pour un texte long, indiquez le public, les sections et faits sources avant de demander le document. Une proposition technique peut requérir problème, exigences, alternatives et recommandation uniquement à partir du matériel fourni. Précisez les conditions obligatoires et les questions à résoudre. Le fabricant développe aussi la robustesse face aux prompts système variés pour un rôle, un ton et des conditions conversationnelles définis.
La famille prend en charge plus de 29 langues, notamment anglais, chinois, russe, français, espagnol, portugais, allemand, italien, japonais, coréen, vietnamien, thaï et arabe. Distinguez langue source et langue de sortie et fournissez une liste terminologique pour garder noms et termes cohérents. Un rapport bilingue peut demander les mêmes faits dans deux versions avec identifiants et unités inchangés.
Détails de cette édition
32B-Instruct comporte 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Il utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. L’attention à requêtes groupées emploie 40 têtes de requête et 8 têtes de clé/valeur. C’est un modèle linguistique dense à décodeur seul avec préentraînement et post-entraînement ; Instruct désigne l’édition conversationnelle plutôt que la base.
La fiche annonce 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Ces chiffres décrivent différentes parties de la tâche : le contexte retient prompt et conversation, la génération borne la réponse écrite. Les 512 tokens du démarrage rapide sont un simple exemple dans la limite plus grande annoncée. Le modèle reçoit et renvoie du texte ; le contenu d’un tableau scanné ou d’une capture d’écran doit être fourni sous forme de texte, ou être traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur distincts formatés avec le gabarit correspondant. Placez les règles durables de réponse dans le rôle approprié et le document, tableau ou code réel avec la tâche utilisateur. Marquez la frontière entre source citée et instructions pour ne pas prendre une instruction documentaire pour la tâche voulue par l’application.
L’annonce officielle de famille décrit les appels d’outils à travers des gabarits compatibles et des intégrations de service. L’application fournit les descriptions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni outil externe ni données. Générer du JSON et appeler un outil sont aussi des résultats différents : l’un formate du texte, l’autre demande à l’application d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 tokens. Au-delà, l’extension YaRN documentée est requise, avec un facteur d’exemple de 4,0 et 32 768 positions maximales d’origine. Le fabricant avertit que la mise à l’échelle statique peut affecter les textes courts et recommande son activation lorsque le long contexte est nécessaire.
Pour comparer de grands documents, indiquez leur rôle et demandez un livrable défini : matrice d’exigences, liste d’écarts ou section révisée. Gardez les emplacements sources avec les constats et assez de place pour la structure demandée. Le long contexte rassemble le matériel pertinent, mais ne remplace pas la définition de ce qui doit être comparé et de l’utilisation finale.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-32b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 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":"qwen2.5-32b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-32b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct est un modèle textuel multilingue pour instructions détaillées, code, mathématiques et données structurées. Son édition de 32,5 milliards de paramètres privilégie la compréhension des tableaux, la sortie JSON et les textes longs, avec des réglages documentés de contexte étendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-32B-Instruct est le modèle textuel de taille 32B entraîné aux instructions de la famille généraliste Qwen2.5. Il associe compréhension et génération linguistiques au code et aux mathématiques, plutôt que d’être le spécialiste Coder ou Math nommé séparément. Le fabricant souligne particulièrement le suivi d’instructions détaillées, les textes longs, la compréhension de tableaux et le texte structuré, notamment JSON. Le corpus de préentraînement de la famille est décrit comme atteignant 18 billions de tokens.
Données structurées, réponses longues et multilinguisme
Une extraction utile fournit le passage source et les champs exacts requis par l’étape applicative suivante. Définissez les types, si les formulations doivent être copiées ou résumées et la représentation des informations absentes. Un enregistrement produit peut demander un identifiant, des conditions d’utilisation et une liste de questions non résolues. Demandez seulement le JSON lorsqu’il doit être analysé, ou une explication séparée lorsqu’une personne doit inspecter le raisonnement derrière les champs extraits.
La compréhension de tableaux est un autre axe documenté. Fournissez les colonnes, unités et lignes pertinentes avec la question. Demandez les lignes satisfaisant une condition, l’explication d’une variation entre périodes ou la conversion en rapport écrit. Une sortie pratique peut garder l’identifiant de chaque ligne à côté du constat. Cela préserve le lien données-réponse plutôt que de produire un résumé sans ligne source traçable.
Pour un texte long, indiquez le public, les sections et faits sources avant de demander le document. Une proposition technique peut requérir problème, exigences, alternatives et recommandation uniquement à partir du matériel fourni. Précisez les conditions obligatoires et les questions à résoudre. Le fabricant développe aussi la robustesse face aux prompts système variés pour un rôle, un ton et des conditions conversationnelles définis.
La famille prend en charge plus de 29 langues, notamment anglais, chinois, russe, français, espagnol, portugais, allemand, italien, japonais, coréen, vietnamien, thaï et arabe. Distinguez langue source et langue de sortie et fournissez une liste terminologique pour garder noms et termes cohérents. Un rapport bilingue peut demander les mêmes faits dans deux versions avec identifiants et unités inchangés.
Détails de cette édition
32B-Instruct comporte 32,5 milliards de paramètres, dont 31,0 milliards hors embeddings, et 64 couches Transformer. Il utilise des embeddings positionnels rotatifs, SwiGLU, RMSNorm et un biais QKV d’attention. L’attention à requêtes groupées emploie 40 têtes de requête et 8 têtes de clé/valeur. C’est un modèle linguistique dense à décodeur seul avec préentraînement et post-entraînement ; Instruct désigne l’édition conversationnelle plutôt que la base.
La fiche annonce 131 072 tokens de contexte complet et une génération allant jusqu’à 8 192 tokens. Ces chiffres décrivent différentes parties de la tâche : le contexte retient prompt et conversation, la génération borne la réponse écrite. Les 512 tokens du démarrage rapide sont un simple exemple dans la limite plus grande annoncée. Le modèle reçoit et renvoie du texte ; le contenu d’un tableau scanné ou d’une capture d’écran doit être fourni sous forme de texte, ou être traité par un modèle visuel distinct.
Conversation et outils
La fiche montre des messages système et utilisateur distincts formatés avec le gabarit correspondant. Placez les règles durables de réponse dans le rôle approprié et le document, tableau ou code réel avec la tâche utilisateur. Marquez la frontière entre source citée et instructions pour ne pas prendre une instruction documentaire pour la tâche voulue par l’application.
L’annonce officielle de famille décrit les appels d’outils à travers des gabarits compatibles et des intégrations de service. L’application fournit les descriptions, reçoit l’appel proposé, exécute la fonction et renvoie son résultat. Cela peut relier une question à un calcul ou une recherche de données, mais choisir ce modèle seul ne fournit ni outil externe ni données. Générer du JSON et appeler un outil sont aussi des résultats différents : l’un formate du texte, l’autre demande à l’application d’effectuer une opération nommée.
Préparation du long contexte
La configuration publiée démarre à 32 768 tokens. Au-delà, l’extension YaRN documentée est requise, avec un facteur d’exemple de 4,0 et 32 768 positions maximales d’origine. Le fabricant avertit que la mise à l’échelle statique peut affecter les textes courts et recommande son activation lorsque le long contexte est nécessaire.
Pour comparer de grands documents, indiquez leur rôle et demandez un livrable défini : matrice d’exigences, liste d’écarts ou section révisée. Gardez les emplacements sources avec les constats et assez de place pour la structure demandée. Le long contexte rassemble le matériel pertinent, mais ne remplace pas la définition de ce qui doit être comparé et de l’utilisation finale.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-32b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Exemple technique en anglais
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.