Qwen2.5 72B Instruct הוא מודל הטקסט הגדול המכוונן להוראות בסדרת Qwen2.5 לשימוש כללי של Qwen. הוא מפיק תשובות כתובות, קוד וטקסט מובנה מהוראות ומשיחה. יכולותיו כוללות ידע כללי, כתיבת קוד, מתמטיקה, ביצוע הוראות מפורטות ועבודה עם טבלאות. הוא נבדל מנקודת הביקורת הבסיסית של Qwen2.5 ומגרסאות Coder, Math וראייה ושפה הנפרדות.
המודל הוא Transformer צפוף המבוסס על מפענח בלבד, עם 72.7 מיליארד פרמטרים בסך הכול, מהם 70 מיליארד פרמטרים שאינם פרמטרי הטמעה. הארכיטקטורה שפורסמה עבורו כוללת 80 שכבות וקשב עם שאילתות מקובצות, עם 64 ראשי שאילתה ושמונה ראשי מפתח/ערך, לצד הטמעות מיקום סיבוביות, SwiGLU ו-RMSNorm. נתוני הקדם-אימון של הסדרה מגיעים עד 18 טריליון טוקנים, ולאחריהם מתבצע אימון נוסף לשימוש מבוסס הוראות.
כרטיס המודל המדויק מציין הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה שפורסמה מתחילה ב-32,768 מיקומים; שימוש בהקשר המורחב דורש את הגדרת שינוי קנה המידה של האורך מטעם היצרן. הכרטיס מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בטקסט קצר יותר וממליץ להפעילו כשנדרש קלט ארוך. מספרים אלה מבחינים בין יכולת המודל המלאה לבין תצורת ברירת המחדל של נקודת הביקורת המשמשת בפריסה מסוימת.
בעבודה על מסמך ארוך, ציינו את הסעיפים לבדיקה ואת התוצר שיש להחזיר: השוואה, ראשי פרקים, סיכום או קבוצת עובדות שחולצו. התאימו את ההוראות, טקסט המקור והתשובה המבוקשת להקשר הזמין. דוח מקיף נהנה מתוכנית סעיפים ומעדיפויות מפורשות כדי שהפלט יבצע את המשימה במקום להקדיש את אורך היצירה להקדמה לא רלוונטית.
הבנת נתונים מובנים ויצירת JSON הן חלקים בולטים בגרסה. ספקו את כותרות הטבלה, היחידות וכל מוסכמה לערכים חסרים לפני בקשת המרה. במשימת חילוץ, הגדירו את שדות הפלט ובקשו מהמודל להבחין בין ערכים שנאמרים במקור לבין מידע חסר. היישום יכול אז לנתח ולבדוק את התוצאה מול המבנה המצופה. יצירת JSON אינה הופכת כשלעצמה סכמה מסוימת לחוזה פלט מובטח.
Qwen מתעד תמיכה בקריאה לכלים באמצעות תבניות השיחה ואינטגרציות תואמות ביישומים. ספקו תיאורי פונקציות ואת המידע שכל פונקציה דורשת. המודל מכין הצעה לקריאה; היישום מבצע אותה ומספק את התוצאה לסבב הבא. משימת נתונים שימושית יכולה לאחזר רשומה, להשוות אותה לשאלת המשתמש ולהחזיר הסבר תמציתי הקשור לשדות שאוחזרו. הביצוע והגישה למערכות חיצוניות מסופקים בידי היישום המשתמש במודל.
היצרן מתאר תמיכה ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. גמישות הנחיית המערכת מאפשרת גם להגדיר תפקיד ותנאים לצ'אטבוט. בקוד או במתמטיקה, ספקו את המימוש או את ההנחות הרלוונטיים ובקשו את התשובה יחד עם הבדיקות או שלבי הביניים הנדרשים להערכתה. בפלט רב-לשוני, ציינו את שפת היעד ואת המינוח שיש לשמור כדי שהתוצאה תתאים לקהל המיועד.
", "aboutText": "Qwen2.5 72B Instruct הוא מודל הטקסט הגדול המכוונן להוראות בסדרת Qwen2.5 לשימוש כללי של Qwen. הוא מפיק תשובות כתובות, קוד וטקסט מובנה מהוראות ומשיחה. יכולותיו כוללות ידע כללי, כתיבת קוד, מתמטיקה, ביצוע הוראות מפורטות ועבודה עם טבלאות. הוא נבדל מנקודת הביקורת הבסיסית של Qwen2.5 ומגרסאות Coder, Math וראייה ושפה הנפרדות.\n\nהמודל הוא Transformer צפוף המבוסס על מפענח בלבד, עם 72.7 מיליארד פרמטרים בסך הכול, מהם 70 מיליארד פרמטרים שאינם פרמטרי הטמעה. הארכיטקטורה שפורסמה עבורו כוללת 80 שכבות וקשב עם שאילתות מקובצות, עם 64 ראשי שאילתה ושמונה ראשי מפתח/ערך, לצד הטמעות מיקום סיבוביות, SwiGLU ו-RMSNorm. נתוני הקדם-אימון של הסדרה מגיעים עד 18 טריליון טוקנים, ולאחריהם מתבצע אימון נוסף לשימוש מבוסס הוראות.\n\nכרטיס המודל המדויק מציין הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה שפורסמה מתחילה ב-32,768 מיקומים; שימוש בהקשר המורחב דורש את הגדרת שינוי קנה המידה של האורך מטעם היצרן. הכרטיס מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בטקסט קצר יותר וממליץ להפעילו כשנדרש קלט ארוך. מספרים אלה מבחינים בין יכולת המודל המלאה לבין תצורת ברירת המחדל של נקודת הביקורת המשמשת בפריסה מסוימת.\n\nבעבודה על מסמך ארוך, ציינו את הסעיפים לבדיקה ואת התוצר שיש להחזיר: השוואה, ראשי פרקים, סיכום או קבוצת עובדות שחולצו. התאימו את ההוראות, טקסט המקור והתשובה המבוקשת להקשר הזמין. דוח מקיף נהנה מתוכנית סעיפים ומעדיפויות מפורשות כדי שהפלט יבצע את המשימה במקום להקדיש את אורך היצירה להקדמה לא רלוונטית.\n\nהבנת נתונים מובנים ויצירת JSON הן חלקים בולטים בגרסה. ספקו את כותרות הטבלה, היחידות וכל מוסכמה לערכים חסרים לפני בקשת המרה. במשימת חילוץ, הגדירו את שדות הפלט ובקשו מהמודל להבחין בין ערכים שנאמרים במקור לבין מידע חסר. היישום יכול אז לנתח ולבדוק את התוצאה מול המבנה המצופה. יצירת JSON אינה הופכת כשלעצמה סכמה מסוימת לחוזה פלט מובטח.\n\nQwen מתעד תמיכה בקריאה לכלים באמצעות תבניות השיחה ואינטגרציות תואמות ביישומים. ספקו תיאורי פונקציות ואת המידע שכל פונקציה דורשת. המודל מכין הצעה לקריאה; היישום מבצע אותה ומספק את התוצאה לסבב הבא. משימת נתונים שימושית יכולה לאחזר רשומה, להשוות אותה לשאלת המשתמש ולהחזיר הסבר תמציתי הקשור לשדות שאוחזרו. הביצוע והגישה למערכות חיצוניות מסופקים בידי היישום המשתמש במודל.\n\nהיצרן מתאר תמיכה ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. גמישות הנחיית המערכת מאפשרת גם להגדיר תפקיד ותנאים לצ'אטבוט. בקוד או במתמטיקה, ספקו את המימוש או את ההנחות הרלוונטיים ובקשו את התשובה יחד עם הבדיקות או שלבי הביניים הנדרשים להערכתה. בפלט רב-לשוני, ציינו את שפת היעד ואת המינוח שיש לשמור כדי שהתוצאה תתאים לקהל המיועד.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct הוא מודל הטקסט הצפוף של Qwen המכוונן להוראות, לשיחה רב-לשונית, קוד, מתמטיקה ונתונים מובנים. היצרן מתעד הקשר מורחב של 131,072 טוקנים, יצירה של 8,192 טוקנים ותבניות לקריאה לכלים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Qwen2.5 72B Instruct הוא מודל הטקסט הגדול המכוונן להוראות בסדרת Qwen2.5 לשימוש כללי של Qwen. הוא מפיק תשובות כתובות, קוד וטקסט מובנה מהוראות ומשיחה. יכולותיו כוללות ידע כללי, כתיבת קוד, מתמטיקה, ביצוע הוראות מפורטות ועבודה עם טבלאות. הוא נבדל מנקודת הביקורת הבסיסית של Qwen2.5 ומגרסאות Coder, Math וראייה ושפה הנפרדות.
המודל הוא Transformer צפוף המבוסס על מפענח בלבד, עם 72.7 מיליארד פרמטרים בסך הכול, מהם 70 מיליארד פרמטרים שאינם פרמטרי הטמעה. הארכיטקטורה שפורסמה עבורו כוללת 80 שכבות וקשב עם שאילתות מקובצות, עם 64 ראשי שאילתה ושמונה ראשי מפתח/ערך, לצד הטמעות מיקום סיבוביות, SwiGLU ו-RMSNorm. נתוני הקדם-אימון של הסדרה מגיעים עד 18 טריליון טוקנים, ולאחריהם מתבצע אימון נוסף לשימוש מבוסס הוראות.
כרטיס המודל המדויק מציין הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה שפורסמה מתחילה ב-32,768 מיקומים; שימוש בהקשר המורחב דורש את הגדרת שינוי קנה המידה של האורך מטעם היצרן. הכרטיס מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בטקסט קצר יותר וממליץ להפעילו כשנדרש קלט ארוך. מספרים אלה מבחינים בין יכולת המודל המלאה לבין תצורת ברירת המחדל של נקודת הביקורת המשמשת בפריסה מסוימת.
בעבודה על מסמך ארוך, ציינו את הסעיפים לבדיקה ואת התוצר שיש להחזיר: השוואה, ראשי פרקים, סיכום או קבוצת עובדות שחולצו. התאימו את ההוראות, טקסט המקור והתשובה המבוקשת להקשר הזמין. דוח מקיף נהנה מתוכנית סעיפים ומעדיפויות מפורשות כדי שהפלט יבצע את המשימה במקום להקדיש את אורך היצירה להקדמה לא רלוונטית.
הבנת נתונים מובנים ויצירת JSON הן חלקים בולטים בגרסה. ספקו את כותרות הטבלה, היחידות וכל מוסכמה לערכים חסרים לפני בקשת המרה. במשימת חילוץ, הגדירו את שדות הפלט ובקשו מהמודל להבחין בין ערכים שנאמרים במקור לבין מידע חסר. היישום יכול אז לנתח ולבדוק את התוצאה מול המבנה המצופה. יצירת JSON אינה הופכת כשלעצמה סכמה מסוימת לחוזה פלט מובטח.
Qwen מתעד תמיכה בקריאה לכלים באמצעות תבניות השיחה ואינטגרציות תואמות ביישומים. ספקו תיאורי פונקציות ואת המידע שכל פונקציה דורשת. המודל מכין הצעה לקריאה; היישום מבצע אותה ומספק את התוצאה לסבב הבא. משימת נתונים שימושית יכולה לאחזר רשומה, להשוות אותה לשאלת המשתמש ולהחזיר הסבר תמציתי הקשור לשדות שאוחזרו. הביצוע והגישה למערכות חיצוניות מסופקים בידי היישום המשתמש במודל.
היצרן מתאר תמיכה ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. גמישות הנחיית המערכת מאפשרת גם להגדיר תפקיד ותנאים לצ'אטבוט. בקוד או במתמטיקה, ספקו את המימוש או את ההנחות הרלוונטיים ובקשו את התשובה יחד עם הבדיקות או שלבי הביניים הנדרשים להערכתה. בפלט רב-לשוני, ציינו את שפת היעד ואת המינוח שיש לשמור כדי שהתוצאה תתאים לקהל המיועד.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen/qwen-2.5-72b-instruct | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות דוגמאות: system, user, assistant, tool, function תנאים: התפקידים האלה מיוצגים במפורש בטיפוסי התאימות בקוד המקור; מערך התפקידים המדויק נשאר ייחודי לכל מודל. תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring|content_part[]|null | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_calls | סוגtool_call[] | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_call_id | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: role=tool; השתמשו במזהה שהוחזר בפועל | ברירת מחדל— |
שדהmessages[].name | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].reasoning_content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: החזירו בהמשך את ההנמקה שהתקבלה בפועל כאשר המודל הזה משתמש בה | ברירת מחדל— |
שדהmessages[].reasoning_details | סוגobject|array | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
שדהstream_options.include_usage | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהstop | סוגstring|string[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools | סוגfunction_tool[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools[].type | סוגstring | דרישהרשות | ערכים ומגבלות function תלוי במודל | ברירת מחדל— |
שדהtools[].function.name | סוגstring | דרישהחובה | ערכים ומגבלות חל כאשר: סופק כלי פונקציה | ברירת מחדל— |
שדהtools[].function.description | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtools[].function.parameters | סוגJSON_schema | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtool_choice | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהparallel_tool_calls | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהresponse_format | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning_effort | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהservice_tier | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהinstructions | סוגstring | דרישהרשות | ערכים ומגבלות שדה תאימות | ברירת מחדל— |
שדהfunctions | סוגfunction[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהfunction_call | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהprompt_cache_options | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmodalities | סוגstring[] | דרישהרשות | ערכים ומגבלות text | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה במסלול הטקסט הזה של Ultra | ברירת מחדל— |
שדהcache_control.ttl | סוגstring | דרישהרשות | ערכים ומגבלות תנאים: 1h נדחה במיקומים המשמשים בפועל למטמון הנחיות | ברירת מחדל— |
טקסט · טקסט UTF8
messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרmaterial_types | מפרטtext |
פרמטרmessages | מפרטמערך הודעות במבנה role/content |
פרמטרfile_material | מפרטמסמך UTF-8 בפועל מוכנס כטקסט מילולי; לא מוסק מזהה קובץ |
פרמטרoptional_controls | מפרטstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
פרמטרcontrol_scope | מפרטייחודי למודל; כלי פונקציות של המשתמש שונים מכלים מתארחים |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
מחזור חיים: synchronous_or_streamed
שלחו את מזהה המודל המדויק עם messages.
אורך ההקשר אינו תקרת פלט.
קובץ טקסט יכול לספק טקסט מילולי; קלטי תמונה/אודיו/אובייקט קובץ דורשים קישור מדויק.
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.00118 / 1K טוקנים פלט · טוקני פלט $0.00118 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.00118 / 1K טוקנים פלט · טוקני פלט $0.00118 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-72b-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/qwen-2.5-72b-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/qwen-2.5-72b-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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו כל בחירה ואת התוכן, קריאות הכלים וההנמקה שלה. ב-SSE הרכיבו עדכונים לפי אינדקס הבחירה/הכלי ושמרו את סיבת הסיום הסופית ואת השימוש.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהchoices[].index | סוגinteger |
שדהchoices[].message.content | סוגstring|null |
שדהchoices[].message.tool_calls | סוגtool_call[] |
שדהchoices[].message.reasoning_content | סוגstring |
שדהchoices[].message.reasoning_details | סוגobject|array |
שדהchoices[].finish_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra qwen/qwen-2.5-72b-instruct
השתמשו בנתיבי השיטות המוצגים למעלה.
qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct הוא מודל הטקסט הצפוף של Qwen המכוונן להוראות, לשיחה רב-לשונית, קוד, מתמטיקה ונתונים מובנים. היצרן מתעד הקשר מורחב של 131,072 טוקנים, יצירה של 8,192 טוקנים ותבניות לקריאה לכלים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Qwen2.5 72B Instruct הוא מודל הטקסט הגדול המכוונן להוראות בסדרת Qwen2.5 לשימוש כללי של Qwen. הוא מפיק תשובות כתובות, קוד וטקסט מובנה מהוראות ומשיחה. יכולותיו כוללות ידע כללי, כתיבת קוד, מתמטיקה, ביצוע הוראות מפורטות ועבודה עם טבלאות. הוא נבדל מנקודת הביקורת הבסיסית של Qwen2.5 ומגרסאות Coder, Math וראייה ושפה הנפרדות.
המודל הוא Transformer צפוף המבוסס על מפענח בלבד, עם 72.7 מיליארד פרמטרים בסך הכול, מהם 70 מיליארד פרמטרים שאינם פרמטרי הטמעה. הארכיטקטורה שפורסמה עבורו כוללת 80 שכבות וקשב עם שאילתות מקובצות, עם 64 ראשי שאילתה ושמונה ראשי מפתח/ערך, לצד הטמעות מיקום סיבוביות, SwiGLU ו-RMSNorm. נתוני הקדם-אימון של הסדרה מגיעים עד 18 טריליון טוקנים, ולאחריהם מתבצע אימון נוסף לשימוש מבוסס הוראות.
כרטיס המודל המדויק מציין הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה שפורסמה מתחילה ב-32,768 מיקומים; שימוש בהקשר המורחב דורש את הגדרת שינוי קנה המידה של האורך מטעם היצרן. הכרטיס מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בטקסט קצר יותר וממליץ להפעילו כשנדרש קלט ארוך. מספרים אלה מבחינים בין יכולת המודל המלאה לבין תצורת ברירת המחדל של נקודת הביקורת המשמשת בפריסה מסוימת.
בעבודה על מסמך ארוך, ציינו את הסעיפים לבדיקה ואת התוצר שיש להחזיר: השוואה, ראשי פרקים, סיכום או קבוצת עובדות שחולצו. התאימו את ההוראות, טקסט המקור והתשובה המבוקשת להקשר הזמין. דוח מקיף נהנה מתוכנית סעיפים ומעדיפויות מפורשות כדי שהפלט יבצע את המשימה במקום להקדיש את אורך היצירה להקדמה לא רלוונטית.
הבנת נתונים מובנים ויצירת JSON הן חלקים בולטים בגרסה. ספקו את כותרות הטבלה, היחידות וכל מוסכמה לערכים חסרים לפני בקשת המרה. במשימת חילוץ, הגדירו את שדות הפלט ובקשו מהמודל להבחין בין ערכים שנאמרים במקור לבין מידע חסר. היישום יכול אז לנתח ולבדוק את התוצאה מול המבנה המצופה. יצירת JSON אינה הופכת כשלעצמה סכמה מסוימת לחוזה פלט מובטח.
Qwen מתעד תמיכה בקריאה לכלים באמצעות תבניות השיחה ואינטגרציות תואמות ביישומים. ספקו תיאורי פונקציות ואת המידע שכל פונקציה דורשת. המודל מכין הצעה לקריאה; היישום מבצע אותה ומספק את התוצאה לסבב הבא. משימת נתונים שימושית יכולה לאחזר רשומה, להשוות אותה לשאלת המשתמש ולהחזיר הסבר תמציתי הקשור לשדות שאוחזרו. הביצוע והגישה למערכות חיצוניות מסופקים בידי היישום המשתמש במודל.
היצרן מתאר תמיכה ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. גמישות הנחיית המערכת מאפשרת גם להגדיר תפקיד ותנאים לצ'אטבוט. בקוד או במתמטיקה, ספקו את המימוש או את ההנחות הרלוונטיים ובקשו את התשובה יחד עם הבדיקות או שלבי הביניים הנדרשים להערכתה. בפלט רב-לשוני, ציינו את שפת היעד ואת המינוח שיש לשמור כדי שהתוצאה תתאים לקהל המיועד.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen/qwen-2.5-72b-instruct | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות user, assistant | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
טקסט · טקסט UTF-8
מחרוזת messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional_controls | מפרטstream |
פרמטרmaterial_types | מפרטtext |
פרמטרtext_file_material | מפרטקראו את מסמך UTF-8 בפועל והכניסו את הטקסט שלו לקלט שצוין או למחרוזת תוכן ההודעה. |
מחזור חיים: synchronous_or_streamed
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.00118 / 1K טוקנים פלט · טוקני פלט $0.00118 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.00118 / 1K טוקנים פלט · טוקני פלט $0.00118 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "qwen/qwen-2.5-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen-2.5-72b-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/qwen-2.5-72b-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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו את כל בלוקי התוכן, חתימות החשיבה ומזהי השימוש בכלים בפועל. הרכיבו את כל עדכוני הבלוקים של SSE; בלוק הטקסט הראשון אינו הפלט המלא.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהid | סוגstring |
שדהmodel | סוגstring |
שדהcontent[] | סוגtext|thinking|tool_use|other content block |
שדהstop_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra qwen/qwen-2.5-72b-instruct
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.