Qwen2.5-7B-Instruct הוא מודל הטקסט בגודל 7B המכוונן להוראות במשפחת מודלי השפה לשימוש כללי של Qwen2.5. Qwen מדגיש קוד ומתמטיקה, ביצוע הוראות, כתיבה ארוכה, הבנת טבלאות ופלט מובנה, במיוחד JSON. זהו מודל צפוף המבוסס על מפענח בלבד, עם 7.61 מיליארד פרמטרים בסך הכול, מהם 6.53 מיליארד שאינם פרמטרי הטמעה. הוא מקבל שיחות טקסט ומייצר טקסט. תיאור משימה שימושי יכול לבקש ממנו להפוך מידע שסופק להסבר ברור, רשומה מובנית, טיוטה מתוקנת או תוכנית מוצעת.
המודל תומך ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. היצרן מדגיש גם עמידות למגוון הנחיות מערכת, שימושית להגדרת תפקיד בשיחה ותנאיו. הגדירו ישירות את התפקיד, הקהל, המינוח ושפת הפלט. לדוגמה, בקשת עריכה יכולה לכלול קטע טכני, לציין את הקורא המיועד ולבקש הסבר קצר יותר ששומר על המונחים המוגדרים והתנאים שנאמרו. הגרסה המכווננת להוראות היא המודל השיחתי, בנפרד ממודל הבסיס המקביל שעבר קדם-אימון.
הבנת נתונים מובנים ויצירת JSON הן שיפורים מרכזיים ב-Qwen2.5. לחילוץ או להמרה של טבלה, שמרו את כותרותיה ואת היחידות שלה והסבירו אילו שורות או קשרים חשובים. הגדירו את המפתחות המבוקשים, סוגי הערכים והטיפול במידע חסר במקום לבקש רק סיכום כללי. דוגמת משימה יכולה לספק רשימת בעיות ולבקש אובייקט לכל בעיה הכולל את מזהה המקור, הקטגוריה והסבר קצר. תוצאה כזאת נשארת טקסט שנוצר: בדיקת המבנה והערכים שלה מול הקלט היא חלק מהשימוש בה בתהליך עבודה בהמשך.
הכרטיס המדויק מתאר אורך הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה המסופקת מוגדרת ל-32,768 טוקני הקשר; טיפול בחומר ארוך יותר משתמש בתצורת YaRN המתועדת. היצרן מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בקלט קצר יותר וממליץ להוסיפו כשנדרש עיבוד הקשר ארוך. התאימו את הקלט ואת התשובה המבוקשת למרחב הרלוונטי המוגדר. בדוח ארוך, שמרו את כותרות הסעיפים, תעדפו את הקטעים הקשורים לשאלה ובקשו את אורך הפלט הדרוש, במקום לראות במספר ההקשר הגדול סיבה לכלול חומר לא רלוונטי.
מדריך ההתחלה המהירה הרשמי משתמש בהודעות מערכת ומשתמש עם תבנית הצ'אט של המודל, ואז מפענח את ההמשך שנוצר. הכינו משימת קוד עם המקור, השפה, ההתנהגות הצפויה והאילוצים הרלוונטיים. הכינו שאלה מתמטית עם הנתונים ופורמט התוצאה. השיפורים המתועדים של המודל הכללי בתחומים אלה אינם הופכים אותו לגרסת Qwen2.5-Coder או Qwen2.5-Math שאומנה בנפרד. דוגמת משימת קוד יכולה לבקש הסבר לפונקציה, תיקון מוצע ומדוע ההצעה עומדת בתנאים שנקבעו; ביצוע ואימות נשארים שלבים נפרדים.
תיעוד הגרסה של Qwen מתאר גם קריאה לכלים ותבנית צ'אט מודעת לכלים, לרבות תאימות ל-Qwen-Agent. הגדירו את הכלים הזמינים ואת הארגומנטים שלהם, ציינו את המטרה וספקו תוצאות שהוחזרו כדי שהמודל יפרש אותן. עוזר למסמכים יכול לבקש מידע רלוונטי לפני ניסוח תשובה סופית, ועוזר קוד יכול להסיק מסקנות מפלט של בדיקה שביצע היישום. התוצר השימושי הוא אז תשובה הקשורה לראיות שסופקו ולפורמט המבוקש. זהו פרופיל של מודל טקסט; יכולות חזותיות, יכולות שמע או יצירת וידאו של מודלי Qwen אחרים הן נפרדות.
", "aboutText": "Qwen2.5-7B-Instruct הוא מודל הטקסט בגודל 7B המכוונן להוראות במשפחת מודלי השפה לשימוש כללי של Qwen2.5. Qwen מדגיש קוד ומתמטיקה, ביצוע הוראות, כתיבה ארוכה, הבנת טבלאות ופלט מובנה, במיוחד JSON. זהו מודל צפוף המבוסס על מפענח בלבד, עם 7.61 מיליארד פרמטרים בסך הכול, מהם 6.53 מיליארד שאינם פרמטרי הטמעה. הוא מקבל שיחות טקסט ומייצר טקסט. תיאור משימה שימושי יכול לבקש ממנו להפוך מידע שסופק להסבר ברור, רשומה מובנית, טיוטה מתוקנת או תוכנית מוצעת.\n\nהמודל תומך ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. היצרן מדגיש גם עמידות למגוון הנחיות מערכת, שימושית להגדרת תפקיד בשיחה ותנאיו. הגדירו ישירות את התפקיד, הקהל, המינוח ושפת הפלט. לדוגמה, בקשת עריכה יכולה לכלול קטע טכני, לציין את הקורא המיועד ולבקש הסבר קצר יותר ששומר על המונחים המוגדרים והתנאים שנאמרו. הגרסה המכווננת להוראות היא המודל השיחתי, בנפרד ממודל הבסיס המקביל שעבר קדם-אימון.\n\nהבנת נתונים מובנים ויצירת JSON הן שיפורים מרכזיים ב-Qwen2.5. לחילוץ או להמרה של טבלה, שמרו את כותרותיה ואת היחידות שלה והסבירו אילו שורות או קשרים חשובים. הגדירו את המפתחות המבוקשים, סוגי הערכים והטיפול במידע חסר במקום לבקש רק סיכום כללי. דוגמת משימה יכולה לספק רשימת בעיות ולבקש אובייקט לכל בעיה הכולל את מזהה המקור, הקטגוריה והסבר קצר. תוצאה כזאת נשארת טקסט שנוצר: בדיקת המבנה והערכים שלה מול הקלט היא חלק מהשימוש בה בתהליך עבודה בהמשך.\n\nהכרטיס המדויק מתאר אורך הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה המסופקת מוגדרת ל-32,768 טוקני הקשר; טיפול בחומר ארוך יותר משתמש בתצורת YaRN המתועדת. היצרן מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בקלט קצר יותר וממליץ להוסיפו כשנדרש עיבוד הקשר ארוך. התאימו את הקלט ואת התשובה המבוקשת למרחב הרלוונטי המוגדר. בדוח ארוך, שמרו את כותרות הסעיפים, תעדפו את הקטעים הקשורים לשאלה ובקשו את אורך הפלט הדרוש, במקום לראות במספר ההקשר הגדול סיבה לכלול חומר לא רלוונטי.\n\nמדריך ההתחלה המהירה הרשמי משתמש בהודעות מערכת ומשתמש עם תבנית הצ'אט של המודל, ואז מפענח את ההמשך שנוצר. הכינו משימת קוד עם המקור, השפה, ההתנהגות הצפויה והאילוצים הרלוונטיים. הכינו שאלה מתמטית עם הנתונים ופורמט התוצאה. השיפורים המתועדים של המודל הכללי בתחומים אלה אינם הופכים אותו לגרסת Qwen2.5-Coder או Qwen2.5-Math שאומנה בנפרד. דוגמת משימת קוד יכולה לבקש הסבר לפונקציה, תיקון מוצע ומדוע ההצעה עומדת בתנאים שנקבעו; ביצוע ואימות נשארים שלבים נפרדים.\n\nתיעוד הגרסה של Qwen מתאר גם קריאה לכלים ותבנית צ'אט מודעת לכלים, לרבות תאימות ל-Qwen-Agent. הגדירו את הכלים הזמינים ואת הארגומנטים שלהם, ציינו את המטרה וספקו תוצאות שהוחזרו כדי שהמודל יפרש אותן. עוזר למסמכים יכול לבקש מידע רלוונטי לפני ניסוח תשובה סופית, ועוזר קוד יכול להסיק מסקנות מפלט של בדיקה שביצע היישום. התוצר השימושי הוא אז תשובה הקשורה לראיות שסופקו ולפורמט המבוקש. זהו פרופיל של מודל טקסט; יכולות חזותיות, יכולות שמע או יצירת וידאו של מודלי Qwen אחרים הן נפרדות.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct הוא מודל הטקסט הקומפקטי של Qwen המכוונן להוראות, לכתיבה רב-לשונית, קוד, מתמטיקה ונתונים מובנים. היצרן מתעד עד 131,072 טוקני הקשר עם תצורת ההקשר הארוך ויצירה של עד 8,192 טוקנים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Qwen2.5-7B-Instruct הוא מודל הטקסט בגודל 7B המכוונן להוראות במשפחת מודלי השפה לשימוש כללי של Qwen2.5. Qwen מדגיש קוד ומתמטיקה, ביצוע הוראות, כתיבה ארוכה, הבנת טבלאות ופלט מובנה, במיוחד JSON. זהו מודל צפוף המבוסס על מפענח בלבד, עם 7.61 מיליארד פרמטרים בסך הכול, מהם 6.53 מיליארד שאינם פרמטרי הטמעה. הוא מקבל שיחות טקסט ומייצר טקסט. תיאור משימה שימושי יכול לבקש ממנו להפוך מידע שסופק להסבר ברור, רשומה מובנית, טיוטה מתוקנת או תוכנית מוצעת.
המודל תומך ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. היצרן מדגיש גם עמידות למגוון הנחיות מערכת, שימושית להגדרת תפקיד בשיחה ותנאיו. הגדירו ישירות את התפקיד, הקהל, המינוח ושפת הפלט. לדוגמה, בקשת עריכה יכולה לכלול קטע טכני, לציין את הקורא המיועד ולבקש הסבר קצר יותר ששומר על המונחים המוגדרים והתנאים שנאמרו. הגרסה המכווננת להוראות היא המודל השיחתי, בנפרד ממודל הבסיס המקביל שעבר קדם-אימון.
הבנת נתונים מובנים ויצירת JSON הן שיפורים מרכזיים ב-Qwen2.5. לחילוץ או להמרה של טבלה, שמרו את כותרותיה ואת היחידות שלה והסבירו אילו שורות או קשרים חשובים. הגדירו את המפתחות המבוקשים, סוגי הערכים והטיפול במידע חסר במקום לבקש רק סיכום כללי. דוגמת משימה יכולה לספק רשימת בעיות ולבקש אובייקט לכל בעיה הכולל את מזהה המקור, הקטגוריה והסבר קצר. תוצאה כזאת נשארת טקסט שנוצר: בדיקת המבנה והערכים שלה מול הקלט היא חלק מהשימוש בה בתהליך עבודה בהמשך.
הכרטיס המדויק מתאר אורך הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה המסופקת מוגדרת ל-32,768 טוקני הקשר; טיפול בחומר ארוך יותר משתמש בתצורת YaRN המתועדת. היצרן מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בקלט קצר יותר וממליץ להוסיפו כשנדרש עיבוד הקשר ארוך. התאימו את הקלט ואת התשובה המבוקשת למרחב הרלוונטי המוגדר. בדוח ארוך, שמרו את כותרות הסעיפים, תעדפו את הקטעים הקשורים לשאלה ובקשו את אורך הפלט הדרוש, במקום לראות במספר ההקשר הגדול סיבה לכלול חומר לא רלוונטי.
מדריך ההתחלה המהירה הרשמי משתמש בהודעות מערכת ומשתמש עם תבנית הצ'אט של המודל, ואז מפענח את ההמשך שנוצר. הכינו משימת קוד עם המקור, השפה, ההתנהגות הצפויה והאילוצים הרלוונטיים. הכינו שאלה מתמטית עם הנתונים ופורמט התוצאה. השיפורים המתועדים של המודל הכללי בתחומים אלה אינם הופכים אותו לגרסת Qwen2.5-Coder או Qwen2.5-Math שאומנה בנפרד. דוגמת משימת קוד יכולה לבקש הסבר לפונקציה, תיקון מוצע ומדוע ההצעה עומדת בתנאים שנקבעו; ביצוע ואימות נשארים שלבים נפרדים.
תיעוד הגרסה של Qwen מתאר גם קריאה לכלים ותבנית צ'אט מודעת לכלים, לרבות תאימות ל-Qwen-Agent. הגדירו את הכלים הזמינים ואת הארגומנטים שלהם, ציינו את המטרה וספקו תוצאות שהוחזרו כדי שהמודל יפרש אותן. עוזר למסמכים יכול לבקש מידע רלוונטי לפני ניסוח תשובה סופית, ועוזר קוד יכול להסיק מסקנות מפלט של בדיקה שביצע היישום. התוצר השימושי הוא אז תשובה הקשורה לראיות שסופקו ולפורמט המבוקש. זהו פרופיל של מודל טקסט; יכולות חזותיות, יכולות שמע או יצירת וידאו של מודלי Qwen אחרים הן נפרדות.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen/qwen-2.5-7b-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 $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0004 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 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 $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0004 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-2.5-7b-instruct
השתמשו בנתיבי השיטות המוצגים למעלה.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct הוא מודל הטקסט הקומפקטי של Qwen המכוונן להוראות, לכתיבה רב-לשונית, קוד, מתמטיקה ונתונים מובנים. היצרן מתעד עד 131,072 טוקני הקשר עם תצורת ההקשר הארוך ויצירה של עד 8,192 טוקנים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Qwen2.5-7B-Instruct הוא מודל הטקסט בגודל 7B המכוונן להוראות במשפחת מודלי השפה לשימוש כללי של Qwen2.5. Qwen מדגיש קוד ומתמטיקה, ביצוע הוראות, כתיבה ארוכה, הבנת טבלאות ופלט מובנה, במיוחד JSON. זהו מודל צפוף המבוסס על מפענח בלבד, עם 7.61 מיליארד פרמטרים בסך הכול, מהם 6.53 מיליארד שאינם פרמטרי הטמעה. הוא מקבל שיחות טקסט ומייצר טקסט. תיאור משימה שימושי יכול לבקש ממנו להפוך מידע שסופק להסבר ברור, רשומה מובנית, טיוטה מתוקנת או תוכנית מוצעת.
המודל תומך ביותר מ-29 שפות, ובהן סינית, אנגלית, צרפתית, ספרדית, פורטוגזית, גרמנית, איטלקית, רוסית, יפנית, קוריאנית, וייטנאמית, תאילנדית וערבית. היצרן מדגיש גם עמידות למגוון הנחיות מערכת, שימושית להגדרת תפקיד בשיחה ותנאיו. הגדירו ישירות את התפקיד, הקהל, המינוח ושפת הפלט. לדוגמה, בקשת עריכה יכולה לכלול קטע טכני, לציין את הקורא המיועד ולבקש הסבר קצר יותר ששומר על המונחים המוגדרים והתנאים שנאמרו. הגרסה המכווננת להוראות היא המודל השיחתי, בנפרד ממודל הבסיס המקביל שעבר קדם-אימון.
הבנת נתונים מובנים ויצירת JSON הן שיפורים מרכזיים ב-Qwen2.5. לחילוץ או להמרה של טבלה, שמרו את כותרותיה ואת היחידות שלה והסבירו אילו שורות או קשרים חשובים. הגדירו את המפתחות המבוקשים, סוגי הערכים והטיפול במידע חסר במקום לבקש רק סיכום כללי. דוגמת משימה יכולה לספק רשימת בעיות ולבקש אובייקט לכל בעיה הכולל את מזהה המקור, הקטגוריה והסבר קצר. תוצאה כזאת נשארת טקסט שנוצר: בדיקת המבנה והערכים שלה מול הקלט היא חלק מהשימוש בה בתהליך עבודה בהמשך.
הכרטיס המדויק מתאר אורך הקשר מלא של 131,072 טוקנים ויצירה של עד 8,192 טוקנים. התצורה המסופקת מוגדרת ל-32,768 טוקני הקשר; טיפול בחומר ארוך יותר משתמש בתצורת YaRN המתועדת. היצרן מזהיר ששינוי קנה מידה סטטי עלול להשפיע על הביצועים בקלט קצר יותר וממליץ להוסיפו כשנדרש עיבוד הקשר ארוך. התאימו את הקלט ואת התשובה המבוקשת למרחב הרלוונטי המוגדר. בדוח ארוך, שמרו את כותרות הסעיפים, תעדפו את הקטעים הקשורים לשאלה ובקשו את אורך הפלט הדרוש, במקום לראות במספר ההקשר הגדול סיבה לכלול חומר לא רלוונטי.
מדריך ההתחלה המהירה הרשמי משתמש בהודעות מערכת ומשתמש עם תבנית הצ'אט של המודל, ואז מפענח את ההמשך שנוצר. הכינו משימת קוד עם המקור, השפה, ההתנהגות הצפויה והאילוצים הרלוונטיים. הכינו שאלה מתמטית עם הנתונים ופורמט התוצאה. השיפורים המתועדים של המודל הכללי בתחומים אלה אינם הופכים אותו לגרסת Qwen2.5-Coder או Qwen2.5-Math שאומנה בנפרד. דוגמת משימת קוד יכולה לבקש הסבר לפונקציה, תיקון מוצע ומדוע ההצעה עומדת בתנאים שנקבעו; ביצוע ואימות נשארים שלבים נפרדים.
תיעוד הגרסה של Qwen מתאר גם קריאה לכלים ותבנית צ'אט מודעת לכלים, לרבות תאימות ל-Qwen-Agent. הגדירו את הכלים הזמינים ואת הארגומנטים שלהם, ציינו את המטרה וספקו תוצאות שהוחזרו כדי שהמודל יפרש אותן. עוזר למסמכים יכול לבקש מידע רלוונטי לפני ניסוח תשובה סופית, ועוזר קוד יכול להסיק מסקנות מפלט של בדיקה שביצע היישום. התוצר השימושי הוא אז תשובה הקשורה לראיות שסופקו ולפורמט המבוקש. זהו פרופיל של מודל טקסט; יכולות חזותיות, יכולות שמע או יצירת וידאו של מודלי Qwen אחרים הן נפרדות.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen/qwen-2.5-7b-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 $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0004 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 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 $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0004 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-2.5-7b-instruct
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.