A Qwen2.5-32B-Instruct az általános Qwen2.5 család utasításkövetésre finomhangolt, 32B méretű szövegmodellje. A nyelvi megértést és szövegalkotást programozással és matematikával ötvözi; ez nem a külön néven szereplő Coder vagy Math specialista modell. A gyártó különösen a részletes utasításkövetést, a hosszú szövegek írását, a táblázatok megértését és a strukturált szöveg, főként a JSON előállítását emeli ki. A család előtanításához használt korpuszt akár 18 billió tokenesnek ismerteti.
Strukturált adatok, hosszú válaszok és többnyelvű munka
Egy hasznos adatkinyerési feladat megadja a forrásrészletet és az alkalmazás következő lépéséhez szükséges pontos mezőket. Határozd meg a mezők típusát, hogy a megfogalmazást másolni vagy összefoglalni kell-e, valamint a hiányzó információ megjelenítését. Egy termékrekord például kérhet azonosítót, működési feltételeket és a tisztázatlan kérdések listáját. Csak a JSON-rekordot kérd, ha azt géppel kell feldolgozni, vagy külön magyarázatot kérj, ha egy személynek meg kell vizsgálnia a kinyert mezők mögötti indoklást.
A táblázatok megértése egy másik dokumentált hangsúlyos terület. A kérdéssel együtt add meg az oszlopneveket, a mértékegységeket és az érintett sorokat. Kérd a modelltől a feltételt teljesítő sorok azonosítását, az időszakok közötti változás magyarázatát vagy a táblázat írásos jelentéssé alakítását. Egy gyakorlati kimenet minden megállapítás mellett megőrizheti a sor azonosítóját. Így megmarad a kapcsolat a megadott adatok és a válasz között, nem pedig olyan összefoglaló készül, amelyhez nem követhető vissza a forrássor.
Hosszú szöveg írásához a dokumentum kérése előtt nevezd meg a célközönséget, a részeket és a forrásból származó tényeket. Egy műszaki javaslat megkövetelheti a probléma leírását, a követelményeket, az alternatívákat és az ajánlást, kizárólag a megadott anyag felhasználásával. Határozd meg, mely feltételek kötelezőek, és melyek tisztázandó kérdések. A gyártó a különböző rendszerpromptokkal szembeni robusztusságot is fejleszti, támogatva a meghatározott szerepet, hangnemet és beszélgetési feltételeket.
A család több mint 29 nyelvet támogat, köztük az angolt, kínait, oroszt, franciát, spanyolt, portugált, németet, olaszt, japánt, koreait, vietnámit, thait és arabot. Többnyelvű feladatnál különítsd el a forrásnyelvet a kívánt kimeneti nyelvtől, és adj terminológiai listát, ha a neveknek vagy műszaki kifejezéseknek következetesnek kell maradniuk. Egy kétnyelvű jelentés ugyanazokat a forrástényeket kérheti két változatban, az azonosítók és mértékegységek változatlan megőrzésével.
A változat modelladatai
A 32B-Instruct kiadásnak 32,5 milliárd paramétere van, ezen belül 31,0 milliárd a beágyazásokon kívüli paraméter, és 64 Transformer-réteget használ. Rotációs pozícióbeágyazásokat, SwiGLU-t, RMSNormot és attention QKV bias-t alkalmaz. A csoportosított lekérdezésű figyelem 40 lekérdezési fejet és 8 kulcs/érték fejet használ. Ez egy sűrű, csak dekóderből álló, előtanítással és utótanítással létrehozott nyelvmodell-kiadás; az Instruct a beszélgetésre tanított változatot jelöli az alapmodell helyett.
A kártya 131 072 tokenes teljes kontextust és legfeljebb 8 192 tokenes generálást ad meg. Ezek a számok a feladat különböző részeit írják le: a kontextus őrzi a promptot és a beszélgetést, míg a generálási érték az írásos választ korlátozza. A gyorsindítás 512 generált tokenje csupán példa a nagyobb, megadott generálási korláton belül. A modell szöveget fogad és ad vissza; egy beszkennelt táblázat vagy képernyőkép tartalmát szövegként vagy egy külön vizuális modellen keresztül kell elérhetővé tenni.
Beszélgetés és eszközök
A modellkártya külön rendszer- és felhasználói üzeneteket mutat be, amelyeket a hozzá tartozó csevegéssablon formáz. Az asszisztens tartós válaszszabályait a megfelelő beszélgetési szerepbe helyezd, a tényleges dokumentumot, táblázatot vagy kódot pedig a felhasználó feladatához. Jelöld az idézett forrásanyag és az utasítások határát, hogy a dokumentumban szereplő utasítás ne keveredjen össze az alkalmazás szándékolt feladatával.
A család hivatalos bejelentése kompatibilis beszélgetési sablonokon és modellkiszolgálási integrációkon keresztül dokumentálja az eszközhívás támogatását. Ilyen munkafolyamatban az alkalmazás adja meg a függvényleírásokat, fogadja a javasolt hívást, végrehajtja a függvényt és visszaadja az eredményét. Ez egy szöveges kérdést számítással vagy adatlekérdezéssel kapcsolhat össze, de önmagában e modell kiválasztása nem biztosítja a külső eszközt vagy annak adatait. A JSON előállítása és az eszközhívás is eltérő eredmény: az egyik szöveget formáz, a másik a környező alkalmazást kéri egy megnevezett művelet végrehajtására.
Hosszú kontextus előkészítése
A kiadott konfiguráció 32 768 tokenről indul. Az ezt meghaladó bemenetekhez a dokumentált YaRN-kiterjesztés szükséges, amelynek példájában a tényező 4.0, az eredeti maximális pozícióbeállítás pedig 32 768. A gyártó figyelmeztet arra, hogy a statikus skálázás befolyásolhatja a rövidebb szövegek kezelését, és akkor javasolja a bekapcsolását, amikor hosszú kontextus feldolgozására van szükség.
Nagy dokumentumok összehasonlításakor azonosítsd az egyes dokumentumok szerepét, és kérj egy jól meghatározott eredményt: követelménymátrixot, eltéréslistát vagy átdolgozott részt. A kinyert megállapítások mellett őrizd meg a forráshelyeket, és biztosíts elegendő választeret a kért szerkezethez. A hosszú kontextus kapacitása segít együtt tartani a releváns anyagot; nem helyettesíti annak meghatározását, hogy mit kell összehasonlítani, és hogyan használják majd a végeredményt.
", "aboutText": "A Qwen2.5-32B-Instruct az általános Qwen2.5 család utasításkövetésre finomhangolt, 32B méretű szövegmodellje. A nyelvi megértést és szövegalkotást programozással és matematikával ötvözi; ez nem a külön néven szereplő Coder vagy Math specialista modell. A gyártó különösen a részletes utasításkövetést, a hosszú szövegek írását, a táblázatok megértését és a strukturált szöveg, főként a JSON előállítását emeli ki. A család előtanításához használt korpuszt akár 18 billió tokenesnek ismerteti.\n\nStrukturált adatok, hosszú válaszok és többnyelvű munka\n\nEgy hasznos adatkinyerési feladat megadja a forrásrészletet és az alkalmazás következő lépéséhez szükséges pontos mezőket. Határozd meg a mezők típusát, hogy a megfogalmazást másolni vagy összefoglalni kell-e, valamint a hiányzó információ megjelenítését. Egy termékrekord például kérhet azonosítót, működési feltételeket és a tisztázatlan kérdések listáját. Csak a JSON-rekordot kérd, ha azt géppel kell feldolgozni, vagy külön magyarázatot kérj, ha egy személynek meg kell vizsgálnia a kinyert mezők mögötti indoklást.\n\nA táblázatok megértése egy másik dokumentált hangsúlyos terület. A kérdéssel együtt add meg az oszlopneveket, a mértékegységeket és az érintett sorokat. Kérd a modelltől a feltételt teljesítő sorok azonosítását, az időszakok közötti változás magyarázatát vagy a táblázat írásos jelentéssé alakítását. Egy gyakorlati kimenet minden megállapítás mellett megőrizheti a sor azonosítóját. Így megmarad a kapcsolat a megadott adatok és a válasz között, nem pedig olyan összefoglaló készül, amelyhez nem követhető vissza a forrássor.\n\nHosszú szöveg írásához a dokumentum kérése előtt nevezd meg a célközönséget, a részeket és a forrásból származó tényeket. Egy műszaki javaslat megkövetelheti a probléma leírását, a követelményeket, az alternatívákat és az ajánlást, kizárólag a megadott anyag felhasználásával. Határozd meg, mely feltételek kötelezőek, és melyek tisztázandó kérdések. A gyártó a különböző rendszerpromptokkal szembeni robusztusságot is fejleszti, támogatva a meghatározott szerepet, hangnemet és beszélgetési feltételeket.\n\nA család több mint 29 nyelvet támogat, köztük az angolt, kínait, oroszt, franciát, spanyolt, portugált, németet, olaszt, japánt, koreait, vietnámit, thait és arabot. Többnyelvű feladatnál különítsd el a forrásnyelvet a kívánt kimeneti nyelvtől, és adj terminológiai listát, ha a neveknek vagy műszaki kifejezéseknek következetesnek kell maradniuk. Egy kétnyelvű jelentés ugyanazokat a forrástényeket kérheti két változatban, az azonosítók és mértékegységek változatlan megőrzésével.\n\nA változat modelladatai\n\nA 32B-Instruct kiadásnak 32,5 milliárd paramétere van, ezen belül 31,0 milliárd a beágyazásokon kívüli paraméter, és 64 Transformer-réteget használ. Rotációs pozícióbeágyazásokat, SwiGLU-t, RMSNormot és attention QKV bias-t alkalmaz. A csoportosított lekérdezésű figyelem 40 lekérdezési fejet és 8 kulcs/érték fejet használ. Ez egy sűrű, csak dekóderből álló, előtanítással és utótanítással létrehozott nyelvmodell-kiadás; az Instruct a beszélgetésre tanított változatot jelöli az alapmodell helyett.\n\nA kártya 131 072 tokenes teljes kontextust és legfeljebb 8 192 tokenes generálást ad meg. Ezek a számok a feladat különböző részeit írják le: a kontextus őrzi a promptot és a beszélgetést, míg a generálási érték az írásos választ korlátozza. A gyorsindítás 512 generált tokenje csupán példa a nagyobb, megadott generálási korláton belül. A modell szöveget fogad és ad vissza; egy beszkennelt táblázat vagy képernyőkép tartalmát szövegként vagy egy külön vizuális modellen keresztül kell elérhetővé tenni.\n\nBeszélgetés és eszközök\n\nA modellkártya külön rendszer- és felhasználói üzeneteket mutat be, amelyeket a hozzá tartozó csevegéssablon formáz. Az asszisztens tartós válaszszabályait a megfelelő beszélgetési szerepbe helyezd, a tényleges dokumentumot, táblázatot vagy kódot pedig a felhasználó feladatához. Jelöld az idézett forrásanyag és az utasítások határát, hogy a dokumentumban szereplő utasítás ne keveredjen össze az alkalmazás szándékolt feladatával.\n\nA család hivatalos bejelentése kompatibilis beszélgetési sablonokon és modellkiszolgálási integrációkon keresztül dokumentálja az eszközhívás támogatását. Ilyen munkafolyamatban az alkalmazás adja meg a függvényleírásokat, fogadja a javasolt hívást, végrehajtja a függvényt és visszaadja az eredményét. Ez egy szöveges kérdést számítással vagy adatlekérdezéssel kapcsolhat össze, de önmagában e modell kiválasztása nem biztosítja a külső eszközt vagy annak adatait. A JSON előállítása és az eszközhívás is eltérő eredmény: az egyik szöveget formáz, a másik a környező alkalmazást kéri egy megnevezett művelet végrehajtására.\n\nHosszú kontextus előkészítése\n\nA kiadott konfiguráció 32 768 tokenről indul. Az ezt meghaladó bemenetekhez a dokumentált YaRN-kiterjesztés szükséges, amelynek példájában a tényező 4.0, az eredeti maximális pozícióbeállítás pedig 32 768. A gyártó figyelmeztet arra, hogy a statikus skálázás befolyásolhatja a rövidebb szövegek kezelését, és akkor javasolja a bekapcsolását, amikor hosszú kontextus feldolgozására van szükség.\n\nNagy dokumentumok összehasonlításakor azonosítsd az egyes dokumentumok szerepét, és kérj egy jól meghatározott eredményt: követelménymátrixot, eltéréslistát vagy átdolgozott részt. A kinyert megállapítások mellett őrizd meg a forráshelyeket, és biztosíts elegendő választeret a kért szerkezethez. A hosszú kontextus kapacitása segít együtt tartani a releváns anyagot; nem helyettesíti annak meghatározását, hogy mit kell összehasonlítani, és hogyan használják majd a végeredményt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
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-InstructA Qwen2.5-32B-Instruct többnyelvű szövegmodell részletes utasításokhoz, programozáshoz, matematikához és strukturált adatokhoz. A 32,5 milliárd paraméteres változat a táblázatok megértésére, a JSON-kimenetre és a hosszú írásos eredményekre helyezi a hangsúlyt, dokumentált kiterjesztett kontextusbeállításokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen2.5-32B-Instruct az általános Qwen2.5 család utasításkövetésre finomhangolt, 32B méretű szövegmodellje. A nyelvi megértést és szövegalkotást programozással és matematikával ötvözi; ez nem a külön néven szereplő Coder vagy Math specialista modell. A gyártó különösen a részletes utasításkövetést, a hosszú szövegek írását, a táblázatok megértését és a strukturált szöveg, főként a JSON előállítását emeli ki. A család előtanításához használt korpuszt akár 18 billió tokenesnek ismerteti.
Strukturált adatok, hosszú válaszok és többnyelvű munka
Egy hasznos adatkinyerési feladat megadja a forrásrészletet és az alkalmazás következő lépéséhez szükséges pontos mezőket. Határozd meg a mezők típusát, hogy a megfogalmazást másolni vagy összefoglalni kell-e, valamint a hiányzó információ megjelenítését. Egy termékrekord például kérhet azonosítót, működési feltételeket és a tisztázatlan kérdések listáját. Csak a JSON-rekordot kérd, ha azt géppel kell feldolgozni, vagy külön magyarázatot kérj, ha egy személynek meg kell vizsgálnia a kinyert mezők mögötti indoklást.
A táblázatok megértése egy másik dokumentált hangsúlyos terület. A kérdéssel együtt add meg az oszlopneveket, a mértékegységeket és az érintett sorokat. Kérd a modelltől a feltételt teljesítő sorok azonosítását, az időszakok közötti változás magyarázatát vagy a táblázat írásos jelentéssé alakítását. Egy gyakorlati kimenet minden megállapítás mellett megőrizheti a sor azonosítóját. Így megmarad a kapcsolat a megadott adatok és a válasz között, nem pedig olyan összefoglaló készül, amelyhez nem követhető vissza a forrássor.
Hosszú szöveg írásához a dokumentum kérése előtt nevezd meg a célközönséget, a részeket és a forrásból származó tényeket. Egy műszaki javaslat megkövetelheti a probléma leírását, a követelményeket, az alternatívákat és az ajánlást, kizárólag a megadott anyag felhasználásával. Határozd meg, mely feltételek kötelezőek, és melyek tisztázandó kérdések. A gyártó a különböző rendszerpromptokkal szembeni robusztusságot is fejleszti, támogatva a meghatározott szerepet, hangnemet és beszélgetési feltételeket.
A család több mint 29 nyelvet támogat, köztük az angolt, kínait, oroszt, franciát, spanyolt, portugált, németet, olaszt, japánt, koreait, vietnámit, thait és arabot. Többnyelvű feladatnál különítsd el a forrásnyelvet a kívánt kimeneti nyelvtől, és adj terminológiai listát, ha a neveknek vagy műszaki kifejezéseknek következetesnek kell maradniuk. Egy kétnyelvű jelentés ugyanazokat a forrástényeket kérheti két változatban, az azonosítók és mértékegységek változatlan megőrzésével.
A változat modelladatai
A 32B-Instruct kiadásnak 32,5 milliárd paramétere van, ezen belül 31,0 milliárd a beágyazásokon kívüli paraméter, és 64 Transformer-réteget használ. Rotációs pozícióbeágyazásokat, SwiGLU-t, RMSNormot és attention QKV bias-t alkalmaz. A csoportosított lekérdezésű figyelem 40 lekérdezési fejet és 8 kulcs/érték fejet használ. Ez egy sűrű, csak dekóderből álló, előtanítással és utótanítással létrehozott nyelvmodell-kiadás; az Instruct a beszélgetésre tanított változatot jelöli az alapmodell helyett.
A kártya 131 072 tokenes teljes kontextust és legfeljebb 8 192 tokenes generálást ad meg. Ezek a számok a feladat különböző részeit írják le: a kontextus őrzi a promptot és a beszélgetést, míg a generálási érték az írásos választ korlátozza. A gyorsindítás 512 generált tokenje csupán példa a nagyobb, megadott generálási korláton belül. A modell szöveget fogad és ad vissza; egy beszkennelt táblázat vagy képernyőkép tartalmát szövegként vagy egy külön vizuális modellen keresztül kell elérhetővé tenni.
Beszélgetés és eszközök
A modellkártya külön rendszer- és felhasználói üzeneteket mutat be, amelyeket a hozzá tartozó csevegéssablon formáz. Az asszisztens tartós válaszszabályait a megfelelő beszélgetési szerepbe helyezd, a tényleges dokumentumot, táblázatot vagy kódot pedig a felhasználó feladatához. Jelöld az idézett forrásanyag és az utasítások határát, hogy a dokumentumban szereplő utasítás ne keveredjen össze az alkalmazás szándékolt feladatával.
A család hivatalos bejelentése kompatibilis beszélgetési sablonokon és modellkiszolgálási integrációkon keresztül dokumentálja az eszközhívás támogatását. Ilyen munkafolyamatban az alkalmazás adja meg a függvényleírásokat, fogadja a javasolt hívást, végrehajtja a függvényt és visszaadja az eredményét. Ez egy szöveges kérdést számítással vagy adatlekérdezéssel kapcsolhat össze, de önmagában e modell kiválasztása nem biztosítja a külső eszközt vagy annak adatait. A JSON előállítása és az eszközhívás is eltérő eredmény: az egyik szöveget formáz, a másik a környező alkalmazást kéri egy megnevezett művelet végrehajtására.
Hosszú kontextus előkészítése
A kiadott konfiguráció 32 768 tokenről indul. Az ezt meghaladó bemenetekhez a dokumentált YaRN-kiterjesztés szükséges, amelynek példájában a tényező 4.0, az eredeti maximális pozícióbeállítás pedig 32 768. A gyártó figyelmeztet arra, hogy a statikus skálázás befolyásolhatja a rövidebb szövegek kezelését, és akkor javasolja a bekapcsolását, amikor hosszú kontextus feldolgozására van szükség.
Nagy dokumentumok összehasonlításakor azonosítsd az egyes dokumentumok szerepét, és kérj egy jól meghatározott eredményt: követelménymátrixot, eltéréslistát vagy átdolgozott részt. A kinyert megállapítások mellett őrizd meg a forráshelyeket, és biztosíts elegendő választeret a kért szerkezethez. A hosszú kontextus kapacitása segít együtt tartani a releváns anyagot; nem helyettesíti annak meghatározását, hogy mit kell összehasonlítani, és hogyan használják majd a végeredményt.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Qwen/Qwen2.5-32B-Instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructA Qwen2.5-32B-Instruct többnyelvű szövegmodell részletes utasításokhoz, programozáshoz, matematikához és strukturált adatokhoz. A 32,5 milliárd paraméteres változat a táblázatok megértésére, a JSON-kimenetre és a hosszú írásos eredményekre helyezi a hangsúlyt, dokumentált kiterjesztett kontextusbeállításokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen2.5-32B-Instruct az általános Qwen2.5 család utasításkövetésre finomhangolt, 32B méretű szövegmodellje. A nyelvi megértést és szövegalkotást programozással és matematikával ötvözi; ez nem a külön néven szereplő Coder vagy Math specialista modell. A gyártó különösen a részletes utasításkövetést, a hosszú szövegek írását, a táblázatok megértését és a strukturált szöveg, főként a JSON előállítását emeli ki. A család előtanításához használt korpuszt akár 18 billió tokenesnek ismerteti.
Strukturált adatok, hosszú válaszok és többnyelvű munka
Egy hasznos adatkinyerési feladat megadja a forrásrészletet és az alkalmazás következő lépéséhez szükséges pontos mezőket. Határozd meg a mezők típusát, hogy a megfogalmazást másolni vagy összefoglalni kell-e, valamint a hiányzó információ megjelenítését. Egy termékrekord például kérhet azonosítót, működési feltételeket és a tisztázatlan kérdések listáját. Csak a JSON-rekordot kérd, ha azt géppel kell feldolgozni, vagy külön magyarázatot kérj, ha egy személynek meg kell vizsgálnia a kinyert mezők mögötti indoklást.
A táblázatok megértése egy másik dokumentált hangsúlyos terület. A kérdéssel együtt add meg az oszlopneveket, a mértékegységeket és az érintett sorokat. Kérd a modelltől a feltételt teljesítő sorok azonosítását, az időszakok közötti változás magyarázatát vagy a táblázat írásos jelentéssé alakítását. Egy gyakorlati kimenet minden megállapítás mellett megőrizheti a sor azonosítóját. Így megmarad a kapcsolat a megadott adatok és a válasz között, nem pedig olyan összefoglaló készül, amelyhez nem követhető vissza a forrássor.
Hosszú szöveg írásához a dokumentum kérése előtt nevezd meg a célközönséget, a részeket és a forrásból származó tényeket. Egy műszaki javaslat megkövetelheti a probléma leírását, a követelményeket, az alternatívákat és az ajánlást, kizárólag a megadott anyag felhasználásával. Határozd meg, mely feltételek kötelezőek, és melyek tisztázandó kérdések. A gyártó a különböző rendszerpromptokkal szembeni robusztusságot is fejleszti, támogatva a meghatározott szerepet, hangnemet és beszélgetési feltételeket.
A család több mint 29 nyelvet támogat, köztük az angolt, kínait, oroszt, franciát, spanyolt, portugált, németet, olaszt, japánt, koreait, vietnámit, thait és arabot. Többnyelvű feladatnál különítsd el a forrásnyelvet a kívánt kimeneti nyelvtől, és adj terminológiai listát, ha a neveknek vagy műszaki kifejezéseknek következetesnek kell maradniuk. Egy kétnyelvű jelentés ugyanazokat a forrástényeket kérheti két változatban, az azonosítók és mértékegységek változatlan megőrzésével.
A változat modelladatai
A 32B-Instruct kiadásnak 32,5 milliárd paramétere van, ezen belül 31,0 milliárd a beágyazásokon kívüli paraméter, és 64 Transformer-réteget használ. Rotációs pozícióbeágyazásokat, SwiGLU-t, RMSNormot és attention QKV bias-t alkalmaz. A csoportosított lekérdezésű figyelem 40 lekérdezési fejet és 8 kulcs/érték fejet használ. Ez egy sűrű, csak dekóderből álló, előtanítással és utótanítással létrehozott nyelvmodell-kiadás; az Instruct a beszélgetésre tanított változatot jelöli az alapmodell helyett.
A kártya 131 072 tokenes teljes kontextust és legfeljebb 8 192 tokenes generálást ad meg. Ezek a számok a feladat különböző részeit írják le: a kontextus őrzi a promptot és a beszélgetést, míg a generálási érték az írásos választ korlátozza. A gyorsindítás 512 generált tokenje csupán példa a nagyobb, megadott generálási korláton belül. A modell szöveget fogad és ad vissza; egy beszkennelt táblázat vagy képernyőkép tartalmát szövegként vagy egy külön vizuális modellen keresztül kell elérhetővé tenni.
Beszélgetés és eszközök
A modellkártya külön rendszer- és felhasználói üzeneteket mutat be, amelyeket a hozzá tartozó csevegéssablon formáz. Az asszisztens tartós válaszszabályait a megfelelő beszélgetési szerepbe helyezd, a tényleges dokumentumot, táblázatot vagy kódot pedig a felhasználó feladatához. Jelöld az idézett forrásanyag és az utasítások határát, hogy a dokumentumban szereplő utasítás ne keveredjen össze az alkalmazás szándékolt feladatával.
A család hivatalos bejelentése kompatibilis beszélgetési sablonokon és modellkiszolgálási integrációkon keresztül dokumentálja az eszközhívás támogatását. Ilyen munkafolyamatban az alkalmazás adja meg a függvényleírásokat, fogadja a javasolt hívást, végrehajtja a függvényt és visszaadja az eredményét. Ez egy szöveges kérdést számítással vagy adatlekérdezéssel kapcsolhat össze, de önmagában e modell kiválasztása nem biztosítja a külső eszközt vagy annak adatait. A JSON előállítása és az eszközhívás is eltérő eredmény: az egyik szöveget formáz, a másik a környező alkalmazást kéri egy megnevezett művelet végrehajtására.
Hosszú kontextus előkészítése
A kiadott konfiguráció 32 768 tokenről indul. Az ezt meghaladó bemenetekhez a dokumentált YaRN-kiterjesztés szükséges, amelynek példájában a tényező 4.0, az eredeti maximális pozícióbeállítás pedig 32 768. A gyártó figyelmeztet arra, hogy a statikus skálázás befolyásolhatja a rövidebb szövegek kezelését, és akkor javasolja a bekapcsolását, amikor hosszú kontextus feldolgozására van szükség.
Nagy dokumentumok összehasonlításakor azonosítsd az egyes dokumentumok szerepét, és kérj egy jól meghatározott eredményt: követelménymátrixot, eltéréslistát vagy átdolgozott részt. A kinyert megállapítások mellett őrizd meg a forráshelyeket, és biztosíts elegendő választeret a kért szerkezethez. A hosszú kontextus kapacitása segít együtt tartani a releváns anyagot; nem helyettesíti annak meghatározását, hogy mit kell összehasonlítani, és hogyan használják majd a végeredményt.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Qwen/Qwen2.5-32B-Instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructA Qwen2.5-32B-Instruct többnyelvű szövegmodell részletes utasításokhoz, programozáshoz, matematikához és strukturált adatokhoz. A 32,5 milliárd paraméteres változat a táblázatok megértésére, a JSON-kimenetre és a hosszú írásos eredményekre helyezi a hangsúlyt, dokumentált kiterjesztett kontextusbeállításokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen2.5-32B-Instruct az általános Qwen2.5 család utasításkövetésre finomhangolt, 32B méretű szövegmodellje. A nyelvi megértést és szövegalkotást programozással és matematikával ötvözi; ez nem a külön néven szereplő Coder vagy Math specialista modell. A gyártó különösen a részletes utasításkövetést, a hosszú szövegek írását, a táblázatok megértését és a strukturált szöveg, főként a JSON előállítását emeli ki. A család előtanításához használt korpuszt akár 18 billió tokenesnek ismerteti.
Strukturált adatok, hosszú válaszok és többnyelvű munka
Egy hasznos adatkinyerési feladat megadja a forrásrészletet és az alkalmazás következő lépéséhez szükséges pontos mezőket. Határozd meg a mezők típusát, hogy a megfogalmazást másolni vagy összefoglalni kell-e, valamint a hiányzó információ megjelenítését. Egy termékrekord például kérhet azonosítót, működési feltételeket és a tisztázatlan kérdések listáját. Csak a JSON-rekordot kérd, ha azt géppel kell feldolgozni, vagy külön magyarázatot kérj, ha egy személynek meg kell vizsgálnia a kinyert mezők mögötti indoklást.
A táblázatok megértése egy másik dokumentált hangsúlyos terület. A kérdéssel együtt add meg az oszlopneveket, a mértékegységeket és az érintett sorokat. Kérd a modelltől a feltételt teljesítő sorok azonosítását, az időszakok közötti változás magyarázatát vagy a táblázat írásos jelentéssé alakítását. Egy gyakorlati kimenet minden megállapítás mellett megőrizheti a sor azonosítóját. Így megmarad a kapcsolat a megadott adatok és a válasz között, nem pedig olyan összefoglaló készül, amelyhez nem követhető vissza a forrássor.
Hosszú szöveg írásához a dokumentum kérése előtt nevezd meg a célközönséget, a részeket és a forrásból származó tényeket. Egy műszaki javaslat megkövetelheti a probléma leírását, a követelményeket, az alternatívákat és az ajánlást, kizárólag a megadott anyag felhasználásával. Határozd meg, mely feltételek kötelezőek, és melyek tisztázandó kérdések. A gyártó a különböző rendszerpromptokkal szembeni robusztusságot is fejleszti, támogatva a meghatározott szerepet, hangnemet és beszélgetési feltételeket.
A család több mint 29 nyelvet támogat, köztük az angolt, kínait, oroszt, franciát, spanyolt, portugált, németet, olaszt, japánt, koreait, vietnámit, thait és arabot. Többnyelvű feladatnál különítsd el a forrásnyelvet a kívánt kimeneti nyelvtől, és adj terminológiai listát, ha a neveknek vagy műszaki kifejezéseknek következetesnek kell maradniuk. Egy kétnyelvű jelentés ugyanazokat a forrástényeket kérheti két változatban, az azonosítók és mértékegységek változatlan megőrzésével.
A változat modelladatai
A 32B-Instruct kiadásnak 32,5 milliárd paramétere van, ezen belül 31,0 milliárd a beágyazásokon kívüli paraméter, és 64 Transformer-réteget használ. Rotációs pozícióbeágyazásokat, SwiGLU-t, RMSNormot és attention QKV bias-t alkalmaz. A csoportosított lekérdezésű figyelem 40 lekérdezési fejet és 8 kulcs/érték fejet használ. Ez egy sűrű, csak dekóderből álló, előtanítással és utótanítással létrehozott nyelvmodell-kiadás; az Instruct a beszélgetésre tanított változatot jelöli az alapmodell helyett.
A kártya 131 072 tokenes teljes kontextust és legfeljebb 8 192 tokenes generálást ad meg. Ezek a számok a feladat különböző részeit írják le: a kontextus őrzi a promptot és a beszélgetést, míg a generálási érték az írásos választ korlátozza. A gyorsindítás 512 generált tokenje csupán példa a nagyobb, megadott generálási korláton belül. A modell szöveget fogad és ad vissza; egy beszkennelt táblázat vagy képernyőkép tartalmát szövegként vagy egy külön vizuális modellen keresztül kell elérhetővé tenni.
Beszélgetés és eszközök
A modellkártya külön rendszer- és felhasználói üzeneteket mutat be, amelyeket a hozzá tartozó csevegéssablon formáz. Az asszisztens tartós válaszszabályait a megfelelő beszélgetési szerepbe helyezd, a tényleges dokumentumot, táblázatot vagy kódot pedig a felhasználó feladatához. Jelöld az idézett forrásanyag és az utasítások határát, hogy a dokumentumban szereplő utasítás ne keveredjen össze az alkalmazás szándékolt feladatával.
A család hivatalos bejelentése kompatibilis beszélgetési sablonokon és modellkiszolgálási integrációkon keresztül dokumentálja az eszközhívás támogatását. Ilyen munkafolyamatban az alkalmazás adja meg a függvényleírásokat, fogadja a javasolt hívást, végrehajtja a függvényt és visszaadja az eredményét. Ez egy szöveges kérdést számítással vagy adatlekérdezéssel kapcsolhat össze, de önmagában e modell kiválasztása nem biztosítja a külső eszközt vagy annak adatait. A JSON előállítása és az eszközhívás is eltérő eredmény: az egyik szöveget formáz, a másik a környező alkalmazást kéri egy megnevezett művelet végrehajtására.
Hosszú kontextus előkészítése
A kiadott konfiguráció 32 768 tokenről indul. Az ezt meghaladó bemenetekhez a dokumentált YaRN-kiterjesztés szükséges, amelynek példájában a tényező 4.0, az eredeti maximális pozícióbeállítás pedig 32 768. A gyártó figyelmeztet arra, hogy a statikus skálázás befolyásolhatja a rövidebb szövegek kezelését, és akkor javasolja a bekapcsolását, amikor hosszú kontextus feldolgozására van szükség.
Nagy dokumentumok összehasonlításakor azonosítsd az egyes dokumentumok szerepét, és kérj egy jól meghatározott eredményt: követelménymátrixot, eltéréslistát vagy átdolgozott részt. A kinyert megállapítások mellett őrizd meg a forráshelyeket, és biztosíts elegendő választeret a kért szerkezethez. A hosszú kontextus kapacitása segít együtt tartani a releváns anyagot; nem helyettesíti annak meghatározását, hogy mit kell összehasonlítani, és hogyan használják majd a végeredményt.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen2.5-32b-instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Szöveges beszélgetés | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream |
Paramétercontrol_scope | SzerződésSzöveges beszélgetés; a stream logikai érték, alapértéke false. |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Metódus álnevei: /chat/completions
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructA Qwen2.5-32B-Instruct többnyelvű szövegmodell részletes utasításokhoz, programozáshoz, matematikához és strukturált adatokhoz. A 32,5 milliárd paraméteres változat a táblázatok megértésére, a JSON-kimenetre és a hosszú írásos eredményekre helyezi a hangsúlyt, dokumentált kiterjesztett kontextusbeállításokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen2.5-32B-Instruct az általános Qwen2.5 család utasításkövetésre finomhangolt, 32B méretű szövegmodellje. A nyelvi megértést és szövegalkotást programozással és matematikával ötvözi; ez nem a külön néven szereplő Coder vagy Math specialista modell. A gyártó különösen a részletes utasításkövetést, a hosszú szövegek írását, a táblázatok megértését és a strukturált szöveg, főként a JSON előállítását emeli ki. A család előtanításához használt korpuszt akár 18 billió tokenesnek ismerteti.
Strukturált adatok, hosszú válaszok és többnyelvű munka
Egy hasznos adatkinyerési feladat megadja a forrásrészletet és az alkalmazás következő lépéséhez szükséges pontos mezőket. Határozd meg a mezők típusát, hogy a megfogalmazást másolni vagy összefoglalni kell-e, valamint a hiányzó információ megjelenítését. Egy termékrekord például kérhet azonosítót, működési feltételeket és a tisztázatlan kérdések listáját. Csak a JSON-rekordot kérd, ha azt géppel kell feldolgozni, vagy külön magyarázatot kérj, ha egy személynek meg kell vizsgálnia a kinyert mezők mögötti indoklást.
A táblázatok megértése egy másik dokumentált hangsúlyos terület. A kérdéssel együtt add meg az oszlopneveket, a mértékegységeket és az érintett sorokat. Kérd a modelltől a feltételt teljesítő sorok azonosítását, az időszakok közötti változás magyarázatát vagy a táblázat írásos jelentéssé alakítását. Egy gyakorlati kimenet minden megállapítás mellett megőrizheti a sor azonosítóját. Így megmarad a kapcsolat a megadott adatok és a válasz között, nem pedig olyan összefoglaló készül, amelyhez nem követhető vissza a forrássor.
Hosszú szöveg írásához a dokumentum kérése előtt nevezd meg a célközönséget, a részeket és a forrásból származó tényeket. Egy műszaki javaslat megkövetelheti a probléma leírását, a követelményeket, az alternatívákat és az ajánlást, kizárólag a megadott anyag felhasználásával. Határozd meg, mely feltételek kötelezőek, és melyek tisztázandó kérdések. A gyártó a különböző rendszerpromptokkal szembeni robusztusságot is fejleszti, támogatva a meghatározott szerepet, hangnemet és beszélgetési feltételeket.
A család több mint 29 nyelvet támogat, köztük az angolt, kínait, oroszt, franciát, spanyolt, portugált, németet, olaszt, japánt, koreait, vietnámit, thait és arabot. Többnyelvű feladatnál különítsd el a forrásnyelvet a kívánt kimeneti nyelvtől, és adj terminológiai listát, ha a neveknek vagy műszaki kifejezéseknek következetesnek kell maradniuk. Egy kétnyelvű jelentés ugyanazokat a forrástényeket kérheti két változatban, az azonosítók és mértékegységek változatlan megőrzésével.
A változat modelladatai
A 32B-Instruct kiadásnak 32,5 milliárd paramétere van, ezen belül 31,0 milliárd a beágyazásokon kívüli paraméter, és 64 Transformer-réteget használ. Rotációs pozícióbeágyazásokat, SwiGLU-t, RMSNormot és attention QKV bias-t alkalmaz. A csoportosított lekérdezésű figyelem 40 lekérdezési fejet és 8 kulcs/érték fejet használ. Ez egy sűrű, csak dekóderből álló, előtanítással és utótanítással létrehozott nyelvmodell-kiadás; az Instruct a beszélgetésre tanított változatot jelöli az alapmodell helyett.
A kártya 131 072 tokenes teljes kontextust és legfeljebb 8 192 tokenes generálást ad meg. Ezek a számok a feladat különböző részeit írják le: a kontextus őrzi a promptot és a beszélgetést, míg a generálási érték az írásos választ korlátozza. A gyorsindítás 512 generált tokenje csupán példa a nagyobb, megadott generálási korláton belül. A modell szöveget fogad és ad vissza; egy beszkennelt táblázat vagy képernyőkép tartalmát szövegként vagy egy külön vizuális modellen keresztül kell elérhetővé tenni.
Beszélgetés és eszközök
A modellkártya külön rendszer- és felhasználói üzeneteket mutat be, amelyeket a hozzá tartozó csevegéssablon formáz. Az asszisztens tartós válaszszabályait a megfelelő beszélgetési szerepbe helyezd, a tényleges dokumentumot, táblázatot vagy kódot pedig a felhasználó feladatához. Jelöld az idézett forrásanyag és az utasítások határát, hogy a dokumentumban szereplő utasítás ne keveredjen össze az alkalmazás szándékolt feladatával.
A család hivatalos bejelentése kompatibilis beszélgetési sablonokon és modellkiszolgálási integrációkon keresztül dokumentálja az eszközhívás támogatását. Ilyen munkafolyamatban az alkalmazás adja meg a függvényleírásokat, fogadja a javasolt hívást, végrehajtja a függvényt és visszaadja az eredményét. Ez egy szöveges kérdést számítással vagy adatlekérdezéssel kapcsolhat össze, de önmagában e modell kiválasztása nem biztosítja a külső eszközt vagy annak adatait. A JSON előállítása és az eszközhívás is eltérő eredmény: az egyik szöveget formáz, a másik a környező alkalmazást kéri egy megnevezett művelet végrehajtására.
Hosszú kontextus előkészítése
A kiadott konfiguráció 32 768 tokenről indul. Az ezt meghaladó bemenetekhez a dokumentált YaRN-kiterjesztés szükséges, amelynek példájában a tényező 4.0, az eredeti maximális pozícióbeállítás pedig 32 768. A gyártó figyelmeztet arra, hogy a statikus skálázás befolyásolhatja a rövidebb szövegek kezelését, és akkor javasolja a bekapcsolását, amikor hosszú kontextus feldolgozására van szükség.
Nagy dokumentumok összehasonlításakor azonosítsd az egyes dokumentumok szerepét, és kérj egy jól meghatározott eredményt: követelménymátrixot, eltéréslistát vagy átdolgozott részt. A kinyert megállapítások mellett őrizd meg a forráshelyeket, és biztosíts elegendő választeret a kért szerkezethez. A hosszú kontextus kapacitása segít együtt tartani a releváns anyagot; nem helyettesíti annak meghatározását, hogy mit kell összehasonlítani, és hogyan használják majd a végeredményt.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen2.5-32b-instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra Qwen/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Technikai példa angolul
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.