Qwen2.5 72B Instruct adalah model teks besar yang disesuaikan untuk mengikuti instruksi dalam seri Qwen2.5 serbaguna dari Qwen. Model ini menghasilkan jawaban tertulis, kode, dan teks terstruktur dari instruksi dan percakapan. Kemampuannya mencakup pengetahuan umum, pemrograman, matematika, mengikuti instruksi terperinci, dan bekerja dengan tabel. Model ini berbeda dari checkpoint dasar Qwen2.5 serta edisi Coder, Math, dan visi-bahasa yang terpisah.
Model ini adalah Transformer dense dengan decoder saja dan total 72,7 miliar parameter, termasuk 70 miliar parameter non-embedding. Arsitektur yang dipublikasikan memiliki 80 lapisan dan grouped-query attention dengan 64 head kueri serta delapan head key/value, bersama rotary position embeddings, SwiGLU, dan RMSNorm. Data prapelatihan seri ini mencapai hingga 18 triliun token, diikuti pascapelatihan untuk penggunaan berbasis instruksi.
Kartu model khusus ini melaporkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Konfigurasi yang dipublikasikan dimulai pada 32.768 posisi; penggunaan konteks diperluas membutuhkan pengaturan penskalaan panjang dari pengembang. Kartu tersebut memperingatkan bahwa penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek dan menyarankan pengaktifannya ketika masukan panjang dibutuhkan. Angka tersebut membedakan kemampuan penuh model dari konfigurasi checkpoint bawaan yang dipakai dalam penerapan tertentu.
Untuk pekerjaan dokumen panjang, tentukan bagian yang perlu ditelaah dan artefak yang harus dikembalikan: perbandingan, kerangka, ringkasan, atau kumpulan fakta yang diekstrak. Pastikan instruksi, teks sumber, dan jawaban yang diminta berada dalam konteks yang tersedia. Laporan panjang terbantu oleh rencana bagian dan prioritas eksplisit agar keluaran mengikuti tugas, bukan menghabiskan panjang generasi untuk pengantar yang tidak berkaitan.
Pemahaman data terstruktur dan generasi JSON merupakan bagian penting dari rilis ini. Berikan judul kolom tabel, satuan, dan konvensi nilai yang hilang sebelum meminta transformasi. Untuk tugas ekstraksi, tentukan bidang keluaran dan minta model membedakan nilai yang disebutkan dalam sumber dari informasi yang tidak ada. Aplikasi kemudian dapat mengurai dan memeriksa hasil terhadap struktur yang diharapkan. Menghasilkan JSON saja tidak menjadikan skema tertentu sebagai kontrak keluaran yang dijamin.
Qwen mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi aplikasi yang kompatibel. Berikan deskripsi fungsi serta informasi yang dibutuhkan tiap fungsi. Model menyiapkan usulan pemanggilan; aplikasi mengeksekusinya dan menyediakan hasil untuk giliran berikutnya. Tugas data yang bermanfaat dapat mengambil rekaman, membandingkannya dengan pertanyaan pengguna, dan mengembalikan penjelasan ringkas yang terkait dengan bidang yang diambil. Eksekusi dan akses ke sistem eksternal disediakan oleh aplikasi yang membungkus model.
Pengembang menjelaskan dukungan untuk lebih dari 29 bahasa, termasuk Tionghoa, Inggris, Prancis, Spanyol, Portugis, Jerman, Italia, Rusia, Jepang, Korea, Vietnam, Thai, dan Arab. Fleksibilitas prompt sistem juga mendukung penetapan peran dan ketentuan chatbot. Untuk kode atau matematika, berikan implementasi atau premis yang relevan dan minta jawaban beserta pemeriksaan atau langkah perantara yang dibutuhkan untuk menilainya. Untuk keluaran multibahasa, nyatakan bahasa sasaran dan istilah yang perlu dipertahankan agar hasil sesuai dengan audiens yang dituju.
", "aboutText": "Qwen2.5 72B Instruct adalah model teks besar yang disesuaikan untuk mengikuti instruksi dalam seri Qwen2.5 serbaguna dari Qwen. Model ini menghasilkan jawaban tertulis, kode, dan teks terstruktur dari instruksi dan percakapan. Kemampuannya mencakup pengetahuan umum, pemrograman, matematika, mengikuti instruksi terperinci, dan bekerja dengan tabel. Model ini berbeda dari checkpoint dasar Qwen2.5 serta edisi Coder, Math, dan visi-bahasa yang terpisah.\n\nModel ini adalah Transformer dense dengan decoder saja dan total 72,7 miliar parameter, termasuk 70 miliar parameter non-embedding. Arsitektur yang dipublikasikan memiliki 80 lapisan dan grouped-query attention dengan 64 head kueri serta delapan head key/value, bersama rotary position embeddings, SwiGLU, dan RMSNorm. Data prapelatihan seri ini mencapai hingga 18 triliun token, diikuti pascapelatihan untuk penggunaan berbasis instruksi.\n\nKartu model khusus ini melaporkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Konfigurasi yang dipublikasikan dimulai pada 32.768 posisi; penggunaan konteks diperluas membutuhkan pengaturan penskalaan panjang dari pengembang. Kartu tersebut memperingatkan bahwa penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek dan menyarankan pengaktifannya ketika masukan panjang dibutuhkan. Angka tersebut membedakan kemampuan penuh model dari konfigurasi checkpoint bawaan yang dipakai dalam penerapan tertentu.\n\nUntuk pekerjaan dokumen panjang, tentukan bagian yang perlu ditelaah dan artefak yang harus dikembalikan: perbandingan, kerangka, ringkasan, atau kumpulan fakta yang diekstrak. Pastikan instruksi, teks sumber, dan jawaban yang diminta berada dalam konteks yang tersedia. Laporan panjang terbantu oleh rencana bagian dan prioritas eksplisit agar keluaran mengikuti tugas, bukan menghabiskan panjang generasi untuk pengantar yang tidak berkaitan.\n\nPemahaman data terstruktur dan generasi JSON merupakan bagian penting dari rilis ini. Berikan judul kolom tabel, satuan, dan konvensi nilai yang hilang sebelum meminta transformasi. Untuk tugas ekstraksi, tentukan bidang keluaran dan minta model membedakan nilai yang disebutkan dalam sumber dari informasi yang tidak ada. Aplikasi kemudian dapat mengurai dan memeriksa hasil terhadap struktur yang diharapkan. Menghasilkan JSON saja tidak menjadikan skema tertentu sebagai kontrak keluaran yang dijamin.\n\nQwen mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi aplikasi yang kompatibel. Berikan deskripsi fungsi serta informasi yang dibutuhkan tiap fungsi. Model menyiapkan usulan pemanggilan; aplikasi mengeksekusinya dan menyediakan hasil untuk giliran berikutnya. Tugas data yang bermanfaat dapat mengambil rekaman, membandingkannya dengan pertanyaan pengguna, dan mengembalikan penjelasan ringkas yang terkait dengan bidang yang diambil. Eksekusi dan akses ke sistem eksternal disediakan oleh aplikasi yang membungkus model.\n\nPengembang menjelaskan dukungan untuk lebih dari 29 bahasa, termasuk Tionghoa, Inggris, Prancis, Spanyol, Portugis, Jerman, Italia, Rusia, Jepang, Korea, Vietnam, Thai, dan Arab. Fleksibilitas prompt sistem juga mendukung penetapan peran dan ketentuan chatbot. Untuk kode atau matematika, berikan implementasi atau premis yang relevan dan minta jawaban beserta pemeriksaan atau langkah perantara yang dibutuhkan untuk menilainya. Untuk keluaran multibahasa, nyatakan bahasa sasaran dan istilah yang perlu dipertahankan agar hasil sesuai dengan audiens yang dituju.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct adalah model teks berarsitektur dense dari Qwen yang disesuaikan untuk mengikuti instruksi, untuk percakapan multibahasa, kode, matematika, dan data terstruktur. Pengembang mendokumentasikan konteks diperluas 131.072 token, generasi 8.192 token, dan templat pemanggilan alat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5 72B Instruct adalah model teks besar yang disesuaikan untuk mengikuti instruksi dalam seri Qwen2.5 serbaguna dari Qwen. Model ini menghasilkan jawaban tertulis, kode, dan teks terstruktur dari instruksi dan percakapan. Kemampuannya mencakup pengetahuan umum, pemrograman, matematika, mengikuti instruksi terperinci, dan bekerja dengan tabel. Model ini berbeda dari checkpoint dasar Qwen2.5 serta edisi Coder, Math, dan visi-bahasa yang terpisah.
Model ini adalah Transformer dense dengan decoder saja dan total 72,7 miliar parameter, termasuk 70 miliar parameter non-embedding. Arsitektur yang dipublikasikan memiliki 80 lapisan dan grouped-query attention dengan 64 head kueri serta delapan head key/value, bersama rotary position embeddings, SwiGLU, dan RMSNorm. Data prapelatihan seri ini mencapai hingga 18 triliun token, diikuti pascapelatihan untuk penggunaan berbasis instruksi.
Kartu model khusus ini melaporkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Konfigurasi yang dipublikasikan dimulai pada 32.768 posisi; penggunaan konteks diperluas membutuhkan pengaturan penskalaan panjang dari pengembang. Kartu tersebut memperingatkan bahwa penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek dan menyarankan pengaktifannya ketika masukan panjang dibutuhkan. Angka tersebut membedakan kemampuan penuh model dari konfigurasi checkpoint bawaan yang dipakai dalam penerapan tertentu.
Untuk pekerjaan dokumen panjang, tentukan bagian yang perlu ditelaah dan artefak yang harus dikembalikan: perbandingan, kerangka, ringkasan, atau kumpulan fakta yang diekstrak. Pastikan instruksi, teks sumber, dan jawaban yang diminta berada dalam konteks yang tersedia. Laporan panjang terbantu oleh rencana bagian dan prioritas eksplisit agar keluaran mengikuti tugas, bukan menghabiskan panjang generasi untuk pengantar yang tidak berkaitan.
Pemahaman data terstruktur dan generasi JSON merupakan bagian penting dari rilis ini. Berikan judul kolom tabel, satuan, dan konvensi nilai yang hilang sebelum meminta transformasi. Untuk tugas ekstraksi, tentukan bidang keluaran dan minta model membedakan nilai yang disebutkan dalam sumber dari informasi yang tidak ada. Aplikasi kemudian dapat mengurai dan memeriksa hasil terhadap struktur yang diharapkan. Menghasilkan JSON saja tidak menjadikan skema tertentu sebagai kontrak keluaran yang dijamin.
Qwen mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi aplikasi yang kompatibel. Berikan deskripsi fungsi serta informasi yang dibutuhkan tiap fungsi. Model menyiapkan usulan pemanggilan; aplikasi mengeksekusinya dan menyediakan hasil untuk giliran berikutnya. Tugas data yang bermanfaat dapat mengambil rekaman, membandingkannya dengan pertanyaan pengguna, dan mengembalikan penjelasan ringkas yang terkait dengan bidang yang diambil. Eksekusi dan akses ke sistem eksternal disediakan oleh aplikasi yang membungkus model.
Pengembang menjelaskan dukungan untuk lebih dari 29 bahasa, termasuk Tionghoa, Inggris, Prancis, Spanyol, Portugis, Jerman, Italia, Rusia, Jepang, Korea, Vietnam, Thai, dan Arab. Fleksibilitas prompt sistem juga mendukung penetapan peran dan ketentuan chatbot. Untuk kode atau matematika, berikan implementasi atau premis yang relevan dan minta jawaban beserta pemeriksaan atau langkah perantara yang dibutuhkan untuk menilainya. Untuk keluaran multibahasa, nyatakan bahasa sasaran dan istilah yang perlu dipertahankan agar hasil sesuai dengan audiens yang dituju.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen-2.5-72b-instruct | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00118 / 1K token Keluaran · Token keluaran $0.00118 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00118 / 1K token Keluaran · Token keluaran $0.00118 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen-2.5-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen-2.5-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen-2.5-72b-instruct
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct adalah model teks berarsitektur dense dari Qwen yang disesuaikan untuk mengikuti instruksi, untuk percakapan multibahasa, kode, matematika, dan data terstruktur. Pengembang mendokumentasikan konteks diperluas 131.072 token, generasi 8.192 token, dan templat pemanggilan alat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5 72B Instruct adalah model teks besar yang disesuaikan untuk mengikuti instruksi dalam seri Qwen2.5 serbaguna dari Qwen. Model ini menghasilkan jawaban tertulis, kode, dan teks terstruktur dari instruksi dan percakapan. Kemampuannya mencakup pengetahuan umum, pemrograman, matematika, mengikuti instruksi terperinci, dan bekerja dengan tabel. Model ini berbeda dari checkpoint dasar Qwen2.5 serta edisi Coder, Math, dan visi-bahasa yang terpisah.
Model ini adalah Transformer dense dengan decoder saja dan total 72,7 miliar parameter, termasuk 70 miliar parameter non-embedding. Arsitektur yang dipublikasikan memiliki 80 lapisan dan grouped-query attention dengan 64 head kueri serta delapan head key/value, bersama rotary position embeddings, SwiGLU, dan RMSNorm. Data prapelatihan seri ini mencapai hingga 18 triliun token, diikuti pascapelatihan untuk penggunaan berbasis instruksi.
Kartu model khusus ini melaporkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Konfigurasi yang dipublikasikan dimulai pada 32.768 posisi; penggunaan konteks diperluas membutuhkan pengaturan penskalaan panjang dari pengembang. Kartu tersebut memperingatkan bahwa penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek dan menyarankan pengaktifannya ketika masukan panjang dibutuhkan. Angka tersebut membedakan kemampuan penuh model dari konfigurasi checkpoint bawaan yang dipakai dalam penerapan tertentu.
Untuk pekerjaan dokumen panjang, tentukan bagian yang perlu ditelaah dan artefak yang harus dikembalikan: perbandingan, kerangka, ringkasan, atau kumpulan fakta yang diekstrak. Pastikan instruksi, teks sumber, dan jawaban yang diminta berada dalam konteks yang tersedia. Laporan panjang terbantu oleh rencana bagian dan prioritas eksplisit agar keluaran mengikuti tugas, bukan menghabiskan panjang generasi untuk pengantar yang tidak berkaitan.
Pemahaman data terstruktur dan generasi JSON merupakan bagian penting dari rilis ini. Berikan judul kolom tabel, satuan, dan konvensi nilai yang hilang sebelum meminta transformasi. Untuk tugas ekstraksi, tentukan bidang keluaran dan minta model membedakan nilai yang disebutkan dalam sumber dari informasi yang tidak ada. Aplikasi kemudian dapat mengurai dan memeriksa hasil terhadap struktur yang diharapkan. Menghasilkan JSON saja tidak menjadikan skema tertentu sebagai kontrak keluaran yang dijamin.
Qwen mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi aplikasi yang kompatibel. Berikan deskripsi fungsi serta informasi yang dibutuhkan tiap fungsi. Model menyiapkan usulan pemanggilan; aplikasi mengeksekusinya dan menyediakan hasil untuk giliran berikutnya. Tugas data yang bermanfaat dapat mengambil rekaman, membandingkannya dengan pertanyaan pengguna, dan mengembalikan penjelasan ringkas yang terkait dengan bidang yang diambil. Eksekusi dan akses ke sistem eksternal disediakan oleh aplikasi yang membungkus model.
Pengembang menjelaskan dukungan untuk lebih dari 29 bahasa, termasuk Tionghoa, Inggris, Prancis, Spanyol, Portugis, Jerman, Italia, Rusia, Jepang, Korea, Vietnam, Thai, dan Arab. Fleksibilitas prompt sistem juga mendukung penetapan peran dan ketentuan chatbot. Untuk kode atau matematika, berikan implementasi atau premis yang relevan dan minta jawaban beserta pemeriksaan atau langkah perantara yang dibutuhkan untuk menilainya. Untuk keluaran multibahasa, nyatakan bahasa sasaran dan istilah yang perlu dipertahankan agar hasil sesuai dengan audiens yang dituju.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen-2.5-72b-instruct | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00118 / 1K token Keluaran · Token keluaran $0.00118 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00118 / 1K token Keluaran · Token keluaran $0.00118 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen-2.5-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen-2.5-72b-instruct
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.