Qwen2.5-14B-Instruct adalah edisi berukuran 14B yang disesuaikan untuk mengikuti instruksi dari keluarga Qwen2.5 umum. Model menerima percakapan teks dan mengembalikan teks: penjelasan, dokumen, kode program, atau bidang terstruktur. Pengembang menekankan mengikuti instruksi, pemrograman, matematika, memahami data terstruktur seperti tabel, dan menghasilkan jawaban terstruktur, khususnya JSON.
Peningkatan pada keluarga model
Pengembang menjelaskan pengetahuan lebih luas serta kemampuan pemrograman dan matematika lebih kuat daripada generasi Qwen2 sebelumnya, bersama generasi jawaban panjang dan penanganan lebih baik terhadap instruksi sistem yang bervariasi. Keluarga ini memakai korpus prapelatihan yang dijelaskan mencapai 18 triliun token. Kemampuan tersebut mendukung asisten bidang tertentu yang peran dan keluarannya ditentukan oleh tugas. Model ini tetap edisi Instruct umum; lini Qwen2.5-Coder dan Qwen2.5-Math yang dinamai terpisah memiliki spesialisasi sendiri.
Asisten proses dapat menerima prosedur dan pertanyaan tentang satu tahap. Tentukan peran pembaca, minta tindakan relevan untuk tahap itu, dan wajibkan jawaban mempertahankan ketentuan asli prosedur. Keluaran bermanfaat dapat memisahkan tindakan berikutnya, kondisi yang membuatnya berlaku, dan informasi yang masih diperlukan. Ini mengubah permintaan saran luas menjadi respons yang terkait dengan proses yang diberikan.
Untuk penjelasan kode, berikan fungsi, definisi fungsi pembantu yang relevan, dan masukan yang menimbulkan kebingungan. Minta urutan operasi dan nilai yang dikembalikan untuk masukan tersebut. Untuk penjelasan matematika, nyatakan simbol, asumsi, dan ekspresi sasaran sebelum meminta penurunan. Kedua tugas memakai teks; menjalankan program atau menyediakan alat numerik terpisah merupakan pekerjaan aplikasi yang membungkus model.
Tabel dan JSON
Untuk pertanyaan tabel, pertahankan judul kolom dan satuan, sebutkan baris relevan, dan tentukan perbandingan. Keluaran yang diinginkan dapat mencantumkan pengenal baris yang sesuai dan menjelaskan ketentuan mana yang dipenuhi setiap baris. Jika tabel memiliki nilai yang hilang, nyatakan apakah jawaban perlu membiarkannya kosong atau merepresentasikannya secara eksplisit.
Untuk ekstraksi terstruktur, tunjukkan nama bidang dan tipe yang diperlukan. Masukan seperti pengenal barang, kuantitas stok, dan label gudang dapat diubah menjadi rekaman dengan bidang yang sama. Minta rekaman saja ketika aplikasi akan mengurainya; minta penjelasan prosa terpisah ketika pengguna perlu memeriksa interpretasi sumber. Kemampuan generasi JSON model yang didokumentasikan berbeda dari antarmuka tertentu yang menerapkan skema secara wajib.
Percakapan multibahasa didukung dalam lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Jerman, Prancis, Spanyol, Portugis, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Tetapkan bahasa akhir dan berikan istilah yang harus tetap tidak berubah. Untuk penjelasan teknis yang diterjemahkan, minta model mempertahankan nama variabel, label yang dikutip, dan satuan sambil menyesuaikan prosa di sekitarnya bagi pembaca.
Rilis 14B khusus
Kartu melaporkan 14,7 miliar parameter, termasuk 13,1 miliar parameter non-embedding, dan 48 lapisan Transformer. Arsitekturnya menggunakan rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias, dengan 40 head kueri dan 8 head key/value dalam grouped-query attention. Prapelatihan dan pascapelatihan menghasilkan edisi Instruct ini. Jumlah parameter dan lapisannya berbeda dari edisi 32B, bahkan ketika kemampuan keluarga dan angka konteks yang dipublikasikan sama.
Kartu model mencantumkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka pertama terkait percakapan dan materi yang disimpan untuk tugas; angka kedua terkait jawaban yang dihasilkan. Pengaturan generasi 512 token pada panduan mulai cepat hanya contoh dan tidak menggantikan kapasitas jawaban yang dinyatakan dalam kartu. Pemahaman gambar, video, dan audio termasuk rilis multimodal bernama terpisah, bukan model teks ini.
Format masukan dan tugas berbantuan alat
Contoh pengembang menerapkan templat chat yang sesuai pada pesan sistem dan pengguna yang berbeda. Tentukan peran asisten dan aturan respons secara terpisah dari materi yang diperiksa. Berikan pertanyaan lengkap dan labeli teks sumber agar instruksi yang dikutip di dalam sumber tidak tertukar dengan tugas yang diberikan aplikasi.
Pengumuman resmi Qwen2.5 juga menjelaskan templat pemanggilan alat dan integrasi kompatibel. Tugas berbantuan alat membutuhkan aplikasi yang membungkus model untuk menyediakan deskripsi fungsi, mengeksekusi operasi pilihan, dan memberikan hasilnya bagi jawaban berikutnya. Misalnya, percakapan dapat meminta perhitungan menggunakan alat hitung yang diberikan; hasil fungsi kemudian menjadi informasi yang dapat dijelaskan model. Ketersediaan dan eksekusi alat berasal dari integrasi tersebut, sedangkan rilis ini menyediakan perilaku teks percakapan.
Konfigurasi teks panjang
Konfigurasi yang dipublikasikan awalnya mencakup 32.768 token. Perluasan yang didokumentasikan untuk masukan lebih panjang memakai YaRN, dengan contoh faktor penskalaan 4,0 dan pengaturan posisi maksimum awal 32.768. Penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek, jadi pengembang menyarankan penambahannya ketika konteks panjang dibutuhkan.
Saat menyiapkan sumber panjang, tentukan bagian yang perlu direvisi atau pertanyaan yang perlu dijawab dan pertahankan bagian pendukung bersama. Permintaan jelas dapat meminta bagian yang diperbaiki, tabel perubahan, dan referensi bagian asli. Ini memakai konteks diperluas untuk artefak konkret sambil menjaga jawaban dalam batas generasi yang terpisah.
", "aboutText": "Qwen2.5-14B-Instruct adalah edisi berukuran 14B yang disesuaikan untuk mengikuti instruksi dari keluarga Qwen2.5 umum. Model menerima percakapan teks dan mengembalikan teks: penjelasan, dokumen, kode program, atau bidang terstruktur. Pengembang menekankan mengikuti instruksi, pemrograman, matematika, memahami data terstruktur seperti tabel, dan menghasilkan jawaban terstruktur, khususnya JSON.\n\nPeningkatan pada keluarga model\n\nPengembang menjelaskan pengetahuan lebih luas serta kemampuan pemrograman dan matematika lebih kuat daripada generasi Qwen2 sebelumnya, bersama generasi jawaban panjang dan penanganan lebih baik terhadap instruksi sistem yang bervariasi. Keluarga ini memakai korpus prapelatihan yang dijelaskan mencapai 18 triliun token. Kemampuan tersebut mendukung asisten bidang tertentu yang peran dan keluarannya ditentukan oleh tugas. Model ini tetap edisi Instruct umum; lini Qwen2.5-Coder dan Qwen2.5-Math yang dinamai terpisah memiliki spesialisasi sendiri.\n\nAsisten proses dapat menerima prosedur dan pertanyaan tentang satu tahap. Tentukan peran pembaca, minta tindakan relevan untuk tahap itu, dan wajibkan jawaban mempertahankan ketentuan asli prosedur. Keluaran bermanfaat dapat memisahkan tindakan berikutnya, kondisi yang membuatnya berlaku, dan informasi yang masih diperlukan. Ini mengubah permintaan saran luas menjadi respons yang terkait dengan proses yang diberikan.\n\nUntuk penjelasan kode, berikan fungsi, definisi fungsi pembantu yang relevan, dan masukan yang menimbulkan kebingungan. Minta urutan operasi dan nilai yang dikembalikan untuk masukan tersebut. Untuk penjelasan matematika, nyatakan simbol, asumsi, dan ekspresi sasaran sebelum meminta penurunan. Kedua tugas memakai teks; menjalankan program atau menyediakan alat numerik terpisah merupakan pekerjaan aplikasi yang membungkus model.\n\nTabel dan JSON\n\nUntuk pertanyaan tabel, pertahankan judul kolom dan satuan, sebutkan baris relevan, dan tentukan perbandingan. Keluaran yang diinginkan dapat mencantumkan pengenal baris yang sesuai dan menjelaskan ketentuan mana yang dipenuhi setiap baris. Jika tabel memiliki nilai yang hilang, nyatakan apakah jawaban perlu membiarkannya kosong atau merepresentasikannya secara eksplisit.\n\nUntuk ekstraksi terstruktur, tunjukkan nama bidang dan tipe yang diperlukan. Masukan seperti pengenal barang, kuantitas stok, dan label gudang dapat diubah menjadi rekaman dengan bidang yang sama. Minta rekaman saja ketika aplikasi akan mengurainya; minta penjelasan prosa terpisah ketika pengguna perlu memeriksa interpretasi sumber. Kemampuan generasi JSON model yang didokumentasikan berbeda dari antarmuka tertentu yang menerapkan skema secara wajib.\n\nPercakapan multibahasa didukung dalam lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Jerman, Prancis, Spanyol, Portugis, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Tetapkan bahasa akhir dan berikan istilah yang harus tetap tidak berubah. Untuk penjelasan teknis yang diterjemahkan, minta model mempertahankan nama variabel, label yang dikutip, dan satuan sambil menyesuaikan prosa di sekitarnya bagi pembaca.\n\nRilis 14B khusus\n\nKartu melaporkan 14,7 miliar parameter, termasuk 13,1 miliar parameter non-embedding, dan 48 lapisan Transformer. Arsitekturnya menggunakan rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias, dengan 40 head kueri dan 8 head key/value dalam grouped-query attention. Prapelatihan dan pascapelatihan menghasilkan edisi Instruct ini. Jumlah parameter dan lapisannya berbeda dari edisi 32B, bahkan ketika kemampuan keluarga dan angka konteks yang dipublikasikan sama.\n\nKartu model mencantumkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka pertama terkait percakapan dan materi yang disimpan untuk tugas; angka kedua terkait jawaban yang dihasilkan. Pengaturan generasi 512 token pada panduan mulai cepat hanya contoh dan tidak menggantikan kapasitas jawaban yang dinyatakan dalam kartu. Pemahaman gambar, video, dan audio termasuk rilis multimodal bernama terpisah, bukan model teks ini.\n\nFormat masukan dan tugas berbantuan alat\n\nContoh pengembang menerapkan templat chat yang sesuai pada pesan sistem dan pengguna yang berbeda. Tentukan peran asisten dan aturan respons secara terpisah dari materi yang diperiksa. Berikan pertanyaan lengkap dan labeli teks sumber agar instruksi yang dikutip di dalam sumber tidak tertukar dengan tugas yang diberikan aplikasi.\n\nPengumuman resmi Qwen2.5 juga menjelaskan templat pemanggilan alat dan integrasi kompatibel. Tugas berbantuan alat membutuhkan aplikasi yang membungkus model untuk menyediakan deskripsi fungsi, mengeksekusi operasi pilihan, dan memberikan hasilnya bagi jawaban berikutnya. Misalnya, percakapan dapat meminta perhitungan menggunakan alat hitung yang diberikan; hasil fungsi kemudian menjadi informasi yang dapat dijelaskan model. Ketersediaan dan eksekusi alat berasal dari integrasi tersebut, sedangkan rilis ini menyediakan perilaku teks percakapan.\n\nKonfigurasi teks panjang\n\nKonfigurasi yang dipublikasikan awalnya mencakup 32.768 token. Perluasan yang didokumentasikan untuk masukan lebih panjang memakai YaRN, dengan contoh faktor penskalaan 4,0 dan pengaturan posisi maksimum awal 32.768. Penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek, jadi pengembang menyarankan penambahannya ketika konteks panjang dibutuhkan.\n\nSaat menyiapkan sumber panjang, tentukan bagian yang perlu direvisi atau pertanyaan yang perlu dijawab dan pertahankan bagian pendukung bersama. Permintaan jelas dapat meminta bagian yang diperbaiki, tabel perubahan, dan referensi bagian asli. Ini memakai konteks diperluas untuk artefak konkret sambil menjaga jawaban dalam batas generasi yang terpisah.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct adalah model teks multibahasa untuk asisten berbasis instruksi, kode, dan matematika. Rilis khusus dengan 14,7 miliar parameter ini mendukung interpretasi tabel, generasi JSON, dan batas jawaban 8.192 token, dengan konfigurasi konteks diperluas untuk masukan panjang.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-14B-Instruct adalah edisi berukuran 14B yang disesuaikan untuk mengikuti instruksi dari keluarga Qwen2.5 umum. Model menerima percakapan teks dan mengembalikan teks: penjelasan, dokumen, kode program, atau bidang terstruktur. Pengembang menekankan mengikuti instruksi, pemrograman, matematika, memahami data terstruktur seperti tabel, dan menghasilkan jawaban terstruktur, khususnya JSON.
Peningkatan pada keluarga model
Pengembang menjelaskan pengetahuan lebih luas serta kemampuan pemrograman dan matematika lebih kuat daripada generasi Qwen2 sebelumnya, bersama generasi jawaban panjang dan penanganan lebih baik terhadap instruksi sistem yang bervariasi. Keluarga ini memakai korpus prapelatihan yang dijelaskan mencapai 18 triliun token. Kemampuan tersebut mendukung asisten bidang tertentu yang peran dan keluarannya ditentukan oleh tugas. Model ini tetap edisi Instruct umum; lini Qwen2.5-Coder dan Qwen2.5-Math yang dinamai terpisah memiliki spesialisasi sendiri.
Asisten proses dapat menerima prosedur dan pertanyaan tentang satu tahap. Tentukan peran pembaca, minta tindakan relevan untuk tahap itu, dan wajibkan jawaban mempertahankan ketentuan asli prosedur. Keluaran bermanfaat dapat memisahkan tindakan berikutnya, kondisi yang membuatnya berlaku, dan informasi yang masih diperlukan. Ini mengubah permintaan saran luas menjadi respons yang terkait dengan proses yang diberikan.
Untuk penjelasan kode, berikan fungsi, definisi fungsi pembantu yang relevan, dan masukan yang menimbulkan kebingungan. Minta urutan operasi dan nilai yang dikembalikan untuk masukan tersebut. Untuk penjelasan matematika, nyatakan simbol, asumsi, dan ekspresi sasaran sebelum meminta penurunan. Kedua tugas memakai teks; menjalankan program atau menyediakan alat numerik terpisah merupakan pekerjaan aplikasi yang membungkus model.
Tabel dan JSON
Untuk pertanyaan tabel, pertahankan judul kolom dan satuan, sebutkan baris relevan, dan tentukan perbandingan. Keluaran yang diinginkan dapat mencantumkan pengenal baris yang sesuai dan menjelaskan ketentuan mana yang dipenuhi setiap baris. Jika tabel memiliki nilai yang hilang, nyatakan apakah jawaban perlu membiarkannya kosong atau merepresentasikannya secara eksplisit.
Untuk ekstraksi terstruktur, tunjukkan nama bidang dan tipe yang diperlukan. Masukan seperti pengenal barang, kuantitas stok, dan label gudang dapat diubah menjadi rekaman dengan bidang yang sama. Minta rekaman saja ketika aplikasi akan mengurainya; minta penjelasan prosa terpisah ketika pengguna perlu memeriksa interpretasi sumber. Kemampuan generasi JSON model yang didokumentasikan berbeda dari antarmuka tertentu yang menerapkan skema secara wajib.
Percakapan multibahasa didukung dalam lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Jerman, Prancis, Spanyol, Portugis, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Tetapkan bahasa akhir dan berikan istilah yang harus tetap tidak berubah. Untuk penjelasan teknis yang diterjemahkan, minta model mempertahankan nama variabel, label yang dikutip, dan satuan sambil menyesuaikan prosa di sekitarnya bagi pembaca.
Rilis 14B khusus
Kartu melaporkan 14,7 miliar parameter, termasuk 13,1 miliar parameter non-embedding, dan 48 lapisan Transformer. Arsitekturnya menggunakan rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias, dengan 40 head kueri dan 8 head key/value dalam grouped-query attention. Prapelatihan dan pascapelatihan menghasilkan edisi Instruct ini. Jumlah parameter dan lapisannya berbeda dari edisi 32B, bahkan ketika kemampuan keluarga dan angka konteks yang dipublikasikan sama.
Kartu model mencantumkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka pertama terkait percakapan dan materi yang disimpan untuk tugas; angka kedua terkait jawaban yang dihasilkan. Pengaturan generasi 512 token pada panduan mulai cepat hanya contoh dan tidak menggantikan kapasitas jawaban yang dinyatakan dalam kartu. Pemahaman gambar, video, dan audio termasuk rilis multimodal bernama terpisah, bukan model teks ini.
Format masukan dan tugas berbantuan alat
Contoh pengembang menerapkan templat chat yang sesuai pada pesan sistem dan pengguna yang berbeda. Tentukan peran asisten dan aturan respons secara terpisah dari materi yang diperiksa. Berikan pertanyaan lengkap dan labeli teks sumber agar instruksi yang dikutip di dalam sumber tidak tertukar dengan tugas yang diberikan aplikasi.
Pengumuman resmi Qwen2.5 juga menjelaskan templat pemanggilan alat dan integrasi kompatibel. Tugas berbantuan alat membutuhkan aplikasi yang membungkus model untuk menyediakan deskripsi fungsi, mengeksekusi operasi pilihan, dan memberikan hasilnya bagi jawaban berikutnya. Misalnya, percakapan dapat meminta perhitungan menggunakan alat hitung yang diberikan; hasil fungsi kemudian menjadi informasi yang dapat dijelaskan model. Ketersediaan dan eksekusi alat berasal dari integrasi tersebut, sedangkan rilis ini menyediakan perilaku teks percakapan.
Konfigurasi teks panjang
Konfigurasi yang dipublikasikan awalnya mencakup 32.768 token. Perluasan yang didokumentasikan untuk masukan lebih panjang memakai YaRN, dengan contoh faktor penskalaan 4,0 dan pengaturan posisi maksimum awal 32.768. Penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek, jadi pengembang menyarankan penambahannya ketika konteks panjang dibutuhkan.
Saat menyiapkan sumber panjang, tentukan bagian yang perlu direvisi atau pertanyaan yang perlu dijawab dan pertahankan bagian pendukung bersama. Permintaan jelas dapat meminta bagian yang diperbaiki, tabel perubahan, dan referensi bagian asli. Ini memakai konteks diperluas untuk artefak konkret sambil menjaga jawaban dalam batas generasi yang terpisah.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Qwen/Qwen2.5-14B-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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0002 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2.5-14B-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/Qwen2.5-14B-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/Qwen2.5-14B-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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct adalah model teks multibahasa untuk asisten berbasis instruksi, kode, dan matematika. Rilis khusus dengan 14,7 miliar parameter ini mendukung interpretasi tabel, generasi JSON, dan batas jawaban 8.192 token, dengan konfigurasi konteks diperluas untuk masukan panjang.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-14B-Instruct adalah edisi berukuran 14B yang disesuaikan untuk mengikuti instruksi dari keluarga Qwen2.5 umum. Model menerima percakapan teks dan mengembalikan teks: penjelasan, dokumen, kode program, atau bidang terstruktur. Pengembang menekankan mengikuti instruksi, pemrograman, matematika, memahami data terstruktur seperti tabel, dan menghasilkan jawaban terstruktur, khususnya JSON.
Peningkatan pada keluarga model
Pengembang menjelaskan pengetahuan lebih luas serta kemampuan pemrograman dan matematika lebih kuat daripada generasi Qwen2 sebelumnya, bersama generasi jawaban panjang dan penanganan lebih baik terhadap instruksi sistem yang bervariasi. Keluarga ini memakai korpus prapelatihan yang dijelaskan mencapai 18 triliun token. Kemampuan tersebut mendukung asisten bidang tertentu yang peran dan keluarannya ditentukan oleh tugas. Model ini tetap edisi Instruct umum; lini Qwen2.5-Coder dan Qwen2.5-Math yang dinamai terpisah memiliki spesialisasi sendiri.
Asisten proses dapat menerima prosedur dan pertanyaan tentang satu tahap. Tentukan peran pembaca, minta tindakan relevan untuk tahap itu, dan wajibkan jawaban mempertahankan ketentuan asli prosedur. Keluaran bermanfaat dapat memisahkan tindakan berikutnya, kondisi yang membuatnya berlaku, dan informasi yang masih diperlukan. Ini mengubah permintaan saran luas menjadi respons yang terkait dengan proses yang diberikan.
Untuk penjelasan kode, berikan fungsi, definisi fungsi pembantu yang relevan, dan masukan yang menimbulkan kebingungan. Minta urutan operasi dan nilai yang dikembalikan untuk masukan tersebut. Untuk penjelasan matematika, nyatakan simbol, asumsi, dan ekspresi sasaran sebelum meminta penurunan. Kedua tugas memakai teks; menjalankan program atau menyediakan alat numerik terpisah merupakan pekerjaan aplikasi yang membungkus model.
Tabel dan JSON
Untuk pertanyaan tabel, pertahankan judul kolom dan satuan, sebutkan baris relevan, dan tentukan perbandingan. Keluaran yang diinginkan dapat mencantumkan pengenal baris yang sesuai dan menjelaskan ketentuan mana yang dipenuhi setiap baris. Jika tabel memiliki nilai yang hilang, nyatakan apakah jawaban perlu membiarkannya kosong atau merepresentasikannya secara eksplisit.
Untuk ekstraksi terstruktur, tunjukkan nama bidang dan tipe yang diperlukan. Masukan seperti pengenal barang, kuantitas stok, dan label gudang dapat diubah menjadi rekaman dengan bidang yang sama. Minta rekaman saja ketika aplikasi akan mengurainya; minta penjelasan prosa terpisah ketika pengguna perlu memeriksa interpretasi sumber. Kemampuan generasi JSON model yang didokumentasikan berbeda dari antarmuka tertentu yang menerapkan skema secara wajib.
Percakapan multibahasa didukung dalam lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Jerman, Prancis, Spanyol, Portugis, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Tetapkan bahasa akhir dan berikan istilah yang harus tetap tidak berubah. Untuk penjelasan teknis yang diterjemahkan, minta model mempertahankan nama variabel, label yang dikutip, dan satuan sambil menyesuaikan prosa di sekitarnya bagi pembaca.
Rilis 14B khusus
Kartu melaporkan 14,7 miliar parameter, termasuk 13,1 miliar parameter non-embedding, dan 48 lapisan Transformer. Arsitekturnya menggunakan rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias, dengan 40 head kueri dan 8 head key/value dalam grouped-query attention. Prapelatihan dan pascapelatihan menghasilkan edisi Instruct ini. Jumlah parameter dan lapisannya berbeda dari edisi 32B, bahkan ketika kemampuan keluarga dan angka konteks yang dipublikasikan sama.
Kartu model mencantumkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka pertama terkait percakapan dan materi yang disimpan untuk tugas; angka kedua terkait jawaban yang dihasilkan. Pengaturan generasi 512 token pada panduan mulai cepat hanya contoh dan tidak menggantikan kapasitas jawaban yang dinyatakan dalam kartu. Pemahaman gambar, video, dan audio termasuk rilis multimodal bernama terpisah, bukan model teks ini.
Format masukan dan tugas berbantuan alat
Contoh pengembang menerapkan templat chat yang sesuai pada pesan sistem dan pengguna yang berbeda. Tentukan peran asisten dan aturan respons secara terpisah dari materi yang diperiksa. Berikan pertanyaan lengkap dan labeli teks sumber agar instruksi yang dikutip di dalam sumber tidak tertukar dengan tugas yang diberikan aplikasi.
Pengumuman resmi Qwen2.5 juga menjelaskan templat pemanggilan alat dan integrasi kompatibel. Tugas berbantuan alat membutuhkan aplikasi yang membungkus model untuk menyediakan deskripsi fungsi, mengeksekusi operasi pilihan, dan memberikan hasilnya bagi jawaban berikutnya. Misalnya, percakapan dapat meminta perhitungan menggunakan alat hitung yang diberikan; hasil fungsi kemudian menjadi informasi yang dapat dijelaskan model. Ketersediaan dan eksekusi alat berasal dari integrasi tersebut, sedangkan rilis ini menyediakan perilaku teks percakapan.
Konfigurasi teks panjang
Konfigurasi yang dipublikasikan awalnya mencakup 32.768 token. Perluasan yang didokumentasikan untuk masukan lebih panjang memakai YaRN, dengan contoh faktor penskalaan 4,0 dan pengaturan posisi maksimum awal 32.768. Penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek, jadi pengembang menyarankan penambahannya ketika konteks panjang dibutuhkan.
Saat menyiapkan sumber panjang, tentukan bagian yang perlu direvisi atau pertanyaan yang perlu dijawab dan pertahankan bagian pendukung bersama. Permintaan jelas dapat meminta bagian yang diperbaiki, tabel perubahan, dan referensi bagian asli. Ini memakai konteks diperluas untuk artefak konkret sambil menjaga jawaban dalam batas generasi yang terpisah.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Qwen/Qwen2.5-14B-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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0002 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/Qwen2.5-14B-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/Qwen2.5-14B-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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct adalah model teks multibahasa untuk asisten berbasis instruksi, kode, dan matematika. Rilis khusus dengan 14,7 miliar parameter ini mendukung interpretasi tabel, generasi JSON, dan batas jawaban 8.192 token, dengan konfigurasi konteks diperluas untuk masukan panjang.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-14B-Instruct adalah edisi berukuran 14B yang disesuaikan untuk mengikuti instruksi dari keluarga Qwen2.5 umum. Model menerima percakapan teks dan mengembalikan teks: penjelasan, dokumen, kode program, atau bidang terstruktur. Pengembang menekankan mengikuti instruksi, pemrograman, matematika, memahami data terstruktur seperti tabel, dan menghasilkan jawaban terstruktur, khususnya JSON.
Peningkatan pada keluarga model
Pengembang menjelaskan pengetahuan lebih luas serta kemampuan pemrograman dan matematika lebih kuat daripada generasi Qwen2 sebelumnya, bersama generasi jawaban panjang dan penanganan lebih baik terhadap instruksi sistem yang bervariasi. Keluarga ini memakai korpus prapelatihan yang dijelaskan mencapai 18 triliun token. Kemampuan tersebut mendukung asisten bidang tertentu yang peran dan keluarannya ditentukan oleh tugas. Model ini tetap edisi Instruct umum; lini Qwen2.5-Coder dan Qwen2.5-Math yang dinamai terpisah memiliki spesialisasi sendiri.
Asisten proses dapat menerima prosedur dan pertanyaan tentang satu tahap. Tentukan peran pembaca, minta tindakan relevan untuk tahap itu, dan wajibkan jawaban mempertahankan ketentuan asli prosedur. Keluaran bermanfaat dapat memisahkan tindakan berikutnya, kondisi yang membuatnya berlaku, dan informasi yang masih diperlukan. Ini mengubah permintaan saran luas menjadi respons yang terkait dengan proses yang diberikan.
Untuk penjelasan kode, berikan fungsi, definisi fungsi pembantu yang relevan, dan masukan yang menimbulkan kebingungan. Minta urutan operasi dan nilai yang dikembalikan untuk masukan tersebut. Untuk penjelasan matematika, nyatakan simbol, asumsi, dan ekspresi sasaran sebelum meminta penurunan. Kedua tugas memakai teks; menjalankan program atau menyediakan alat numerik terpisah merupakan pekerjaan aplikasi yang membungkus model.
Tabel dan JSON
Untuk pertanyaan tabel, pertahankan judul kolom dan satuan, sebutkan baris relevan, dan tentukan perbandingan. Keluaran yang diinginkan dapat mencantumkan pengenal baris yang sesuai dan menjelaskan ketentuan mana yang dipenuhi setiap baris. Jika tabel memiliki nilai yang hilang, nyatakan apakah jawaban perlu membiarkannya kosong atau merepresentasikannya secara eksplisit.
Untuk ekstraksi terstruktur, tunjukkan nama bidang dan tipe yang diperlukan. Masukan seperti pengenal barang, kuantitas stok, dan label gudang dapat diubah menjadi rekaman dengan bidang yang sama. Minta rekaman saja ketika aplikasi akan mengurainya; minta penjelasan prosa terpisah ketika pengguna perlu memeriksa interpretasi sumber. Kemampuan generasi JSON model yang didokumentasikan berbeda dari antarmuka tertentu yang menerapkan skema secara wajib.
Percakapan multibahasa didukung dalam lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Jerman, Prancis, Spanyol, Portugis, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Tetapkan bahasa akhir dan berikan istilah yang harus tetap tidak berubah. Untuk penjelasan teknis yang diterjemahkan, minta model mempertahankan nama variabel, label yang dikutip, dan satuan sambil menyesuaikan prosa di sekitarnya bagi pembaca.
Rilis 14B khusus
Kartu melaporkan 14,7 miliar parameter, termasuk 13,1 miliar parameter non-embedding, dan 48 lapisan Transformer. Arsitekturnya menggunakan rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias, dengan 40 head kueri dan 8 head key/value dalam grouped-query attention. Prapelatihan dan pascapelatihan menghasilkan edisi Instruct ini. Jumlah parameter dan lapisannya berbeda dari edisi 32B, bahkan ketika kemampuan keluarga dan angka konteks yang dipublikasikan sama.
Kartu model mencantumkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka pertama terkait percakapan dan materi yang disimpan untuk tugas; angka kedua terkait jawaban yang dihasilkan. Pengaturan generasi 512 token pada panduan mulai cepat hanya contoh dan tidak menggantikan kapasitas jawaban yang dinyatakan dalam kartu. Pemahaman gambar, video, dan audio termasuk rilis multimodal bernama terpisah, bukan model teks ini.
Format masukan dan tugas berbantuan alat
Contoh pengembang menerapkan templat chat yang sesuai pada pesan sistem dan pengguna yang berbeda. Tentukan peran asisten dan aturan respons secara terpisah dari materi yang diperiksa. Berikan pertanyaan lengkap dan labeli teks sumber agar instruksi yang dikutip di dalam sumber tidak tertukar dengan tugas yang diberikan aplikasi.
Pengumuman resmi Qwen2.5 juga menjelaskan templat pemanggilan alat dan integrasi kompatibel. Tugas berbantuan alat membutuhkan aplikasi yang membungkus model untuk menyediakan deskripsi fungsi, mengeksekusi operasi pilihan, dan memberikan hasilnya bagi jawaban berikutnya. Misalnya, percakapan dapat meminta perhitungan menggunakan alat hitung yang diberikan; hasil fungsi kemudian menjadi informasi yang dapat dijelaskan model. Ketersediaan dan eksekusi alat berasal dari integrasi tersebut, sedangkan rilis ini menyediakan perilaku teks percakapan.
Konfigurasi teks panjang
Konfigurasi yang dipublikasikan awalnya mencakup 32.768 token. Perluasan yang didokumentasikan untuk masukan lebih panjang memakai YaRN, dengan contoh faktor penskalaan 4,0 dan pengaturan posisi maksimum awal 32.768. Penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek, jadi pengembang menyarankan penambahannya ketika konteks panjang dibutuhkan.
Saat menyiapkan sumber panjang, tentukan bagian yang perlu direvisi atau pertanyaan yang perlu dijawab dan pertahankan bagian pendukung bersama. Permintaan jelas dapat meminta bagian yang diperbaiki, tabel perubahan, dan referensi bagian asli. Ini memakai konteks diperluas untuk artefak konkret sambil menjaga jawaban dalam batas generasi yang terpisah.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-14b-instruct | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Percakapan teks | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
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 |
Parametercontrol_scope | KontrakPercakapan teks; stream adalah nilai boolean dengan false sebagai bawaan. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias metode: /chat/completions
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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0002 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen2.5-14b-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="qwen2.5-14b-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 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct adalah model teks multibahasa untuk asisten berbasis instruksi, kode, dan matematika. Rilis khusus dengan 14,7 miliar parameter ini mendukung interpretasi tabel, generasi JSON, dan batas jawaban 8.192 token, dengan konfigurasi konteks diperluas untuk masukan panjang.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-14B-Instruct adalah edisi berukuran 14B yang disesuaikan untuk mengikuti instruksi dari keluarga Qwen2.5 umum. Model menerima percakapan teks dan mengembalikan teks: penjelasan, dokumen, kode program, atau bidang terstruktur. Pengembang menekankan mengikuti instruksi, pemrograman, matematika, memahami data terstruktur seperti tabel, dan menghasilkan jawaban terstruktur, khususnya JSON.
Peningkatan pada keluarga model
Pengembang menjelaskan pengetahuan lebih luas serta kemampuan pemrograman dan matematika lebih kuat daripada generasi Qwen2 sebelumnya, bersama generasi jawaban panjang dan penanganan lebih baik terhadap instruksi sistem yang bervariasi. Keluarga ini memakai korpus prapelatihan yang dijelaskan mencapai 18 triliun token. Kemampuan tersebut mendukung asisten bidang tertentu yang peran dan keluarannya ditentukan oleh tugas. Model ini tetap edisi Instruct umum; lini Qwen2.5-Coder dan Qwen2.5-Math yang dinamai terpisah memiliki spesialisasi sendiri.
Asisten proses dapat menerima prosedur dan pertanyaan tentang satu tahap. Tentukan peran pembaca, minta tindakan relevan untuk tahap itu, dan wajibkan jawaban mempertahankan ketentuan asli prosedur. Keluaran bermanfaat dapat memisahkan tindakan berikutnya, kondisi yang membuatnya berlaku, dan informasi yang masih diperlukan. Ini mengubah permintaan saran luas menjadi respons yang terkait dengan proses yang diberikan.
Untuk penjelasan kode, berikan fungsi, definisi fungsi pembantu yang relevan, dan masukan yang menimbulkan kebingungan. Minta urutan operasi dan nilai yang dikembalikan untuk masukan tersebut. Untuk penjelasan matematika, nyatakan simbol, asumsi, dan ekspresi sasaran sebelum meminta penurunan. Kedua tugas memakai teks; menjalankan program atau menyediakan alat numerik terpisah merupakan pekerjaan aplikasi yang membungkus model.
Tabel dan JSON
Untuk pertanyaan tabel, pertahankan judul kolom dan satuan, sebutkan baris relevan, dan tentukan perbandingan. Keluaran yang diinginkan dapat mencantumkan pengenal baris yang sesuai dan menjelaskan ketentuan mana yang dipenuhi setiap baris. Jika tabel memiliki nilai yang hilang, nyatakan apakah jawaban perlu membiarkannya kosong atau merepresentasikannya secara eksplisit.
Untuk ekstraksi terstruktur, tunjukkan nama bidang dan tipe yang diperlukan. Masukan seperti pengenal barang, kuantitas stok, dan label gudang dapat diubah menjadi rekaman dengan bidang yang sama. Minta rekaman saja ketika aplikasi akan mengurainya; minta penjelasan prosa terpisah ketika pengguna perlu memeriksa interpretasi sumber. Kemampuan generasi JSON model yang didokumentasikan berbeda dari antarmuka tertentu yang menerapkan skema secara wajib.
Percakapan multibahasa didukung dalam lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Jerman, Prancis, Spanyol, Portugis, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Tetapkan bahasa akhir dan berikan istilah yang harus tetap tidak berubah. Untuk penjelasan teknis yang diterjemahkan, minta model mempertahankan nama variabel, label yang dikutip, dan satuan sambil menyesuaikan prosa di sekitarnya bagi pembaca.
Rilis 14B khusus
Kartu melaporkan 14,7 miliar parameter, termasuk 13,1 miliar parameter non-embedding, dan 48 lapisan Transformer. Arsitekturnya menggunakan rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias, dengan 40 head kueri dan 8 head key/value dalam grouped-query attention. Prapelatihan dan pascapelatihan menghasilkan edisi Instruct ini. Jumlah parameter dan lapisannya berbeda dari edisi 32B, bahkan ketika kemampuan keluarga dan angka konteks yang dipublikasikan sama.
Kartu model mencantumkan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka pertama terkait percakapan dan materi yang disimpan untuk tugas; angka kedua terkait jawaban yang dihasilkan. Pengaturan generasi 512 token pada panduan mulai cepat hanya contoh dan tidak menggantikan kapasitas jawaban yang dinyatakan dalam kartu. Pemahaman gambar, video, dan audio termasuk rilis multimodal bernama terpisah, bukan model teks ini.
Format masukan dan tugas berbantuan alat
Contoh pengembang menerapkan templat chat yang sesuai pada pesan sistem dan pengguna yang berbeda. Tentukan peran asisten dan aturan respons secara terpisah dari materi yang diperiksa. Berikan pertanyaan lengkap dan labeli teks sumber agar instruksi yang dikutip di dalam sumber tidak tertukar dengan tugas yang diberikan aplikasi.
Pengumuman resmi Qwen2.5 juga menjelaskan templat pemanggilan alat dan integrasi kompatibel. Tugas berbantuan alat membutuhkan aplikasi yang membungkus model untuk menyediakan deskripsi fungsi, mengeksekusi operasi pilihan, dan memberikan hasilnya bagi jawaban berikutnya. Misalnya, percakapan dapat meminta perhitungan menggunakan alat hitung yang diberikan; hasil fungsi kemudian menjadi informasi yang dapat dijelaskan model. Ketersediaan dan eksekusi alat berasal dari integrasi tersebut, sedangkan rilis ini menyediakan perilaku teks percakapan.
Konfigurasi teks panjang
Konfigurasi yang dipublikasikan awalnya mencakup 32.768 token. Perluasan yang didokumentasikan untuk masukan lebih panjang memakai YaRN, dengan contoh faktor penskalaan 4,0 dan pengaturan posisi maksimum awal 32.768. Penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek, jadi pengembang menyarankan penambahannya ketika konteks panjang dibutuhkan.
Saat menyiapkan sumber panjang, tentukan bagian yang perlu direvisi atau pertanyaan yang perlu dijawab dan pertahankan bagian pendukung bersama. Permintaan jelas dapat meminta bagian yang diperbaiki, tabel perubahan, dan referensi bagian asli. Ini memakai konteks diperluas untuk artefak konkret sambil menjaga jawaban dalam batas generasi yang terpisah.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-14b-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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0002 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-14b-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': 'qwen2.5-14b-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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Contoh teknis dalam bahasa Inggris
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.