Qwen2.5-32B-Instruct adalah model teks berukuran 32B yang disesuaikan untuk mengikuti instruksi dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan generasi bahasa dengan pemrograman dan matematika, bukan spesialis Coder atau Math yang dinamai terpisah. Pengembang khususnya menyoroti mengikuti instruksi terperinci, penulisan panjang, memahami tabel, dan menghasilkan teks terstruktur, terutama JSON. Keluarga ini dipralatih pada korpus yang dijelaskan mencapai 18 triliun token.
Data terstruktur, jawaban panjang, dan pekerjaan multibahasa
Tugas ekstraksi bermanfaat menyediakan bagian sumber dan bidang persis yang diperlukan langkah aplikasi berikutnya. Tentukan tipe bidang, apakah kata-kata harus disalin atau diringkas, dan cara merepresentasikan informasi yang tidak ada. Misalnya, rekaman produk dapat meminta pengenal, kondisi operasi, dan daftar pertanyaan yang belum terselesaikan. Minta rekaman JSON saja ketika harus diurai, atau minta penjelasan terpisah ketika seseorang perlu memeriksa penalaran di balik bidang yang diekstrak.
Pemahaman tabel adalah fokus lain yang didokumentasikan. Berikan nama kolom, satuan, dan baris relevan bersama pertanyaan. Minta model mengidentifikasi baris yang memenuhi kondisi, menjelaskan perubahan antarperiode, atau mengubah tabel menjadi laporan tertulis. Keluaran praktis dapat mempertahankan pengenal setiap baris di samping temuan. Ini menjaga hubungan antara data yang diberikan dan jawaban, bukan menghasilkan ringkasan tanpa baris sumber yang dapat ditelusuri.
Untuk penulisan panjang, sebutkan audiens, bagian, dan fakta sumber sebelum meminta dokumen. Proposal teknis dapat memerlukan pernyataan masalah, persyaratan, alternatif, dan rekomendasi dengan hanya menggunakan materi yang diberikan. Tentukan kondisi yang wajib dan pertanyaan yang perlu diselesaikan. Pengembang juga mengembangkan ketangguhan terhadap prompt sistem berbeda, mendukung peran, nada, dan ketentuan percakapan yang ditentukan.
Keluarga mendukung lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Prancis, Spanyol, Portugis, Jerman, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Untuk tugas multibahasa, bedakan bahasa sumber dari bahasa keluaran yang dibutuhkan dan berikan daftar istilah ketika nama atau istilah teknis harus tetap konsisten. Laporan dwibahasa dapat meminta fakta sumber yang sama dalam dua versi sambil mempertahankan pengenal dan satuan tidak berubah.
Detail model edisi ini
Rilis 32B-Instruct memiliki 32,5 miliar parameter, dengan 31,0 miliar parameter non-embedding, dan 64 lapisan Transformer. Model memakai rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias. Grouped-query attention memakai 40 head kueri dan 8 head key/value. Ini adalah rilis model bahasa dense dengan decoder saja yang melalui prapelatihan dan pascapelatihan; Instruct mengidentifikasi edisi yang dilatih untuk percakapan, bukan model dasar.
Kartu menyatakan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka tersebut menjelaskan bagian tugas berbeda: konteks mempertahankan prompt dan percakapan, sedangkan angka generasi membatasi jawaban tertulis. 512 token yang dihasilkan dalam panduan mulai cepat hanya contoh dalam batas generasi yang lebih besar tersebut. Model menerima dan mengembalikan teks; tabel hasil pemindaian atau tangkapan layar perlu disediakan isinya sebagai teks atau memakai model visual terpisah.
Percakapan dan alat
Kartu model memperagakan pesan sistem dan pengguna terpisah yang diformat dengan templat chat yang sesuai. Letakkan aturan respons asisten yang tetap dalam peran percakapan yang tepat, dan tempatkan dokumen, tabel, atau kode sebenarnya bersama tugas pengguna. Tandai batas antara materi sumber yang dikutip dan instruksi agar instruksi dalam dokumen tidak disalahartikan sebagai tugas yang dimaksud aplikasi.
Pengumuman resmi keluarga mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi layanan yang kompatibel. Dalam alur ini, aplikasi memberikan deskripsi fungsi, menerima usulan pemanggilan, mengeksekusi fungsi, dan mengembalikan hasil. Ini dapat menghubungkan pertanyaan tekstual dengan perhitungan atau pencarian data, tetapi memilih model ini saja tidak menyediakan alat eksternal atau datanya. Generasi JSON dan pemanggilan alat juga merupakan hasil berbeda: yang satu memformat teks, yang lain meminta aplikasi yang membungkus model melakukan operasi bernama.
Persiapan konteks panjang
Konfigurasi rilis dimulai pada 32.768 token. Masukan melebihi pengaturan tersebut membutuhkan perluasan YaRN yang didokumentasikan, dengan contoh faktor 4,0 dan pengaturan posisi maksimum awal 32.768. Pengembang memperingatkan bahwa penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek dan menyarankan pengaktifannya ketika pemrosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, tentukan peran tiap dokumen dan minta satu artefak yang didefinisikan dengan baik: matriks persyaratan, daftar perbedaan, atau bagian yang direvisi. Pertahankan lokasi sumber di samping temuan yang diekstrak dan sediakan ruang jawaban cukup untuk struktur yang diminta. Kapasitas konteks panjang membantu menjaga materi relevan bersama; tidak menggantikan kebutuhan menentukan hal yang perlu dibandingkan atau cara hasil akhir akan digunakan.
", "aboutText": "Qwen2.5-32B-Instruct adalah model teks berukuran 32B yang disesuaikan untuk mengikuti instruksi dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan generasi bahasa dengan pemrograman dan matematika, bukan spesialis Coder atau Math yang dinamai terpisah. Pengembang khususnya menyoroti mengikuti instruksi terperinci, penulisan panjang, memahami tabel, dan menghasilkan teks terstruktur, terutama JSON. Keluarga ini dipralatih pada korpus yang dijelaskan mencapai 18 triliun token.\n\nData terstruktur, jawaban panjang, dan pekerjaan multibahasa\n\nTugas ekstraksi bermanfaat menyediakan bagian sumber dan bidang persis yang diperlukan langkah aplikasi berikutnya. Tentukan tipe bidang, apakah kata-kata harus disalin atau diringkas, dan cara merepresentasikan informasi yang tidak ada. Misalnya, rekaman produk dapat meminta pengenal, kondisi operasi, dan daftar pertanyaan yang belum terselesaikan. Minta rekaman JSON saja ketika harus diurai, atau minta penjelasan terpisah ketika seseorang perlu memeriksa penalaran di balik bidang yang diekstrak.\n\nPemahaman tabel adalah fokus lain yang didokumentasikan. Berikan nama kolom, satuan, dan baris relevan bersama pertanyaan. Minta model mengidentifikasi baris yang memenuhi kondisi, menjelaskan perubahan antarperiode, atau mengubah tabel menjadi laporan tertulis. Keluaran praktis dapat mempertahankan pengenal setiap baris di samping temuan. Ini menjaga hubungan antara data yang diberikan dan jawaban, bukan menghasilkan ringkasan tanpa baris sumber yang dapat ditelusuri.\n\nUntuk penulisan panjang, sebutkan audiens, bagian, dan fakta sumber sebelum meminta dokumen. Proposal teknis dapat memerlukan pernyataan masalah, persyaratan, alternatif, dan rekomendasi dengan hanya menggunakan materi yang diberikan. Tentukan kondisi yang wajib dan pertanyaan yang perlu diselesaikan. Pengembang juga mengembangkan ketangguhan terhadap prompt sistem berbeda, mendukung peran, nada, dan ketentuan percakapan yang ditentukan.\n\nKeluarga mendukung lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Prancis, Spanyol, Portugis, Jerman, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Untuk tugas multibahasa, bedakan bahasa sumber dari bahasa keluaran yang dibutuhkan dan berikan daftar istilah ketika nama atau istilah teknis harus tetap konsisten. Laporan dwibahasa dapat meminta fakta sumber yang sama dalam dua versi sambil mempertahankan pengenal dan satuan tidak berubah.\n\nDetail model edisi ini\n\nRilis 32B-Instruct memiliki 32,5 miliar parameter, dengan 31,0 miliar parameter non-embedding, dan 64 lapisan Transformer. Model memakai rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias. Grouped-query attention memakai 40 head kueri dan 8 head key/value. Ini adalah rilis model bahasa dense dengan decoder saja yang melalui prapelatihan dan pascapelatihan; Instruct mengidentifikasi edisi yang dilatih untuk percakapan, bukan model dasar.\n\nKartu menyatakan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka tersebut menjelaskan bagian tugas berbeda: konteks mempertahankan prompt dan percakapan, sedangkan angka generasi membatasi jawaban tertulis. 512 token yang dihasilkan dalam panduan mulai cepat hanya contoh dalam batas generasi yang lebih besar tersebut. Model menerima dan mengembalikan teks; tabel hasil pemindaian atau tangkapan layar perlu disediakan isinya sebagai teks atau memakai model visual terpisah.\n\nPercakapan dan alat\n\nKartu model memperagakan pesan sistem dan pengguna terpisah yang diformat dengan templat chat yang sesuai. Letakkan aturan respons asisten yang tetap dalam peran percakapan yang tepat, dan tempatkan dokumen, tabel, atau kode sebenarnya bersama tugas pengguna. Tandai batas antara materi sumber yang dikutip dan instruksi agar instruksi dalam dokumen tidak disalahartikan sebagai tugas yang dimaksud aplikasi.\n\nPengumuman resmi keluarga mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi layanan yang kompatibel. Dalam alur ini, aplikasi memberikan deskripsi fungsi, menerima usulan pemanggilan, mengeksekusi fungsi, dan mengembalikan hasil. Ini dapat menghubungkan pertanyaan tekstual dengan perhitungan atau pencarian data, tetapi memilih model ini saja tidak menyediakan alat eksternal atau datanya. Generasi JSON dan pemanggilan alat juga merupakan hasil berbeda: yang satu memformat teks, yang lain meminta aplikasi yang membungkus model melakukan operasi bernama.\n\nPersiapan konteks panjang\n\nKonfigurasi rilis dimulai pada 32.768 token. Masukan melebihi pengaturan tersebut membutuhkan perluasan YaRN yang didokumentasikan, dengan contoh faktor 4,0 dan pengaturan posisi maksimum awal 32.768. Pengembang memperingatkan bahwa penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek dan menyarankan pengaktifannya ketika pemrosesan konteks panjang diperlukan.\n\nUntuk perbandingan dokumen besar, tentukan peran tiap dokumen dan minta satu artefak yang didefinisikan dengan baik: matriks persyaratan, daftar perbedaan, atau bagian yang direvisi. Pertahankan lokasi sumber di samping temuan yang diekstrak dan sediakan ruang jawaban cukup untuk struktur yang diminta. Kapasitas konteks panjang membantu menjaga materi relevan bersama; tidak menggantikan kebutuhan menentukan hal yang perlu dibandingkan atau cara hasil akhir akan digunakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct adalah model teks multibahasa untuk instruksi terperinci, pemrograman, matematika, dan data terstruktur. Edisi 32,5 miliar parameternya menekankan pemahaman tabel, keluaran JSON, dan hasil tertulis panjang, dengan pengaturan konteks diperluas yang didokumentasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-32B-Instruct adalah model teks berukuran 32B yang disesuaikan untuk mengikuti instruksi dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan generasi bahasa dengan pemrograman dan matematika, bukan spesialis Coder atau Math yang dinamai terpisah. Pengembang khususnya menyoroti mengikuti instruksi terperinci, penulisan panjang, memahami tabel, dan menghasilkan teks terstruktur, terutama JSON. Keluarga ini dipralatih pada korpus yang dijelaskan mencapai 18 triliun token.
Data terstruktur, jawaban panjang, dan pekerjaan multibahasa
Tugas ekstraksi bermanfaat menyediakan bagian sumber dan bidang persis yang diperlukan langkah aplikasi berikutnya. Tentukan tipe bidang, apakah kata-kata harus disalin atau diringkas, dan cara merepresentasikan informasi yang tidak ada. Misalnya, rekaman produk dapat meminta pengenal, kondisi operasi, dan daftar pertanyaan yang belum terselesaikan. Minta rekaman JSON saja ketika harus diurai, atau minta penjelasan terpisah ketika seseorang perlu memeriksa penalaran di balik bidang yang diekstrak.
Pemahaman tabel adalah fokus lain yang didokumentasikan. Berikan nama kolom, satuan, dan baris relevan bersama pertanyaan. Minta model mengidentifikasi baris yang memenuhi kondisi, menjelaskan perubahan antarperiode, atau mengubah tabel menjadi laporan tertulis. Keluaran praktis dapat mempertahankan pengenal setiap baris di samping temuan. Ini menjaga hubungan antara data yang diberikan dan jawaban, bukan menghasilkan ringkasan tanpa baris sumber yang dapat ditelusuri.
Untuk penulisan panjang, sebutkan audiens, bagian, dan fakta sumber sebelum meminta dokumen. Proposal teknis dapat memerlukan pernyataan masalah, persyaratan, alternatif, dan rekomendasi dengan hanya menggunakan materi yang diberikan. Tentukan kondisi yang wajib dan pertanyaan yang perlu diselesaikan. Pengembang juga mengembangkan ketangguhan terhadap prompt sistem berbeda, mendukung peran, nada, dan ketentuan percakapan yang ditentukan.
Keluarga mendukung lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Prancis, Spanyol, Portugis, Jerman, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Untuk tugas multibahasa, bedakan bahasa sumber dari bahasa keluaran yang dibutuhkan dan berikan daftar istilah ketika nama atau istilah teknis harus tetap konsisten. Laporan dwibahasa dapat meminta fakta sumber yang sama dalam dua versi sambil mempertahankan pengenal dan satuan tidak berubah.
Detail model edisi ini
Rilis 32B-Instruct memiliki 32,5 miliar parameter, dengan 31,0 miliar parameter non-embedding, dan 64 lapisan Transformer. Model memakai rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias. Grouped-query attention memakai 40 head kueri dan 8 head key/value. Ini adalah rilis model bahasa dense dengan decoder saja yang melalui prapelatihan dan pascapelatihan; Instruct mengidentifikasi edisi yang dilatih untuk percakapan, bukan model dasar.
Kartu menyatakan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka tersebut menjelaskan bagian tugas berbeda: konteks mempertahankan prompt dan percakapan, sedangkan angka generasi membatasi jawaban tertulis. 512 token yang dihasilkan dalam panduan mulai cepat hanya contoh dalam batas generasi yang lebih besar tersebut. Model menerima dan mengembalikan teks; tabel hasil pemindaian atau tangkapan layar perlu disediakan isinya sebagai teks atau memakai model visual terpisah.
Percakapan dan alat
Kartu model memperagakan pesan sistem dan pengguna terpisah yang diformat dengan templat chat yang sesuai. Letakkan aturan respons asisten yang tetap dalam peran percakapan yang tepat, dan tempatkan dokumen, tabel, atau kode sebenarnya bersama tugas pengguna. Tandai batas antara materi sumber yang dikutip dan instruksi agar instruksi dalam dokumen tidak disalahartikan sebagai tugas yang dimaksud aplikasi.
Pengumuman resmi keluarga mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi layanan yang kompatibel. Dalam alur ini, aplikasi memberikan deskripsi fungsi, menerima usulan pemanggilan, mengeksekusi fungsi, dan mengembalikan hasil. Ini dapat menghubungkan pertanyaan tekstual dengan perhitungan atau pencarian data, tetapi memilih model ini saja tidak menyediakan alat eksternal atau datanya. Generasi JSON dan pemanggilan alat juga merupakan hasil berbeda: yang satu memformat teks, yang lain meminta aplikasi yang membungkus model melakukan operasi bernama.
Persiapan konteks panjang
Konfigurasi rilis dimulai pada 32.768 token. Masukan melebihi pengaturan tersebut membutuhkan perluasan YaRN yang didokumentasikan, dengan contoh faktor 4,0 dan pengaturan posisi maksimum awal 32.768. Pengembang memperingatkan bahwa penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek dan menyarankan pengaktifannya ketika pemrosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, tentukan peran tiap dokumen dan minta satu artefak yang didefinisikan dengan baik: matriks persyaratan, daftar perbedaan, atau bagian yang direvisi. Pertahankan lokasi sumber di samping temuan yang diekstrak dan sediakan ruang jawaban cukup untuk struktur yang diminta. Kapasitas konteks panjang membantu menjaga materi relevan bersama; tidak menggantikan kebutuhan menentukan hal yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Qwen/Qwen2.5-32B-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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 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/Qwen2.5-32B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct adalah model teks multibahasa untuk instruksi terperinci, pemrograman, matematika, dan data terstruktur. Edisi 32,5 miliar parameternya menekankan pemahaman tabel, keluaran JSON, dan hasil tertulis panjang, dengan pengaturan konteks diperluas yang didokumentasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-32B-Instruct adalah model teks berukuran 32B yang disesuaikan untuk mengikuti instruksi dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan generasi bahasa dengan pemrograman dan matematika, bukan spesialis Coder atau Math yang dinamai terpisah. Pengembang khususnya menyoroti mengikuti instruksi terperinci, penulisan panjang, memahami tabel, dan menghasilkan teks terstruktur, terutama JSON. Keluarga ini dipralatih pada korpus yang dijelaskan mencapai 18 triliun token.
Data terstruktur, jawaban panjang, dan pekerjaan multibahasa
Tugas ekstraksi bermanfaat menyediakan bagian sumber dan bidang persis yang diperlukan langkah aplikasi berikutnya. Tentukan tipe bidang, apakah kata-kata harus disalin atau diringkas, dan cara merepresentasikan informasi yang tidak ada. Misalnya, rekaman produk dapat meminta pengenal, kondisi operasi, dan daftar pertanyaan yang belum terselesaikan. Minta rekaman JSON saja ketika harus diurai, atau minta penjelasan terpisah ketika seseorang perlu memeriksa penalaran di balik bidang yang diekstrak.
Pemahaman tabel adalah fokus lain yang didokumentasikan. Berikan nama kolom, satuan, dan baris relevan bersama pertanyaan. Minta model mengidentifikasi baris yang memenuhi kondisi, menjelaskan perubahan antarperiode, atau mengubah tabel menjadi laporan tertulis. Keluaran praktis dapat mempertahankan pengenal setiap baris di samping temuan. Ini menjaga hubungan antara data yang diberikan dan jawaban, bukan menghasilkan ringkasan tanpa baris sumber yang dapat ditelusuri.
Untuk penulisan panjang, sebutkan audiens, bagian, dan fakta sumber sebelum meminta dokumen. Proposal teknis dapat memerlukan pernyataan masalah, persyaratan, alternatif, dan rekomendasi dengan hanya menggunakan materi yang diberikan. Tentukan kondisi yang wajib dan pertanyaan yang perlu diselesaikan. Pengembang juga mengembangkan ketangguhan terhadap prompt sistem berbeda, mendukung peran, nada, dan ketentuan percakapan yang ditentukan.
Keluarga mendukung lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Prancis, Spanyol, Portugis, Jerman, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Untuk tugas multibahasa, bedakan bahasa sumber dari bahasa keluaran yang dibutuhkan dan berikan daftar istilah ketika nama atau istilah teknis harus tetap konsisten. Laporan dwibahasa dapat meminta fakta sumber yang sama dalam dua versi sambil mempertahankan pengenal dan satuan tidak berubah.
Detail model edisi ini
Rilis 32B-Instruct memiliki 32,5 miliar parameter, dengan 31,0 miliar parameter non-embedding, dan 64 lapisan Transformer. Model memakai rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias. Grouped-query attention memakai 40 head kueri dan 8 head key/value. Ini adalah rilis model bahasa dense dengan decoder saja yang melalui prapelatihan dan pascapelatihan; Instruct mengidentifikasi edisi yang dilatih untuk percakapan, bukan model dasar.
Kartu menyatakan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka tersebut menjelaskan bagian tugas berbeda: konteks mempertahankan prompt dan percakapan, sedangkan angka generasi membatasi jawaban tertulis. 512 token yang dihasilkan dalam panduan mulai cepat hanya contoh dalam batas generasi yang lebih besar tersebut. Model menerima dan mengembalikan teks; tabel hasil pemindaian atau tangkapan layar perlu disediakan isinya sebagai teks atau memakai model visual terpisah.
Percakapan dan alat
Kartu model memperagakan pesan sistem dan pengguna terpisah yang diformat dengan templat chat yang sesuai. Letakkan aturan respons asisten yang tetap dalam peran percakapan yang tepat, dan tempatkan dokumen, tabel, atau kode sebenarnya bersama tugas pengguna. Tandai batas antara materi sumber yang dikutip dan instruksi agar instruksi dalam dokumen tidak disalahartikan sebagai tugas yang dimaksud aplikasi.
Pengumuman resmi keluarga mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi layanan yang kompatibel. Dalam alur ini, aplikasi memberikan deskripsi fungsi, menerima usulan pemanggilan, mengeksekusi fungsi, dan mengembalikan hasil. Ini dapat menghubungkan pertanyaan tekstual dengan perhitungan atau pencarian data, tetapi memilih model ini saja tidak menyediakan alat eksternal atau datanya. Generasi JSON dan pemanggilan alat juga merupakan hasil berbeda: yang satu memformat teks, yang lain meminta aplikasi yang membungkus model melakukan operasi bernama.
Persiapan konteks panjang
Konfigurasi rilis dimulai pada 32.768 token. Masukan melebihi pengaturan tersebut membutuhkan perluasan YaRN yang didokumentasikan, dengan contoh faktor 4,0 dan pengaturan posisi maksimum awal 32.768. Pengembang memperingatkan bahwa penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek dan menyarankan pengaktifannya ketika pemrosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, tentukan peran tiap dokumen dan minta satu artefak yang didefinisikan dengan baik: matriks persyaratan, daftar perbedaan, atau bagian yang direvisi. Pertahankan lokasi sumber di samping temuan yang diekstrak dan sediakan ruang jawaban cukup untuk struktur yang diminta. Kapasitas konteks panjang membantu menjaga materi relevan bersama; tidak menggantikan kebutuhan menentukan hal yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Qwen/Qwen2.5-32B-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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct adalah model teks multibahasa untuk instruksi terperinci, pemrograman, matematika, dan data terstruktur. Edisi 32,5 miliar parameternya menekankan pemahaman tabel, keluaran JSON, dan hasil tertulis panjang, dengan pengaturan konteks diperluas yang didokumentasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-32B-Instruct adalah model teks berukuran 32B yang disesuaikan untuk mengikuti instruksi dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan generasi bahasa dengan pemrograman dan matematika, bukan spesialis Coder atau Math yang dinamai terpisah. Pengembang khususnya menyoroti mengikuti instruksi terperinci, penulisan panjang, memahami tabel, dan menghasilkan teks terstruktur, terutama JSON. Keluarga ini dipralatih pada korpus yang dijelaskan mencapai 18 triliun token.
Data terstruktur, jawaban panjang, dan pekerjaan multibahasa
Tugas ekstraksi bermanfaat menyediakan bagian sumber dan bidang persis yang diperlukan langkah aplikasi berikutnya. Tentukan tipe bidang, apakah kata-kata harus disalin atau diringkas, dan cara merepresentasikan informasi yang tidak ada. Misalnya, rekaman produk dapat meminta pengenal, kondisi operasi, dan daftar pertanyaan yang belum terselesaikan. Minta rekaman JSON saja ketika harus diurai, atau minta penjelasan terpisah ketika seseorang perlu memeriksa penalaran di balik bidang yang diekstrak.
Pemahaman tabel adalah fokus lain yang didokumentasikan. Berikan nama kolom, satuan, dan baris relevan bersama pertanyaan. Minta model mengidentifikasi baris yang memenuhi kondisi, menjelaskan perubahan antarperiode, atau mengubah tabel menjadi laporan tertulis. Keluaran praktis dapat mempertahankan pengenal setiap baris di samping temuan. Ini menjaga hubungan antara data yang diberikan dan jawaban, bukan menghasilkan ringkasan tanpa baris sumber yang dapat ditelusuri.
Untuk penulisan panjang, sebutkan audiens, bagian, dan fakta sumber sebelum meminta dokumen. Proposal teknis dapat memerlukan pernyataan masalah, persyaratan, alternatif, dan rekomendasi dengan hanya menggunakan materi yang diberikan. Tentukan kondisi yang wajib dan pertanyaan yang perlu diselesaikan. Pengembang juga mengembangkan ketangguhan terhadap prompt sistem berbeda, mendukung peran, nada, dan ketentuan percakapan yang ditentukan.
Keluarga mendukung lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Prancis, Spanyol, Portugis, Jerman, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Untuk tugas multibahasa, bedakan bahasa sumber dari bahasa keluaran yang dibutuhkan dan berikan daftar istilah ketika nama atau istilah teknis harus tetap konsisten. Laporan dwibahasa dapat meminta fakta sumber yang sama dalam dua versi sambil mempertahankan pengenal dan satuan tidak berubah.
Detail model edisi ini
Rilis 32B-Instruct memiliki 32,5 miliar parameter, dengan 31,0 miliar parameter non-embedding, dan 64 lapisan Transformer. Model memakai rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias. Grouped-query attention memakai 40 head kueri dan 8 head key/value. Ini adalah rilis model bahasa dense dengan decoder saja yang melalui prapelatihan dan pascapelatihan; Instruct mengidentifikasi edisi yang dilatih untuk percakapan, bukan model dasar.
Kartu menyatakan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka tersebut menjelaskan bagian tugas berbeda: konteks mempertahankan prompt dan percakapan, sedangkan angka generasi membatasi jawaban tertulis. 512 token yang dihasilkan dalam panduan mulai cepat hanya contoh dalam batas generasi yang lebih besar tersebut. Model menerima dan mengembalikan teks; tabel hasil pemindaian atau tangkapan layar perlu disediakan isinya sebagai teks atau memakai model visual terpisah.
Percakapan dan alat
Kartu model memperagakan pesan sistem dan pengguna terpisah yang diformat dengan templat chat yang sesuai. Letakkan aturan respons asisten yang tetap dalam peran percakapan yang tepat, dan tempatkan dokumen, tabel, atau kode sebenarnya bersama tugas pengguna. Tandai batas antara materi sumber yang dikutip dan instruksi agar instruksi dalam dokumen tidak disalahartikan sebagai tugas yang dimaksud aplikasi.
Pengumuman resmi keluarga mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi layanan yang kompatibel. Dalam alur ini, aplikasi memberikan deskripsi fungsi, menerima usulan pemanggilan, mengeksekusi fungsi, dan mengembalikan hasil. Ini dapat menghubungkan pertanyaan tekstual dengan perhitungan atau pencarian data, tetapi memilih model ini saja tidak menyediakan alat eksternal atau datanya. Generasi JSON dan pemanggilan alat juga merupakan hasil berbeda: yang satu memformat teks, yang lain meminta aplikasi yang membungkus model melakukan operasi bernama.
Persiapan konteks panjang
Konfigurasi rilis dimulai pada 32.768 token. Masukan melebihi pengaturan tersebut membutuhkan perluasan YaRN yang didokumentasikan, dengan contoh faktor 4,0 dan pengaturan posisi maksimum awal 32.768. Pengembang memperingatkan bahwa penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek dan menyarankan pengaktifannya ketika pemrosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, tentukan peran tiap dokumen dan minta satu artefak yang didefinisikan dengan baik: matriks persyaratan, daftar perbedaan, atau bagian yang direvisi. Pertahankan lokasi sumber di samping temuan yang diekstrak dan sediakan ruang jawaban cukup untuk struktur yang diminta. Kapasitas konteks panjang membantu menjaga materi relevan bersama; tidak menggantikan kebutuhan menentukan hal yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-32b-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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 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":"qwen2.5-32b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-32b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct adalah model teks multibahasa untuk instruksi terperinci, pemrograman, matematika, dan data terstruktur. Edisi 32,5 miliar parameternya menekankan pemahaman tabel, keluaran JSON, dan hasil tertulis panjang, dengan pengaturan konteks diperluas yang didokumentasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-32B-Instruct adalah model teks berukuran 32B yang disesuaikan untuk mengikuti instruksi dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan generasi bahasa dengan pemrograman dan matematika, bukan spesialis Coder atau Math yang dinamai terpisah. Pengembang khususnya menyoroti mengikuti instruksi terperinci, penulisan panjang, memahami tabel, dan menghasilkan teks terstruktur, terutama JSON. Keluarga ini dipralatih pada korpus yang dijelaskan mencapai 18 triliun token.
Data terstruktur, jawaban panjang, dan pekerjaan multibahasa
Tugas ekstraksi bermanfaat menyediakan bagian sumber dan bidang persis yang diperlukan langkah aplikasi berikutnya. Tentukan tipe bidang, apakah kata-kata harus disalin atau diringkas, dan cara merepresentasikan informasi yang tidak ada. Misalnya, rekaman produk dapat meminta pengenal, kondisi operasi, dan daftar pertanyaan yang belum terselesaikan. Minta rekaman JSON saja ketika harus diurai, atau minta penjelasan terpisah ketika seseorang perlu memeriksa penalaran di balik bidang yang diekstrak.
Pemahaman tabel adalah fokus lain yang didokumentasikan. Berikan nama kolom, satuan, dan baris relevan bersama pertanyaan. Minta model mengidentifikasi baris yang memenuhi kondisi, menjelaskan perubahan antarperiode, atau mengubah tabel menjadi laporan tertulis. Keluaran praktis dapat mempertahankan pengenal setiap baris di samping temuan. Ini menjaga hubungan antara data yang diberikan dan jawaban, bukan menghasilkan ringkasan tanpa baris sumber yang dapat ditelusuri.
Untuk penulisan panjang, sebutkan audiens, bagian, dan fakta sumber sebelum meminta dokumen. Proposal teknis dapat memerlukan pernyataan masalah, persyaratan, alternatif, dan rekomendasi dengan hanya menggunakan materi yang diberikan. Tentukan kondisi yang wajib dan pertanyaan yang perlu diselesaikan. Pengembang juga mengembangkan ketangguhan terhadap prompt sistem berbeda, mendukung peran, nada, dan ketentuan percakapan yang ditentukan.
Keluarga mendukung lebih dari 29 bahasa, termasuk Inggris, Tionghoa, Rusia, Prancis, Spanyol, Portugis, Jerman, Italia, Jepang, Korea, Vietnam, Thai, dan Arab. Untuk tugas multibahasa, bedakan bahasa sumber dari bahasa keluaran yang dibutuhkan dan berikan daftar istilah ketika nama atau istilah teknis harus tetap konsisten. Laporan dwibahasa dapat meminta fakta sumber yang sama dalam dua versi sambil mempertahankan pengenal dan satuan tidak berubah.
Detail model edisi ini
Rilis 32B-Instruct memiliki 32,5 miliar parameter, dengan 31,0 miliar parameter non-embedding, dan 64 lapisan Transformer. Model memakai rotary positional embeddings, SwiGLU, RMSNorm, dan attention QKV bias. Grouped-query attention memakai 40 head kueri dan 8 head key/value. Ini adalah rilis model bahasa dense dengan decoder saja yang melalui prapelatihan dan pascapelatihan; Instruct mengidentifikasi edisi yang dilatih untuk percakapan, bukan model dasar.
Kartu menyatakan konteks penuh 131.072 token dan generasi hingga 8.192 token. Angka tersebut menjelaskan bagian tugas berbeda: konteks mempertahankan prompt dan percakapan, sedangkan angka generasi membatasi jawaban tertulis. 512 token yang dihasilkan dalam panduan mulai cepat hanya contoh dalam batas generasi yang lebih besar tersebut. Model menerima dan mengembalikan teks; tabel hasil pemindaian atau tangkapan layar perlu disediakan isinya sebagai teks atau memakai model visual terpisah.
Percakapan dan alat
Kartu model memperagakan pesan sistem dan pengguna terpisah yang diformat dengan templat chat yang sesuai. Letakkan aturan respons asisten yang tetap dalam peran percakapan yang tepat, dan tempatkan dokumen, tabel, atau kode sebenarnya bersama tugas pengguna. Tandai batas antara materi sumber yang dikutip dan instruksi agar instruksi dalam dokumen tidak disalahartikan sebagai tugas yang dimaksud aplikasi.
Pengumuman resmi keluarga mendokumentasikan dukungan pemanggilan alat melalui templat percakapan dan integrasi layanan yang kompatibel. Dalam alur ini, aplikasi memberikan deskripsi fungsi, menerima usulan pemanggilan, mengeksekusi fungsi, dan mengembalikan hasil. Ini dapat menghubungkan pertanyaan tekstual dengan perhitungan atau pencarian data, tetapi memilih model ini saja tidak menyediakan alat eksternal atau datanya. Generasi JSON dan pemanggilan alat juga merupakan hasil berbeda: yang satu memformat teks, yang lain meminta aplikasi yang membungkus model melakukan operasi bernama.
Persiapan konteks panjang
Konfigurasi rilis dimulai pada 32.768 token. Masukan melebihi pengaturan tersebut membutuhkan perluasan YaRN yang didokumentasikan, dengan contoh faktor 4,0 dan pengaturan posisi maksimum awal 32.768. Pengembang memperingatkan bahwa penskalaan statis dapat memengaruhi perilaku pada teks lebih pendek dan menyarankan pengaktifannya ketika pemrosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, tentukan peran tiap dokumen dan minta satu artefak yang didefinisikan dengan baik: matriks persyaratan, daftar perbedaan, atau bagian yang direvisi. Pertahankan lokasi sumber di samping temuan yang diekstrak dan sediakan ruang jawaban cukup untuk struktur yang diminta. Kapasitas konteks panjang membantu menjaga materi relevan bersama; tidak menggantikan kebutuhan menentukan hal yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-32b-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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Contoh teknis dalam bahasa Inggris
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.