Qwen2.5-7B-Instruct è il modello testuale 7B ottimizzato per seguire istruzioni della famiglia di modelli linguistici generalisti Qwen2.5. Qwen evidenzia programmazione e matematica, rispetto delle istruzioni, scrittura estesa, comprensione delle tabelle e output strutturato, soprattutto JSON. È un modello denso solo decoder con 7,61 miliardi di parametri totali, di cui 6,53 miliardi non di embedding. Accetta conversazioni testuali e genera testo. Un incarico utile può chiedergli di trasformare informazioni fornite in una spiegazione chiara, un record strutturato, una bozza revisionata o una proposta di programma.
Il modello supporta più di 29 lingue, tra cui cinese, inglese, francese, spagnolo, portoghese, tedesco, italiano, russo, giapponese, coreano, vietnamita, thailandese e arabo. Il produttore sottolinea anche la capacità di adattarsi a diversi prompt di sistema, utile per definire un ruolo conversazionale e le sue condizioni. Fornisci direttamente ruolo, pubblico, terminologia e lingua di output. Per esempio, una richiesta di revisione può includere un passaggio tecnico, specificare il lettore previsto e chiedere una spiegazione più breve che conservi i termini indicati e le condizioni espresse. L’edizione ottimizzata per seguire istruzioni è il modello conversazionale, distinto dal corrispondente modello base preaddestrato.
La comprensione dei dati strutturati e la generazione di JSON sono miglioramenti centrali di Qwen2.5. Per estrarre o trasformare una tabella, conserva intestazioni e unità e spiega quali righe o relazioni contano. Definisci le chiavi richieste, i tipi di valore e il trattamento delle informazioni mancanti, anziché chiedere soltanto una sintesi generica. Un esempio di incarico può fornire un elenco di problemi e chiedere un oggetto per ciascuno, con identificativo sorgente, categoria e breve spiegazione. Il risultato resta testo generato: verificarne la struttura e i valori rispetto all’input fa parte dell’utilizzo in un flusso successivo.
La scheda esatta descrive un contesto completo di 131.072 token e una generazione fino a 8.192 token. La configurazione fornita è impostata su 32.768 token di contesto; la gestione di materiale più lungo usa la configurazione YaRN documentata. Il produttore avverte che la scalatura statica può influire sulle prestazioni con input più brevi e consiglia di aggiungerla quando serve elaborare contesti lunghi. Mantieni input e risposta richiesta nello spazio configurato pertinente. Per un rapporto lungo, conserva i titoli delle sezioni, dai priorità ai passaggi collegati alla domanda e chiedi la lunghezza di output necessaria, anziché considerare il contesto più ampio un motivo per includere materiale estraneo.
L’avvio rapido ufficiale usa messaggi di sistema e utente con il template di chat del modello, poi decodifica la continuazione generata. Prepara il lavoro di programmazione con sorgente pertinente, linguaggio, comportamento previsto e vincoli. Prepara una domanda matematica con i dati noti e il formato del risultato. I miglioramenti documentati del modello generalista in queste aree non lo rendono le edizioni Qwen2.5-Coder o Qwen2.5-Math, addestrate separatamente. Un esempio di incarico di programmazione può chiedere la spiegazione di una funzione, una proposta di correzione e perché soddisfa le condizioni espresse; esecuzione e verifica rimangono passaggi separati.
La documentazione della versione Qwen descrive anche chiamate a strumenti e un modello di chat predisposto per gli strumenti, inclusa la compatibilità con Qwen-Agent. Definisci gli strumenti disponibili e i loro argomenti, indica l’obiettivo e fornisci i risultati restituiti affinché il modello li interpreti. Un assistente documentale può richiedere informazioni pertinenti prima di comporre la risposta finale, mentre un assistente di codice può ragionare sull’output di una verifica eseguita dall’applicazione. Il risultato utile è quindi una risposta collegata alle evidenze fornite e al formato richiesto. Questo è un profilo di modello testuale; le capacità visive, audio o di generazione video di altri modelli Qwen sono separate.
", "aboutText": "Qwen2.5-7B-Instruct è il modello testuale 7B ottimizzato per seguire istruzioni della famiglia di modelli linguistici generalisti Qwen2.5. Qwen evidenzia programmazione e matematica, rispetto delle istruzioni, scrittura estesa, comprensione delle tabelle e output strutturato, soprattutto JSON. È un modello denso solo decoder con 7,61 miliardi di parametri totali, di cui 6,53 miliardi non di embedding. Accetta conversazioni testuali e genera testo. Un incarico utile può chiedergli di trasformare informazioni fornite in una spiegazione chiara, un record strutturato, una bozza revisionata o una proposta di programma.\n\nIl modello supporta più di 29 lingue, tra cui cinese, inglese, francese, spagnolo, portoghese, tedesco, italiano, russo, giapponese, coreano, vietnamita, thailandese e arabo. Il produttore sottolinea anche la capacità di adattarsi a diversi prompt di sistema, utile per definire un ruolo conversazionale e le sue condizioni. Fornisci direttamente ruolo, pubblico, terminologia e lingua di output. Per esempio, una richiesta di revisione può includere un passaggio tecnico, specificare il lettore previsto e chiedere una spiegazione più breve che conservi i termini indicati e le condizioni espresse. L’edizione ottimizzata per seguire istruzioni è il modello conversazionale, distinto dal corrispondente modello base preaddestrato.\n\nLa comprensione dei dati strutturati e la generazione di JSON sono miglioramenti centrali di Qwen2.5. Per estrarre o trasformare una tabella, conserva intestazioni e unità e spiega quali righe o relazioni contano. Definisci le chiavi richieste, i tipi di valore e il trattamento delle informazioni mancanti, anziché chiedere soltanto una sintesi generica. Un esempio di incarico può fornire un elenco di problemi e chiedere un oggetto per ciascuno, con identificativo sorgente, categoria e breve spiegazione. Il risultato resta testo generato: verificarne la struttura e i valori rispetto all’input fa parte dell’utilizzo in un flusso successivo.\n\nLa scheda esatta descrive un contesto completo di 131.072 token e una generazione fino a 8.192 token. La configurazione fornita è impostata su 32.768 token di contesto; la gestione di materiale più lungo usa la configurazione YaRN documentata. Il produttore avverte che la scalatura statica può influire sulle prestazioni con input più brevi e consiglia di aggiungerla quando serve elaborare contesti lunghi. Mantieni input e risposta richiesta nello spazio configurato pertinente. Per un rapporto lungo, conserva i titoli delle sezioni, dai priorità ai passaggi collegati alla domanda e chiedi la lunghezza di output necessaria, anziché considerare il contesto più ampio un motivo per includere materiale estraneo.\n\nL’avvio rapido ufficiale usa messaggi di sistema e utente con il template di chat del modello, poi decodifica la continuazione generata. Prepara il lavoro di programmazione con sorgente pertinente, linguaggio, comportamento previsto e vincoli. Prepara una domanda matematica con i dati noti e il formato del risultato. I miglioramenti documentati del modello generalista in queste aree non lo rendono le edizioni Qwen2.5-Coder o Qwen2.5-Math, addestrate separatamente. Un esempio di incarico di programmazione può chiedere la spiegazione di una funzione, una proposta di correzione e perché soddisfa le condizioni espresse; esecuzione e verifica rimangono passaggi separati.\n\nLa documentazione della versione Qwen descrive anche chiamate a strumenti e un modello di chat predisposto per gli strumenti, inclusa la compatibilità con Qwen-Agent. Definisci gli strumenti disponibili e i loro argomenti, indica l’obiettivo e fornisci i risultati restituiti affinché il modello li interpreti. Un assistente documentale può richiedere informazioni pertinenti prima di comporre la risposta finale, mentre un assistente di codice può ragionare sull’output di una verifica eseguita dall’applicazione. Il risultato utile è quindi una risposta collegata alle evidenze fornite e al formato richiesto. Questo è un profilo di modello testuale; le capacità visive, audio o di generazione video di altri modelli Qwen sono separate.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct è il modello testuale compatto di Qwen ottimizzato per seguire istruzioni, destinato a scrittura multilingue, programmazione, matematica e dati strutturati. Il produttore documenta fino a 131.072 token di contesto con la configurazione per contesti lunghi e una generazione fino a 8.192 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen2.5-7B-Instruct è il modello testuale 7B ottimizzato per seguire istruzioni della famiglia di modelli linguistici generalisti Qwen2.5. Qwen evidenzia programmazione e matematica, rispetto delle istruzioni, scrittura estesa, comprensione delle tabelle e output strutturato, soprattutto JSON. È un modello denso solo decoder con 7,61 miliardi di parametri totali, di cui 6,53 miliardi non di embedding. Accetta conversazioni testuali e genera testo. Un incarico utile può chiedergli di trasformare informazioni fornite in una spiegazione chiara, un record strutturato, una bozza revisionata o una proposta di programma.
Il modello supporta più di 29 lingue, tra cui cinese, inglese, francese, spagnolo, portoghese, tedesco, italiano, russo, giapponese, coreano, vietnamita, thailandese e arabo. Il produttore sottolinea anche la capacità di adattarsi a diversi prompt di sistema, utile per definire un ruolo conversazionale e le sue condizioni. Fornisci direttamente ruolo, pubblico, terminologia e lingua di output. Per esempio, una richiesta di revisione può includere un passaggio tecnico, specificare il lettore previsto e chiedere una spiegazione più breve che conservi i termini indicati e le condizioni espresse. L’edizione ottimizzata per seguire istruzioni è il modello conversazionale, distinto dal corrispondente modello base preaddestrato.
La comprensione dei dati strutturati e la generazione di JSON sono miglioramenti centrali di Qwen2.5. Per estrarre o trasformare una tabella, conserva intestazioni e unità e spiega quali righe o relazioni contano. Definisci le chiavi richieste, i tipi di valore e il trattamento delle informazioni mancanti, anziché chiedere soltanto una sintesi generica. Un esempio di incarico può fornire un elenco di problemi e chiedere un oggetto per ciascuno, con identificativo sorgente, categoria e breve spiegazione. Il risultato resta testo generato: verificarne la struttura e i valori rispetto all’input fa parte dell’utilizzo in un flusso successivo.
La scheda esatta descrive un contesto completo di 131.072 token e una generazione fino a 8.192 token. La configurazione fornita è impostata su 32.768 token di contesto; la gestione di materiale più lungo usa la configurazione YaRN documentata. Il produttore avverte che la scalatura statica può influire sulle prestazioni con input più brevi e consiglia di aggiungerla quando serve elaborare contesti lunghi. Mantieni input e risposta richiesta nello spazio configurato pertinente. Per un rapporto lungo, conserva i titoli delle sezioni, dai priorità ai passaggi collegati alla domanda e chiedi la lunghezza di output necessaria, anziché considerare il contesto più ampio un motivo per includere materiale estraneo.
L’avvio rapido ufficiale usa messaggi di sistema e utente con il template di chat del modello, poi decodifica la continuazione generata. Prepara il lavoro di programmazione con sorgente pertinente, linguaggio, comportamento previsto e vincoli. Prepara una domanda matematica con i dati noti e il formato del risultato. I miglioramenti documentati del modello generalista in queste aree non lo rendono le edizioni Qwen2.5-Coder o Qwen2.5-Math, addestrate separatamente. Un esempio di incarico di programmazione può chiedere la spiegazione di una funzione, una proposta di correzione e perché soddisfa le condizioni espresse; esecuzione e verifica rimangono passaggi separati.
La documentazione della versione Qwen descrive anche chiamate a strumenti e un modello di chat predisposto per gli strumenti, inclusa la compatibilità con Qwen-Agent. Definisci gli strumenti disponibili e i loro argomenti, indica l’obiettivo e fornisci i risultati restituiti affinché il modello li interpreti. Un assistente documentale può richiedere informazioni pertinenti prima di comporre la risposta finale, mentre un assistente di codice può ragionare sull’output di una verifica eseguita dall’applicazione. Il risultato utile è quindi una risposta collegata alle evidenze fornite e al formato richiesto. Questo è un profilo di modello testuale; le capacità visive, audio o di generazione video di altri modelli Qwen sono separate.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen-2.5-7b-instruct | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Usa i percorsi dei metodi indicati sopra.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct è il modello testuale compatto di Qwen ottimizzato per seguire istruzioni, destinato a scrittura multilingue, programmazione, matematica e dati strutturati. Il produttore documenta fino a 131.072 token di contesto con la configurazione per contesti lunghi e una generazione fino a 8.192 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen2.5-7B-Instruct è il modello testuale 7B ottimizzato per seguire istruzioni della famiglia di modelli linguistici generalisti Qwen2.5. Qwen evidenzia programmazione e matematica, rispetto delle istruzioni, scrittura estesa, comprensione delle tabelle e output strutturato, soprattutto JSON. È un modello denso solo decoder con 7,61 miliardi di parametri totali, di cui 6,53 miliardi non di embedding. Accetta conversazioni testuali e genera testo. Un incarico utile può chiedergli di trasformare informazioni fornite in una spiegazione chiara, un record strutturato, una bozza revisionata o una proposta di programma.
Il modello supporta più di 29 lingue, tra cui cinese, inglese, francese, spagnolo, portoghese, tedesco, italiano, russo, giapponese, coreano, vietnamita, thailandese e arabo. Il produttore sottolinea anche la capacità di adattarsi a diversi prompt di sistema, utile per definire un ruolo conversazionale e le sue condizioni. Fornisci direttamente ruolo, pubblico, terminologia e lingua di output. Per esempio, una richiesta di revisione può includere un passaggio tecnico, specificare il lettore previsto e chiedere una spiegazione più breve che conservi i termini indicati e le condizioni espresse. L’edizione ottimizzata per seguire istruzioni è il modello conversazionale, distinto dal corrispondente modello base preaddestrato.
La comprensione dei dati strutturati e la generazione di JSON sono miglioramenti centrali di Qwen2.5. Per estrarre o trasformare una tabella, conserva intestazioni e unità e spiega quali righe o relazioni contano. Definisci le chiavi richieste, i tipi di valore e il trattamento delle informazioni mancanti, anziché chiedere soltanto una sintesi generica. Un esempio di incarico può fornire un elenco di problemi e chiedere un oggetto per ciascuno, con identificativo sorgente, categoria e breve spiegazione. Il risultato resta testo generato: verificarne la struttura e i valori rispetto all’input fa parte dell’utilizzo in un flusso successivo.
La scheda esatta descrive un contesto completo di 131.072 token e una generazione fino a 8.192 token. La configurazione fornita è impostata su 32.768 token di contesto; la gestione di materiale più lungo usa la configurazione YaRN documentata. Il produttore avverte che la scalatura statica può influire sulle prestazioni con input più brevi e consiglia di aggiungerla quando serve elaborare contesti lunghi. Mantieni input e risposta richiesta nello spazio configurato pertinente. Per un rapporto lungo, conserva i titoli delle sezioni, dai priorità ai passaggi collegati alla domanda e chiedi la lunghezza di output necessaria, anziché considerare il contesto più ampio un motivo per includere materiale estraneo.
L’avvio rapido ufficiale usa messaggi di sistema e utente con il template di chat del modello, poi decodifica la continuazione generata. Prepara il lavoro di programmazione con sorgente pertinente, linguaggio, comportamento previsto e vincoli. Prepara una domanda matematica con i dati noti e il formato del risultato. I miglioramenti documentati del modello generalista in queste aree non lo rendono le edizioni Qwen2.5-Coder o Qwen2.5-Math, addestrate separatamente. Un esempio di incarico di programmazione può chiedere la spiegazione di una funzione, una proposta di correzione e perché soddisfa le condizioni espresse; esecuzione e verifica rimangono passaggi separati.
La documentazione della versione Qwen descrive anche chiamate a strumenti e un modello di chat predisposto per gli strumenti, inclusa la compatibilità con Qwen-Agent. Definisci gli strumenti disponibili e i loro argomenti, indica l’obiettivo e fornisci i risultati restituiti affinché il modello li interpreti. Un assistente documentale può richiedere informazioni pertinenti prima di comporre la risposta finale, mentre un assistente di codice può ragionare sull’output di una verifica eseguita dall’applicazione. Il risultato utile è quindi una risposta collegata alle evidenze fornite e al formato richiesto. Questo è un profilo di modello testuale; le capacità visive, audio o di generazione video di altri modelli Qwen sono separate.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen-2.5-7b-instruct | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.