Qwen2.5-14B-Instruct è l’edizione di dimensione 14B ottimizzata per seguire istruzioni della famiglia generalista Qwen2.5. Accetta una conversazione testuale e restituisce testo: una spiegazione, un documento, codice di programma o campi strutturati. Il produttore sottolinea rispetto delle istruzioni, programmazione, matematica, comprensione di dati strutturati come tabelle e generazione di risposte strutturate, soprattutto JSON.
Miglioramenti della famiglia
Il produttore descrive conoscenze più ampie e capacità di programmazione e matematica più forti rispetto alla precedente generazione Qwen2, insieme a generazione di risposte lunghe e migliore gestione di istruzioni di sistema diverse. La famiglia usa un corpus di preaddestramento descritto come capace di raggiungere 18.000 miliardi di token. Queste capacità supportano un assistente di settore il cui ruolo e output sono definiti dal compito. Questo modello rimane l’edizione generalista Instruct; le linee separate Qwen2.5-Coder e Qwen2.5-Math hanno proprie specializzazioni.
Un assistente di processo può ricevere una procedura e una domanda su una fase. Definisci il ruolo del lettore, chiedi le azioni pertinenti a quella fase e richiedi che la risposta conservi le condizioni originali della procedura. Un output utile può separare l’azione successiva, la condizione che la rende applicabile e le informazioni ancora necessarie. Così una richiesta generica di consigli diventa una risposta collegata al processo fornito.
Per una spiegazione di codice, fornisci la funzione, le definizioni ausiliarie pertinenti e l’input che crea confusione. Chiedi la sequenza delle operazioni e il valore restituito per quell’input. Per una spiegazione matematica, indica simboli, ipotesi ed espressione obiettivo prima di richiedere la derivazione. Entrambi i compiti usano testo; eseguire il programma o rendere disponibile uno strumento numerico separato è lavoro dell’applicazione che circonda il modello.
Tabelle e JSON
Per una domanda su una tabella, conserva intestazioni delle colonne e unità, indica le righe pertinenti e specifica il confronto. L’output desiderato può elencare gli identificativi delle righe corrispondenti e spiegare quale condizione fornita soddisfa ciascuna. Se la tabella contiene valori mancanti, indica se la risposta deve lasciarli assenti o rappresentarli esplicitamente.
Per l’estrazione strutturata, mostra nomi dei campi e tipi richiesti. Un input con identificativo di articolo, quantità in magazzino ed etichetta del deposito può essere convertito in un record con gli stessi campi. Chiedi solo il record quando un’applicazione dovrà analizzarlo; chiedi una spiegazione separata in prosa quando l’utente deve esaminare l’interpretazione della fonte. La capacità documentata di generare JSON è distinta dall’imposizione di uno schema da parte di una particolare interfaccia.
La conversazione multilingue è supportata in più di 29 lingue, tra cui inglese, cinese, russo, tedesco, francese, spagnolo, portoghese, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Imposta la lingua finale e fornisci la terminologia che deve restare invariata. Per una spiegazione tecnica tradotta, chiedi al modello di conservare nomi delle variabili, etichette citate e unità adattando la prosa circostante al lettore.
La specifica versione 14B
La scheda indica 14,7 miliardi di parametri, di cui 13,1 miliardi non di embedding, e 48 livelli Transformer. L’architettura usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione, con 40 teste di query e 8 teste chiave/valore nell’attenzione a query raggruppate. Preaddestramento e post-addestramento producono questa edizione Instruct. Numero di parametri e livelli differiscono dall’edizione 32B anche quando coincidono le capacità della famiglia e le cifre di contesto pubblicate.
La scheda elenca un contesto completo di 131.072 token e generazione fino a 8.192 token. Il primo riguarda conversazione e materiale conservati per un compito; la seconda riguarda la risposta generata. L’impostazione di generazione di 512 token dell’avvio rapido è solo un esempio e non sostituisce la capacità di risposta dichiarata dalla scheda. La comprensione di immagini, video e audio appartiene a versioni multimodali nominate separatamente, non a questo modello testuale.
Formato di input e compiti assistiti da strumenti
L’esempio del produttore applica il template di chat corrispondente a messaggi di sistema e utente distinti. Definisci ruolo dell’assistente e regole della risposta separatamente dal materiale esaminato. Fornisci una domanda completa ed etichetta il testo sorgente, così che un’istruzione citata nella fonte non venga confusa con il compito assegnato dall’applicazione.
L’annuncio ufficiale di Qwen2.5 descrive anche template per chiamate a strumenti e integrazioni compatibili. Un compito assistito da strumenti richiede che l’applicazione circostante fornisca descrizioni delle funzioni, esegua l’operazione scelta e ne restituisca il risultato per la risposta successiva. Per esempio, una conversazione può chiedere un calcolo usando uno strumento di calcolo fornito; il risultato della funzione diventa poi un’informazione che il modello può spiegare. Disponibilità ed esecuzione degli strumenti provengono dall’integrazione, mentre questa versione fornisce il comportamento testuale conversazionale.
Configurazione per testi lunghi
La configurazione pubblicata copre inizialmente 32.768 token. L’estensione documentata per input più lunghi usa YaRN, con un fattore di scalatura di esempio di 4,0 e un’impostazione originale delle posizioni massime di 32.768. La scalatura statica può influire sul comportamento con testi più brevi, quindi il produttore consiglia di aggiungerla quando servono contesti lunghi.
Quando prepari una fonte lunga, identifica la sezione da rivedere o la domanda a cui rispondere e mantieni insieme le parti di supporto. Una richiesta chiara può chiedere un passaggio corretto, una tabella delle modifiche e i riferimenti alle sezioni originali. Questo usa il contesto esteso per un risultato concreto mantenendo la risposta nel limite di generazione separato.
", "aboutText": "Qwen2.5-14B-Instruct è l’edizione di dimensione 14B ottimizzata per seguire istruzioni della famiglia generalista Qwen2.5. Accetta una conversazione testuale e restituisce testo: una spiegazione, un documento, codice di programma o campi strutturati. Il produttore sottolinea rispetto delle istruzioni, programmazione, matematica, comprensione di dati strutturati come tabelle e generazione di risposte strutturate, soprattutto JSON.\n\nMiglioramenti della famiglia\n\nIl produttore descrive conoscenze più ampie e capacità di programmazione e matematica più forti rispetto alla precedente generazione Qwen2, insieme a generazione di risposte lunghe e migliore gestione di istruzioni di sistema diverse. La famiglia usa un corpus di preaddestramento descritto come capace di raggiungere 18.000 miliardi di token. Queste capacità supportano un assistente di settore il cui ruolo e output sono definiti dal compito. Questo modello rimane l’edizione generalista Instruct; le linee separate Qwen2.5-Coder e Qwen2.5-Math hanno proprie specializzazioni.\n\nUn assistente di processo può ricevere una procedura e una domanda su una fase. Definisci il ruolo del lettore, chiedi le azioni pertinenti a quella fase e richiedi che la risposta conservi le condizioni originali della procedura. Un output utile può separare l’azione successiva, la condizione che la rende applicabile e le informazioni ancora necessarie. Così una richiesta generica di consigli diventa una risposta collegata al processo fornito.\n\nPer una spiegazione di codice, fornisci la funzione, le definizioni ausiliarie pertinenti e l’input che crea confusione. Chiedi la sequenza delle operazioni e il valore restituito per quell’input. Per una spiegazione matematica, indica simboli, ipotesi ed espressione obiettivo prima di richiedere la derivazione. Entrambi i compiti usano testo; eseguire il programma o rendere disponibile uno strumento numerico separato è lavoro dell’applicazione che circonda il modello.\n\nTabelle e JSON\n\nPer una domanda su una tabella, conserva intestazioni delle colonne e unità, indica le righe pertinenti e specifica il confronto. L’output desiderato può elencare gli identificativi delle righe corrispondenti e spiegare quale condizione fornita soddisfa ciascuna. Se la tabella contiene valori mancanti, indica se la risposta deve lasciarli assenti o rappresentarli esplicitamente.\n\nPer l’estrazione strutturata, mostra nomi dei campi e tipi richiesti. Un input con identificativo di articolo, quantità in magazzino ed etichetta del deposito può essere convertito in un record con gli stessi campi. Chiedi solo il record quando un’applicazione dovrà analizzarlo; chiedi una spiegazione separata in prosa quando l’utente deve esaminare l’interpretazione della fonte. La capacità documentata di generare JSON è distinta dall’imposizione di uno schema da parte di una particolare interfaccia.\n\nLa conversazione multilingue è supportata in più di 29 lingue, tra cui inglese, cinese, russo, tedesco, francese, spagnolo, portoghese, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Imposta la lingua finale e fornisci la terminologia che deve restare invariata. Per una spiegazione tecnica tradotta, chiedi al modello di conservare nomi delle variabili, etichette citate e unità adattando la prosa circostante al lettore.\n\nLa specifica versione 14B\n\nLa scheda indica 14,7 miliardi di parametri, di cui 13,1 miliardi non di embedding, e 48 livelli Transformer. L’architettura usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione, con 40 teste di query e 8 teste chiave/valore nell’attenzione a query raggruppate. Preaddestramento e post-addestramento producono questa edizione Instruct. Numero di parametri e livelli differiscono dall’edizione 32B anche quando coincidono le capacità della famiglia e le cifre di contesto pubblicate.\n\nLa scheda elenca un contesto completo di 131.072 token e generazione fino a 8.192 token. Il primo riguarda conversazione e materiale conservati per un compito; la seconda riguarda la risposta generata. L’impostazione di generazione di 512 token dell’avvio rapido è solo un esempio e non sostituisce la capacità di risposta dichiarata dalla scheda. La comprensione di immagini, video e audio appartiene a versioni multimodali nominate separatamente, non a questo modello testuale.\n\nFormato di input e compiti assistiti da strumenti\n\nL’esempio del produttore applica il template di chat corrispondente a messaggi di sistema e utente distinti. Definisci ruolo dell’assistente e regole della risposta separatamente dal materiale esaminato. Fornisci una domanda completa ed etichetta il testo sorgente, così che un’istruzione citata nella fonte non venga confusa con il compito assegnato dall’applicazione.\n\nL’annuncio ufficiale di Qwen2.5 descrive anche template per chiamate a strumenti e integrazioni compatibili. Un compito assistito da strumenti richiede che l’applicazione circostante fornisca descrizioni delle funzioni, esegua l’operazione scelta e ne restituisca il risultato per la risposta successiva. Per esempio, una conversazione può chiedere un calcolo usando uno strumento di calcolo fornito; il risultato della funzione diventa poi un’informazione che il modello può spiegare. Disponibilità ed esecuzione degli strumenti provengono dall’integrazione, mentre questa versione fornisce il comportamento testuale conversazionale.\n\nConfigurazione per testi lunghi\n\nLa configurazione pubblicata copre inizialmente 32.768 token. L’estensione documentata per input più lunghi usa YaRN, con un fattore di scalatura di esempio di 4,0 e un’impostazione originale delle posizioni massime di 32.768. La scalatura statica può influire sul comportamento con testi più brevi, quindi il produttore consiglia di aggiungerla quando servono contesti lunghi.\n\nQuando prepari una fonte lunga, identifica la sezione da rivedere o la domanda a cui rispondere e mantieni insieme le parti di supporto. Una richiesta chiara può chiedere un passaggio corretto, una tabella delle modifiche e i riferimenti alle sezioni originali. Questo usa il contesto esteso per un risultato concreto mantenendo la risposta nel limite di generazione separato.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct è un modello testuale multilingue per assistenti basati su istruzioni, codice e matematica. La sua specifica versione da 14,7 miliardi di parametri supporta interpretazione delle tabelle, generazione di JSON e un limite di risposta di 8.192 token, con una configurazione di contesto esteso per input lunghi.
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.
Qwen2.5-14B-Instruct è l’edizione di dimensione 14B ottimizzata per seguire istruzioni della famiglia generalista Qwen2.5. Accetta una conversazione testuale e restituisce testo: una spiegazione, un documento, codice di programma o campi strutturati. Il produttore sottolinea rispetto delle istruzioni, programmazione, matematica, comprensione di dati strutturati come tabelle e generazione di risposte strutturate, soprattutto JSON.
Miglioramenti della famiglia
Il produttore descrive conoscenze più ampie e capacità di programmazione e matematica più forti rispetto alla precedente generazione Qwen2, insieme a generazione di risposte lunghe e migliore gestione di istruzioni di sistema diverse. La famiglia usa un corpus di preaddestramento descritto come capace di raggiungere 18.000 miliardi di token. Queste capacità supportano un assistente di settore il cui ruolo e output sono definiti dal compito. Questo modello rimane l’edizione generalista Instruct; le linee separate Qwen2.5-Coder e Qwen2.5-Math hanno proprie specializzazioni.
Un assistente di processo può ricevere una procedura e una domanda su una fase. Definisci il ruolo del lettore, chiedi le azioni pertinenti a quella fase e richiedi che la risposta conservi le condizioni originali della procedura. Un output utile può separare l’azione successiva, la condizione che la rende applicabile e le informazioni ancora necessarie. Così una richiesta generica di consigli diventa una risposta collegata al processo fornito.
Per una spiegazione di codice, fornisci la funzione, le definizioni ausiliarie pertinenti e l’input che crea confusione. Chiedi la sequenza delle operazioni e il valore restituito per quell’input. Per una spiegazione matematica, indica simboli, ipotesi ed espressione obiettivo prima di richiedere la derivazione. Entrambi i compiti usano testo; eseguire il programma o rendere disponibile uno strumento numerico separato è lavoro dell’applicazione che circonda il modello.
Tabelle e JSON
Per una domanda su una tabella, conserva intestazioni delle colonne e unità, indica le righe pertinenti e specifica il confronto. L’output desiderato può elencare gli identificativi delle righe corrispondenti e spiegare quale condizione fornita soddisfa ciascuna. Se la tabella contiene valori mancanti, indica se la risposta deve lasciarli assenti o rappresentarli esplicitamente.
Per l’estrazione strutturata, mostra nomi dei campi e tipi richiesti. Un input con identificativo di articolo, quantità in magazzino ed etichetta del deposito può essere convertito in un record con gli stessi campi. Chiedi solo il record quando un’applicazione dovrà analizzarlo; chiedi una spiegazione separata in prosa quando l’utente deve esaminare l’interpretazione della fonte. La capacità documentata di generare JSON è distinta dall’imposizione di uno schema da parte di una particolare interfaccia.
La conversazione multilingue è supportata in più di 29 lingue, tra cui inglese, cinese, russo, tedesco, francese, spagnolo, portoghese, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Imposta la lingua finale e fornisci la terminologia che deve restare invariata. Per una spiegazione tecnica tradotta, chiedi al modello di conservare nomi delle variabili, etichette citate e unità adattando la prosa circostante al lettore.
La specifica versione 14B
La scheda indica 14,7 miliardi di parametri, di cui 13,1 miliardi non di embedding, e 48 livelli Transformer. L’architettura usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione, con 40 teste di query e 8 teste chiave/valore nell’attenzione a query raggruppate. Preaddestramento e post-addestramento producono questa edizione Instruct. Numero di parametri e livelli differiscono dall’edizione 32B anche quando coincidono le capacità della famiglia e le cifre di contesto pubblicate.
La scheda elenca un contesto completo di 131.072 token e generazione fino a 8.192 token. Il primo riguarda conversazione e materiale conservati per un compito; la seconda riguarda la risposta generata. L’impostazione di generazione di 512 token dell’avvio rapido è solo un esempio e non sostituisce la capacità di risposta dichiarata dalla scheda. La comprensione di immagini, video e audio appartiene a versioni multimodali nominate separatamente, non a questo modello testuale.
Formato di input e compiti assistiti da strumenti
L’esempio del produttore applica il template di chat corrispondente a messaggi di sistema e utente distinti. Definisci ruolo dell’assistente e regole della risposta separatamente dal materiale esaminato. Fornisci una domanda completa ed etichetta il testo sorgente, così che un’istruzione citata nella fonte non venga confusa con il compito assegnato dall’applicazione.
L’annuncio ufficiale di Qwen2.5 descrive anche template per chiamate a strumenti e integrazioni compatibili. Un compito assistito da strumenti richiede che l’applicazione circostante fornisca descrizioni delle funzioni, esegua l’operazione scelta e ne restituisca il risultato per la risposta successiva. Per esempio, una conversazione può chiedere un calcolo usando uno strumento di calcolo fornito; il risultato della funzione diventa poi un’informazione che il modello può spiegare. Disponibilità ed esecuzione degli strumenti provengono dall’integrazione, mentre questa versione fornisce il comportamento testuale conversazionale.
Configurazione per testi lunghi
La configurazione pubblicata copre inizialmente 32.768 token. L’estensione documentata per input più lunghi usa YaRN, con un fattore di scalatura di esempio di 4,0 e un’impostazione originale delle posizioni massime di 32.768. La scalatura statica può influire sul comportamento con testi più brevi, quindi il produttore consiglia di aggiungerla quando servono contesti lunghi.
Quando prepari una fonte lunga, identifica la sezione da rivedere o la domanda a cui rispondere e mantieni insieme le parti di supporto. Una richiesta chiara può chiedere un passaggio corretto, una tabella delle modifiche e i riferimenti alle sezioni originali. Questo usa il contesto esteso per un risultato concreto mantenendo la risposta nel limite di generazione separato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen2.5-14B-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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0002 / 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/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct è un modello testuale multilingue per assistenti basati su istruzioni, codice e matematica. La sua specifica versione da 14,7 miliardi di parametri supporta interpretazione delle tabelle, generazione di JSON e un limite di risposta di 8.192 token, con una configurazione di contesto esteso per input lunghi.
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.
Qwen2.5-14B-Instruct è l’edizione di dimensione 14B ottimizzata per seguire istruzioni della famiglia generalista Qwen2.5. Accetta una conversazione testuale e restituisce testo: una spiegazione, un documento, codice di programma o campi strutturati. Il produttore sottolinea rispetto delle istruzioni, programmazione, matematica, comprensione di dati strutturati come tabelle e generazione di risposte strutturate, soprattutto JSON.
Miglioramenti della famiglia
Il produttore descrive conoscenze più ampie e capacità di programmazione e matematica più forti rispetto alla precedente generazione Qwen2, insieme a generazione di risposte lunghe e migliore gestione di istruzioni di sistema diverse. La famiglia usa un corpus di preaddestramento descritto come capace di raggiungere 18.000 miliardi di token. Queste capacità supportano un assistente di settore il cui ruolo e output sono definiti dal compito. Questo modello rimane l’edizione generalista Instruct; le linee separate Qwen2.5-Coder e Qwen2.5-Math hanno proprie specializzazioni.
Un assistente di processo può ricevere una procedura e una domanda su una fase. Definisci il ruolo del lettore, chiedi le azioni pertinenti a quella fase e richiedi che la risposta conservi le condizioni originali della procedura. Un output utile può separare l’azione successiva, la condizione che la rende applicabile e le informazioni ancora necessarie. Così una richiesta generica di consigli diventa una risposta collegata al processo fornito.
Per una spiegazione di codice, fornisci la funzione, le definizioni ausiliarie pertinenti e l’input che crea confusione. Chiedi la sequenza delle operazioni e il valore restituito per quell’input. Per una spiegazione matematica, indica simboli, ipotesi ed espressione obiettivo prima di richiedere la derivazione. Entrambi i compiti usano testo; eseguire il programma o rendere disponibile uno strumento numerico separato è lavoro dell’applicazione che circonda il modello.
Tabelle e JSON
Per una domanda su una tabella, conserva intestazioni delle colonne e unità, indica le righe pertinenti e specifica il confronto. L’output desiderato può elencare gli identificativi delle righe corrispondenti e spiegare quale condizione fornita soddisfa ciascuna. Se la tabella contiene valori mancanti, indica se la risposta deve lasciarli assenti o rappresentarli esplicitamente.
Per l’estrazione strutturata, mostra nomi dei campi e tipi richiesti. Un input con identificativo di articolo, quantità in magazzino ed etichetta del deposito può essere convertito in un record con gli stessi campi. Chiedi solo il record quando un’applicazione dovrà analizzarlo; chiedi una spiegazione separata in prosa quando l’utente deve esaminare l’interpretazione della fonte. La capacità documentata di generare JSON è distinta dall’imposizione di uno schema da parte di una particolare interfaccia.
La conversazione multilingue è supportata in più di 29 lingue, tra cui inglese, cinese, russo, tedesco, francese, spagnolo, portoghese, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Imposta la lingua finale e fornisci la terminologia che deve restare invariata. Per una spiegazione tecnica tradotta, chiedi al modello di conservare nomi delle variabili, etichette citate e unità adattando la prosa circostante al lettore.
La specifica versione 14B
La scheda indica 14,7 miliardi di parametri, di cui 13,1 miliardi non di embedding, e 48 livelli Transformer. L’architettura usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione, con 40 teste di query e 8 teste chiave/valore nell’attenzione a query raggruppate. Preaddestramento e post-addestramento producono questa edizione Instruct. Numero di parametri e livelli differiscono dall’edizione 32B anche quando coincidono le capacità della famiglia e le cifre di contesto pubblicate.
La scheda elenca un contesto completo di 131.072 token e generazione fino a 8.192 token. Il primo riguarda conversazione e materiale conservati per un compito; la seconda riguarda la risposta generata. L’impostazione di generazione di 512 token dell’avvio rapido è solo un esempio e non sostituisce la capacità di risposta dichiarata dalla scheda. La comprensione di immagini, video e audio appartiene a versioni multimodali nominate separatamente, non a questo modello testuale.
Formato di input e compiti assistiti da strumenti
L’esempio del produttore applica il template di chat corrispondente a messaggi di sistema e utente distinti. Definisci ruolo dell’assistente e regole della risposta separatamente dal materiale esaminato. Fornisci una domanda completa ed etichetta il testo sorgente, così che un’istruzione citata nella fonte non venga confusa con il compito assegnato dall’applicazione.
L’annuncio ufficiale di Qwen2.5 descrive anche template per chiamate a strumenti e integrazioni compatibili. Un compito assistito da strumenti richiede che l’applicazione circostante fornisca descrizioni delle funzioni, esegua l’operazione scelta e ne restituisca il risultato per la risposta successiva. Per esempio, una conversazione può chiedere un calcolo usando uno strumento di calcolo fornito; il risultato della funzione diventa poi un’informazione che il modello può spiegare. Disponibilità ed esecuzione degli strumenti provengono dall’integrazione, mentre questa versione fornisce il comportamento testuale conversazionale.
Configurazione per testi lunghi
La configurazione pubblicata copre inizialmente 32.768 token. L’estensione documentata per input più lunghi usa YaRN, con un fattore di scalatura di esempio di 4,0 e un’impostazione originale delle posizioni massime di 32.768. La scalatura statica può influire sul comportamento con testi più brevi, quindi il produttore consiglia di aggiungerla quando servono contesti lunghi.
Quando prepari una fonte lunga, identifica la sezione da rivedere o la domanda a cui rispondere e mantieni insieme le parti di supporto. Una richiesta chiara può chiedere un passaggio corretto, una tabella delle modifiche e i riferimenti alle sezioni originali. Questo usa il contesto esteso per un risultato concreto mantenendo la risposta nel limite di generazione separato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen2.5-14B-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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0002 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct è un modello testuale multilingue per assistenti basati su istruzioni, codice e matematica. La sua specifica versione da 14,7 miliardi di parametri supporta interpretazione delle tabelle, generazione di JSON e un limite di risposta di 8.192 token, con una configurazione di contesto esteso per input lunghi.
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.
Qwen2.5-14B-Instruct è l’edizione di dimensione 14B ottimizzata per seguire istruzioni della famiglia generalista Qwen2.5. Accetta una conversazione testuale e restituisce testo: una spiegazione, un documento, codice di programma o campi strutturati. Il produttore sottolinea rispetto delle istruzioni, programmazione, matematica, comprensione di dati strutturati come tabelle e generazione di risposte strutturate, soprattutto JSON.
Miglioramenti della famiglia
Il produttore descrive conoscenze più ampie e capacità di programmazione e matematica più forti rispetto alla precedente generazione Qwen2, insieme a generazione di risposte lunghe e migliore gestione di istruzioni di sistema diverse. La famiglia usa un corpus di preaddestramento descritto come capace di raggiungere 18.000 miliardi di token. Queste capacità supportano un assistente di settore il cui ruolo e output sono definiti dal compito. Questo modello rimane l’edizione generalista Instruct; le linee separate Qwen2.5-Coder e Qwen2.5-Math hanno proprie specializzazioni.
Un assistente di processo può ricevere una procedura e una domanda su una fase. Definisci il ruolo del lettore, chiedi le azioni pertinenti a quella fase e richiedi che la risposta conservi le condizioni originali della procedura. Un output utile può separare l’azione successiva, la condizione che la rende applicabile e le informazioni ancora necessarie. Così una richiesta generica di consigli diventa una risposta collegata al processo fornito.
Per una spiegazione di codice, fornisci la funzione, le definizioni ausiliarie pertinenti e l’input che crea confusione. Chiedi la sequenza delle operazioni e il valore restituito per quell’input. Per una spiegazione matematica, indica simboli, ipotesi ed espressione obiettivo prima di richiedere la derivazione. Entrambi i compiti usano testo; eseguire il programma o rendere disponibile uno strumento numerico separato è lavoro dell’applicazione che circonda il modello.
Tabelle e JSON
Per una domanda su una tabella, conserva intestazioni delle colonne e unità, indica le righe pertinenti e specifica il confronto. L’output desiderato può elencare gli identificativi delle righe corrispondenti e spiegare quale condizione fornita soddisfa ciascuna. Se la tabella contiene valori mancanti, indica se la risposta deve lasciarli assenti o rappresentarli esplicitamente.
Per l’estrazione strutturata, mostra nomi dei campi e tipi richiesti. Un input con identificativo di articolo, quantità in magazzino ed etichetta del deposito può essere convertito in un record con gli stessi campi. Chiedi solo il record quando un’applicazione dovrà analizzarlo; chiedi una spiegazione separata in prosa quando l’utente deve esaminare l’interpretazione della fonte. La capacità documentata di generare JSON è distinta dall’imposizione di uno schema da parte di una particolare interfaccia.
La conversazione multilingue è supportata in più di 29 lingue, tra cui inglese, cinese, russo, tedesco, francese, spagnolo, portoghese, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Imposta la lingua finale e fornisci la terminologia che deve restare invariata. Per una spiegazione tecnica tradotta, chiedi al modello di conservare nomi delle variabili, etichette citate e unità adattando la prosa circostante al lettore.
La specifica versione 14B
La scheda indica 14,7 miliardi di parametri, di cui 13,1 miliardi non di embedding, e 48 livelli Transformer. L’architettura usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione, con 40 teste di query e 8 teste chiave/valore nell’attenzione a query raggruppate. Preaddestramento e post-addestramento producono questa edizione Instruct. Numero di parametri e livelli differiscono dall’edizione 32B anche quando coincidono le capacità della famiglia e le cifre di contesto pubblicate.
La scheda elenca un contesto completo di 131.072 token e generazione fino a 8.192 token. Il primo riguarda conversazione e materiale conservati per un compito; la seconda riguarda la risposta generata. L’impostazione di generazione di 512 token dell’avvio rapido è solo un esempio e non sostituisce la capacità di risposta dichiarata dalla scheda. La comprensione di immagini, video e audio appartiene a versioni multimodali nominate separatamente, non a questo modello testuale.
Formato di input e compiti assistiti da strumenti
L’esempio del produttore applica il template di chat corrispondente a messaggi di sistema e utente distinti. Definisci ruolo dell’assistente e regole della risposta separatamente dal materiale esaminato. Fornisci una domanda completa ed etichetta il testo sorgente, così che un’istruzione citata nella fonte non venga confusa con il compito assegnato dall’applicazione.
L’annuncio ufficiale di Qwen2.5 descrive anche template per chiamate a strumenti e integrazioni compatibili. Un compito assistito da strumenti richiede che l’applicazione circostante fornisca descrizioni delle funzioni, esegua l’operazione scelta e ne restituisca il risultato per la risposta successiva. Per esempio, una conversazione può chiedere un calcolo usando uno strumento di calcolo fornito; il risultato della funzione diventa poi un’informazione che il modello può spiegare. Disponibilità ed esecuzione degli strumenti provengono dall’integrazione, mentre questa versione fornisce il comportamento testuale conversazionale.
Configurazione per testi lunghi
La configurazione pubblicata copre inizialmente 32.768 token. L’estensione documentata per input più lunghi usa YaRN, con un fattore di scalatura di esempio di 4,0 e un’impostazione originale delle posizioni massime di 32.768. La scalatura statica può influire sul comportamento con testi più brevi, quindi il produttore consiglia di aggiungerla quando servono contesti lunghi.
Quando prepari una fonte lunga, identifica la sezione da rivedere o la domanda a cui rispondere e mantieni insieme le parti di supporto. Una richiesta chiara può chiedere un passaggio corretto, una tabella delle modifiche e i riferimenti alle sezioni originali. Questo usa il contesto esteso per un risultato concreto mantenendo la risposta nel limite di generazione separato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-14b-instruct | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
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 |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0002 / 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":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct è un modello testuale multilingue per assistenti basati su istruzioni, codice e matematica. La sua specifica versione da 14,7 miliardi di parametri supporta interpretazione delle tabelle, generazione di JSON e un limite di risposta di 8.192 token, con una configurazione di contesto esteso per input lunghi.
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.
Qwen2.5-14B-Instruct è l’edizione di dimensione 14B ottimizzata per seguire istruzioni della famiglia generalista Qwen2.5. Accetta una conversazione testuale e restituisce testo: una spiegazione, un documento, codice di programma o campi strutturati. Il produttore sottolinea rispetto delle istruzioni, programmazione, matematica, comprensione di dati strutturati come tabelle e generazione di risposte strutturate, soprattutto JSON.
Miglioramenti della famiglia
Il produttore descrive conoscenze più ampie e capacità di programmazione e matematica più forti rispetto alla precedente generazione Qwen2, insieme a generazione di risposte lunghe e migliore gestione di istruzioni di sistema diverse. La famiglia usa un corpus di preaddestramento descritto come capace di raggiungere 18.000 miliardi di token. Queste capacità supportano un assistente di settore il cui ruolo e output sono definiti dal compito. Questo modello rimane l’edizione generalista Instruct; le linee separate Qwen2.5-Coder e Qwen2.5-Math hanno proprie specializzazioni.
Un assistente di processo può ricevere una procedura e una domanda su una fase. Definisci il ruolo del lettore, chiedi le azioni pertinenti a quella fase e richiedi che la risposta conservi le condizioni originali della procedura. Un output utile può separare l’azione successiva, la condizione che la rende applicabile e le informazioni ancora necessarie. Così una richiesta generica di consigli diventa una risposta collegata al processo fornito.
Per una spiegazione di codice, fornisci la funzione, le definizioni ausiliarie pertinenti e l’input che crea confusione. Chiedi la sequenza delle operazioni e il valore restituito per quell’input. Per una spiegazione matematica, indica simboli, ipotesi ed espressione obiettivo prima di richiedere la derivazione. Entrambi i compiti usano testo; eseguire il programma o rendere disponibile uno strumento numerico separato è lavoro dell’applicazione che circonda il modello.
Tabelle e JSON
Per una domanda su una tabella, conserva intestazioni delle colonne e unità, indica le righe pertinenti e specifica il confronto. L’output desiderato può elencare gli identificativi delle righe corrispondenti e spiegare quale condizione fornita soddisfa ciascuna. Se la tabella contiene valori mancanti, indica se la risposta deve lasciarli assenti o rappresentarli esplicitamente.
Per l’estrazione strutturata, mostra nomi dei campi e tipi richiesti. Un input con identificativo di articolo, quantità in magazzino ed etichetta del deposito può essere convertito in un record con gli stessi campi. Chiedi solo il record quando un’applicazione dovrà analizzarlo; chiedi una spiegazione separata in prosa quando l’utente deve esaminare l’interpretazione della fonte. La capacità documentata di generare JSON è distinta dall’imposizione di uno schema da parte di una particolare interfaccia.
La conversazione multilingue è supportata in più di 29 lingue, tra cui inglese, cinese, russo, tedesco, francese, spagnolo, portoghese, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Imposta la lingua finale e fornisci la terminologia che deve restare invariata. Per una spiegazione tecnica tradotta, chiedi al modello di conservare nomi delle variabili, etichette citate e unità adattando la prosa circostante al lettore.
La specifica versione 14B
La scheda indica 14,7 miliardi di parametri, di cui 13,1 miliardi non di embedding, e 48 livelli Transformer. L’architettura usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione, con 40 teste di query e 8 teste chiave/valore nell’attenzione a query raggruppate. Preaddestramento e post-addestramento producono questa edizione Instruct. Numero di parametri e livelli differiscono dall’edizione 32B anche quando coincidono le capacità della famiglia e le cifre di contesto pubblicate.
La scheda elenca un contesto completo di 131.072 token e generazione fino a 8.192 token. Il primo riguarda conversazione e materiale conservati per un compito; la seconda riguarda la risposta generata. L’impostazione di generazione di 512 token dell’avvio rapido è solo un esempio e non sostituisce la capacità di risposta dichiarata dalla scheda. La comprensione di immagini, video e audio appartiene a versioni multimodali nominate separatamente, non a questo modello testuale.
Formato di input e compiti assistiti da strumenti
L’esempio del produttore applica il template di chat corrispondente a messaggi di sistema e utente distinti. Definisci ruolo dell’assistente e regole della risposta separatamente dal materiale esaminato. Fornisci una domanda completa ed etichetta il testo sorgente, così che un’istruzione citata nella fonte non venga confusa con il compito assegnato dall’applicazione.
L’annuncio ufficiale di Qwen2.5 descrive anche template per chiamate a strumenti e integrazioni compatibili. Un compito assistito da strumenti richiede che l’applicazione circostante fornisca descrizioni delle funzioni, esegua l’operazione scelta e ne restituisca il risultato per la risposta successiva. Per esempio, una conversazione può chiedere un calcolo usando uno strumento di calcolo fornito; il risultato della funzione diventa poi un’informazione che il modello può spiegare. Disponibilità ed esecuzione degli strumenti provengono dall’integrazione, mentre questa versione fornisce il comportamento testuale conversazionale.
Configurazione per testi lunghi
La configurazione pubblicata copre inizialmente 32.768 token. L’estensione documentata per input più lunghi usa YaRN, con un fattore di scalatura di esempio di 4,0 e un’impostazione originale delle posizioni massime di 32.768. La scalatura statica può influire sul comportamento con testi più brevi, quindi il produttore consiglia di aggiungerla quando servono contesti lunghi.
Quando prepari una fonte lunga, identifica la sezione da rivedere o la domanda a cui rispondere e mantieni insieme le parti di supporto. Una richiesta chiara può chiedere un passaggio corretto, una tabella delle modifiche e i riferimenti alle sezioni originali. Questo usa il contesto esteso per un risultato concreto mantenendo la risposta nel limite di generazione separato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-14b-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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0002 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Esempio tecnico in inglese
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.