Qwen2.5-32B-Instruct è il modello testuale di dimensione 32B ottimizzato per seguire istruzioni della famiglia generalista Qwen2.5. Combina comprensione e generazione linguistica con programmazione e matematica, anziché essere uno specialista Coder o Math nominato separatamente. Il produttore evidenzia in particolare rispetto di istruzioni dettagliate, scrittura estesa, comprensione delle tabelle e produzione di testo strutturato, soprattutto JSON. La famiglia è preaddestrata su un corpus descritto come capace di raggiungere 18.000 miliardi di token.
Dati strutturati, risposte lunghe e lavoro multilingue
Un compito utile di estrazione fornisce un passaggio sorgente e i campi esatti necessari al passaggio successivo dell’applicazione. Definisci tipi dei campi, se il testo debba essere copiato o riassunto e come rappresentare le informazioni assenti. Per esempio, un record di prodotto può richiedere identificativo, condizioni operative ed elenco di domande irrisolte. Chiedi solo il record JSON quando dovrà essere analizzato, oppure una spiegazione separata quando una persona deve esaminare il ragionamento alla base dei campi estratti.
La comprensione delle tabelle è un altro ambito documentato. Fornisci nomi delle colonne, unità e righe pertinenti insieme alla domanda. Chiedi al modello di identificare le righe che soddisfano una condizione, spiegare un cambiamento tra periodi o trasformare una tabella in un rapporto scritto. Un output pratico può conservare l’identificativo di ogni riga accanto al riscontro. Così si mantiene il collegamento tra dati forniti e risposta, anziché produrre una sintesi priva di una riga sorgente rintracciabile.
Per la scrittura estesa, indica pubblico, sezioni e fatti sorgente prima di chiedere il documento. Una proposta tecnica può richiedere descrizione del problema, requisiti, alternative e raccomandazione usando solo il materiale fornito. Specifica quali condizioni sono obbligatorie e quali sono domande da risolvere. Il produttore sviluppa anche robustezza a diversi prompt di sistema, a supporto di ruolo, tono e condizioni conversazionali definiti.
La famiglia supporta più di 29 lingue, tra cui inglese, cinese, russo, francese, spagnolo, portoghese, tedesco, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Per un compito multilingue, distingui lingua sorgente e lingua richiesta per l’output e fornisci un elenco terminologico quando nomi o termini tecnici devono restare coerenti. Un rapporto bilingue può chiedere gli stessi fatti sorgente in due versioni mantenendo invariati identificativi e unità.
Dettagli del modello di questa edizione
La versione 32B-Instruct ha 32,5 miliardi di parametri, con 31,0 miliardi non di embedding, e 64 livelli Transformer. Usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione. L’attenzione a query raggruppate usa 40 teste di query e 8 teste chiave/valore. È una versione di modello linguistico denso solo decoder con preaddestramento e post-addestramento; Instruct identifica l’edizione addestrata per la conversazione anziché il modello base.
La scheda indica un contesto completo di 131.072 token e generazione fino a 8.192 token. Le cifre descrivono parti diverse del compito: il contesto conserva prompt e conversazione, mentre la cifra di generazione delimita la risposta scritta. I 512 token generati dell’avvio rapido sono soltanto un esempio nel limite di generazione più ampio dichiarato. Il modello accetta e restituisce testo; una tabella scansionata o una schermata richiede che il contenuto sia reso disponibile come testo o che si usi un modello visivo separato.
Conversazione e strumenti
La scheda dimostra messaggi di sistema e utente separati formattati con il template di chat corrispondente. Metti le regole di risposta durature dell’assistente nel ruolo conversazionale appropriato e documento, tabella o codice effettivi con il compito dell’utente. Segna il confine tra materiale sorgente citato e istruzioni, così che un’istruzione presente in un documento non venga scambiata per il compito previsto dall’applicazione.
L’annuncio ufficiale della famiglia documenta chiamate a strumenti tramite template conversazionali e integrazioni del servizio compatibili. In quel flusso, l’applicazione fornisce le descrizioni delle funzioni, riceve la chiamata proposta, esegue la funzione e ne restituisce il risultato. Questo può collegare una domanda testuale a un calcolo o una ricerca di dati, ma scegliere il modello da solo non fornisce lo strumento esterno o i suoi dati. Generazione di JSON e chiamata a uno strumento sono anche risultati diversi: la prima formatta il testo, la seconda chiede all’applicazione circostante di svolgere un’operazione nominata.
Preparazione del contesto lungo
La configurazione rilasciata parte da 32.768 token. Input oltre quell’impostazione richiedono l’estensione YaRN documentata, il cui esempio usa un fattore di 4,0 e un’impostazione originale delle posizioni massime di 32.768. Il produttore avverte che la scalatura statica può influire sul comportamento con testi più brevi e consiglia di abilitarla quando serve elaborare contesti lunghi.
Per un confronto tra grandi documenti, identifica il ruolo di ciascuno e chiedi un risultato ben definito: una matrice dei requisiti, un elenco di discrepanze o una sezione rivista. Mantieni le posizioni sorgente accanto ai riscontri estratti e lascia spazio di risposta sufficiente per la struttura richiesta. La capacità di contesto lungo aiuta a conservare insieme il materiale pertinente; non sostituisce la necessità di definire cosa confrontare o come usare il risultato finale.
", "aboutText": "Qwen2.5-32B-Instruct è il modello testuale di dimensione 32B ottimizzato per seguire istruzioni della famiglia generalista Qwen2.5. Combina comprensione e generazione linguistica con programmazione e matematica, anziché essere uno specialista Coder o Math nominato separatamente. Il produttore evidenzia in particolare rispetto di istruzioni dettagliate, scrittura estesa, comprensione delle tabelle e produzione di testo strutturato, soprattutto JSON. La famiglia è preaddestrata su un corpus descritto come capace di raggiungere 18.000 miliardi di token.\n\nDati strutturati, risposte lunghe e lavoro multilingue\n\nUn compito utile di estrazione fornisce un passaggio sorgente e i campi esatti necessari al passaggio successivo dell’applicazione. Definisci tipi dei campi, se il testo debba essere copiato o riassunto e come rappresentare le informazioni assenti. Per esempio, un record di prodotto può richiedere identificativo, condizioni operative ed elenco di domande irrisolte. Chiedi solo il record JSON quando dovrà essere analizzato, oppure una spiegazione separata quando una persona deve esaminare il ragionamento alla base dei campi estratti.\n\nLa comprensione delle tabelle è un altro ambito documentato. Fornisci nomi delle colonne, unità e righe pertinenti insieme alla domanda. Chiedi al modello di identificare le righe che soddisfano una condizione, spiegare un cambiamento tra periodi o trasformare una tabella in un rapporto scritto. Un output pratico può conservare l’identificativo di ogni riga accanto al riscontro. Così si mantiene il collegamento tra dati forniti e risposta, anziché produrre una sintesi priva di una riga sorgente rintracciabile.\n\nPer la scrittura estesa, indica pubblico, sezioni e fatti sorgente prima di chiedere il documento. Una proposta tecnica può richiedere descrizione del problema, requisiti, alternative e raccomandazione usando solo il materiale fornito. Specifica quali condizioni sono obbligatorie e quali sono domande da risolvere. Il produttore sviluppa anche robustezza a diversi prompt di sistema, a supporto di ruolo, tono e condizioni conversazionali definiti.\n\nLa famiglia supporta più di 29 lingue, tra cui inglese, cinese, russo, francese, spagnolo, portoghese, tedesco, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Per un compito multilingue, distingui lingua sorgente e lingua richiesta per l’output e fornisci un elenco terminologico quando nomi o termini tecnici devono restare coerenti. Un rapporto bilingue può chiedere gli stessi fatti sorgente in due versioni mantenendo invariati identificativi e unità.\n\nDettagli del modello di questa edizione\n\nLa versione 32B-Instruct ha 32,5 miliardi di parametri, con 31,0 miliardi non di embedding, e 64 livelli Transformer. Usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione. L’attenzione a query raggruppate usa 40 teste di query e 8 teste chiave/valore. È una versione di modello linguistico denso solo decoder con preaddestramento e post-addestramento; Instruct identifica l’edizione addestrata per la conversazione anziché il modello base.\n\nLa scheda indica un contesto completo di 131.072 token e generazione fino a 8.192 token. Le cifre descrivono parti diverse del compito: il contesto conserva prompt e conversazione, mentre la cifra di generazione delimita la risposta scritta. I 512 token generati dell’avvio rapido sono soltanto un esempio nel limite di generazione più ampio dichiarato. Il modello accetta e restituisce testo; una tabella scansionata o una schermata richiede che il contenuto sia reso disponibile come testo o che si usi un modello visivo separato.\n\nConversazione e strumenti\n\nLa scheda dimostra messaggi di sistema e utente separati formattati con il template di chat corrispondente. Metti le regole di risposta durature dell’assistente nel ruolo conversazionale appropriato e documento, tabella o codice effettivi con il compito dell’utente. Segna il confine tra materiale sorgente citato e istruzioni, così che un’istruzione presente in un documento non venga scambiata per il compito previsto dall’applicazione.\n\nL’annuncio ufficiale della famiglia documenta chiamate a strumenti tramite template conversazionali e integrazioni del servizio compatibili. In quel flusso, l’applicazione fornisce le descrizioni delle funzioni, riceve la chiamata proposta, esegue la funzione e ne restituisce il risultato. Questo può collegare una domanda testuale a un calcolo o una ricerca di dati, ma scegliere il modello da solo non fornisce lo strumento esterno o i suoi dati. Generazione di JSON e chiamata a uno strumento sono anche risultati diversi: la prima formatta il testo, la seconda chiede all’applicazione circostante di svolgere un’operazione nominata.\n\nPreparazione del contesto lungo\n\nLa configurazione rilasciata parte da 32.768 token. Input oltre quell’impostazione richiedono l’estensione YaRN documentata, il cui esempio usa un fattore di 4,0 e un’impostazione originale delle posizioni massime di 32.768. Il produttore avverte che la scalatura statica può influire sul comportamento con testi più brevi e consiglia di abilitarla quando serve elaborare contesti lunghi.\n\nPer un confronto tra grandi documenti, identifica il ruolo di ciascuno e chiedi un risultato ben definito: una matrice dei requisiti, un elenco di discrepanze o una sezione rivista. Mantieni le posizioni sorgente accanto ai riscontri estratti e lascia spazio di risposta sufficiente per la struttura richiesta. La capacità di contesto lungo aiuta a conservare insieme il materiale pertinente; non sostituisce la necessità di definire cosa confrontare o come usare il risultato finale.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct è un modello testuale multilingue per istruzioni dettagliate, programmazione, matematica e dati strutturati. L’edizione da 32,5 miliardi di parametri pone l’accento su comprensione delle tabelle, output JSON e risultati scritti lunghi, con impostazioni documentate di contesto esteso.
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.
Qwen2.5-32B-Instruct è il modello testuale di dimensione 32B ottimizzato per seguire istruzioni della famiglia generalista Qwen2.5. Combina comprensione e generazione linguistica con programmazione e matematica, anziché essere uno specialista Coder o Math nominato separatamente. Il produttore evidenzia in particolare rispetto di istruzioni dettagliate, scrittura estesa, comprensione delle tabelle e produzione di testo strutturato, soprattutto JSON. La famiglia è preaddestrata su un corpus descritto come capace di raggiungere 18.000 miliardi di token.
Dati strutturati, risposte lunghe e lavoro multilingue
Un compito utile di estrazione fornisce un passaggio sorgente e i campi esatti necessari al passaggio successivo dell’applicazione. Definisci tipi dei campi, se il testo debba essere copiato o riassunto e come rappresentare le informazioni assenti. Per esempio, un record di prodotto può richiedere identificativo, condizioni operative ed elenco di domande irrisolte. Chiedi solo il record JSON quando dovrà essere analizzato, oppure una spiegazione separata quando una persona deve esaminare il ragionamento alla base dei campi estratti.
La comprensione delle tabelle è un altro ambito documentato. Fornisci nomi delle colonne, unità e righe pertinenti insieme alla domanda. Chiedi al modello di identificare le righe che soddisfano una condizione, spiegare un cambiamento tra periodi o trasformare una tabella in un rapporto scritto. Un output pratico può conservare l’identificativo di ogni riga accanto al riscontro. Così si mantiene il collegamento tra dati forniti e risposta, anziché produrre una sintesi priva di una riga sorgente rintracciabile.
Per la scrittura estesa, indica pubblico, sezioni e fatti sorgente prima di chiedere il documento. Una proposta tecnica può richiedere descrizione del problema, requisiti, alternative e raccomandazione usando solo il materiale fornito. Specifica quali condizioni sono obbligatorie e quali sono domande da risolvere. Il produttore sviluppa anche robustezza a diversi prompt di sistema, a supporto di ruolo, tono e condizioni conversazionali definiti.
La famiglia supporta più di 29 lingue, tra cui inglese, cinese, russo, francese, spagnolo, portoghese, tedesco, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Per un compito multilingue, distingui lingua sorgente e lingua richiesta per l’output e fornisci un elenco terminologico quando nomi o termini tecnici devono restare coerenti. Un rapporto bilingue può chiedere gli stessi fatti sorgente in due versioni mantenendo invariati identificativi e unità.
Dettagli del modello di questa edizione
La versione 32B-Instruct ha 32,5 miliardi di parametri, con 31,0 miliardi non di embedding, e 64 livelli Transformer. Usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione. L’attenzione a query raggruppate usa 40 teste di query e 8 teste chiave/valore. È una versione di modello linguistico denso solo decoder con preaddestramento e post-addestramento; Instruct identifica l’edizione addestrata per la conversazione anziché il modello base.
La scheda indica un contesto completo di 131.072 token e generazione fino a 8.192 token. Le cifre descrivono parti diverse del compito: il contesto conserva prompt e conversazione, mentre la cifra di generazione delimita la risposta scritta. I 512 token generati dell’avvio rapido sono soltanto un esempio nel limite di generazione più ampio dichiarato. Il modello accetta e restituisce testo; una tabella scansionata o una schermata richiede che il contenuto sia reso disponibile come testo o che si usi un modello visivo separato.
Conversazione e strumenti
La scheda dimostra messaggi di sistema e utente separati formattati con il template di chat corrispondente. Metti le regole di risposta durature dell’assistente nel ruolo conversazionale appropriato e documento, tabella o codice effettivi con il compito dell’utente. Segna il confine tra materiale sorgente citato e istruzioni, così che un’istruzione presente in un documento non venga scambiata per il compito previsto dall’applicazione.
L’annuncio ufficiale della famiglia documenta chiamate a strumenti tramite template conversazionali e integrazioni del servizio compatibili. In quel flusso, l’applicazione fornisce le descrizioni delle funzioni, riceve la chiamata proposta, esegue la funzione e ne restituisce il risultato. Questo può collegare una domanda testuale a un calcolo o una ricerca di dati, ma scegliere il modello da solo non fornisce lo strumento esterno o i suoi dati. Generazione di JSON e chiamata a uno strumento sono anche risultati diversi: la prima formatta il testo, la seconda chiede all’applicazione circostante di svolgere un’operazione nominata.
Preparazione del contesto lungo
La configurazione rilasciata parte da 32.768 token. Input oltre quell’impostazione richiedono l’estensione YaRN documentata, il cui esempio usa un fattore di 4,0 e un’impostazione originale delle posizioni massime di 32.768. Il produttore avverte che la scalatura statica può influire sul comportamento con testi più brevi e consiglia di abilitarla quando serve elaborare contesti lunghi.
Per un confronto tra grandi documenti, identifica il ruolo di ciascuno e chiedi un risultato ben definito: una matrice dei requisiti, un elenco di discrepanze o una sezione rivista. Mantieni le posizioni sorgente accanto ai riscontri estratti e lascia spazio di risposta sufficiente per la struttura richiesta. La capacità di contesto lungo aiuta a conservare insieme il materiale pertinente; non sostituisce la necessità di definire cosa confrontare o come usare il risultato finale.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen2.5-32B-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 $0.00036 / 1K token Output · Token in output $0.00036 / 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/Qwen2.5-32B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct è un modello testuale multilingue per istruzioni dettagliate, programmazione, matematica e dati strutturati. L’edizione da 32,5 miliardi di parametri pone l’accento su comprensione delle tabelle, output JSON e risultati scritti lunghi, con impostazioni documentate di contesto esteso.
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.
Qwen2.5-32B-Instruct è il modello testuale di dimensione 32B ottimizzato per seguire istruzioni della famiglia generalista Qwen2.5. Combina comprensione e generazione linguistica con programmazione e matematica, anziché essere uno specialista Coder o Math nominato separatamente. Il produttore evidenzia in particolare rispetto di istruzioni dettagliate, scrittura estesa, comprensione delle tabelle e produzione di testo strutturato, soprattutto JSON. La famiglia è preaddestrata su un corpus descritto come capace di raggiungere 18.000 miliardi di token.
Dati strutturati, risposte lunghe e lavoro multilingue
Un compito utile di estrazione fornisce un passaggio sorgente e i campi esatti necessari al passaggio successivo dell’applicazione. Definisci tipi dei campi, se il testo debba essere copiato o riassunto e come rappresentare le informazioni assenti. Per esempio, un record di prodotto può richiedere identificativo, condizioni operative ed elenco di domande irrisolte. Chiedi solo il record JSON quando dovrà essere analizzato, oppure una spiegazione separata quando una persona deve esaminare il ragionamento alla base dei campi estratti.
La comprensione delle tabelle è un altro ambito documentato. Fornisci nomi delle colonne, unità e righe pertinenti insieme alla domanda. Chiedi al modello di identificare le righe che soddisfano una condizione, spiegare un cambiamento tra periodi o trasformare una tabella in un rapporto scritto. Un output pratico può conservare l’identificativo di ogni riga accanto al riscontro. Così si mantiene il collegamento tra dati forniti e risposta, anziché produrre una sintesi priva di una riga sorgente rintracciabile.
Per la scrittura estesa, indica pubblico, sezioni e fatti sorgente prima di chiedere il documento. Una proposta tecnica può richiedere descrizione del problema, requisiti, alternative e raccomandazione usando solo il materiale fornito. Specifica quali condizioni sono obbligatorie e quali sono domande da risolvere. Il produttore sviluppa anche robustezza a diversi prompt di sistema, a supporto di ruolo, tono e condizioni conversazionali definiti.
La famiglia supporta più di 29 lingue, tra cui inglese, cinese, russo, francese, spagnolo, portoghese, tedesco, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Per un compito multilingue, distingui lingua sorgente e lingua richiesta per l’output e fornisci un elenco terminologico quando nomi o termini tecnici devono restare coerenti. Un rapporto bilingue può chiedere gli stessi fatti sorgente in due versioni mantenendo invariati identificativi e unità.
Dettagli del modello di questa edizione
La versione 32B-Instruct ha 32,5 miliardi di parametri, con 31,0 miliardi non di embedding, e 64 livelli Transformer. Usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione. L’attenzione a query raggruppate usa 40 teste di query e 8 teste chiave/valore. È una versione di modello linguistico denso solo decoder con preaddestramento e post-addestramento; Instruct identifica l’edizione addestrata per la conversazione anziché il modello base.
La scheda indica un contesto completo di 131.072 token e generazione fino a 8.192 token. Le cifre descrivono parti diverse del compito: il contesto conserva prompt e conversazione, mentre la cifra di generazione delimita la risposta scritta. I 512 token generati dell’avvio rapido sono soltanto un esempio nel limite di generazione più ampio dichiarato. Il modello accetta e restituisce testo; una tabella scansionata o una schermata richiede che il contenuto sia reso disponibile come testo o che si usi un modello visivo separato.
Conversazione e strumenti
La scheda dimostra messaggi di sistema e utente separati formattati con il template di chat corrispondente. Metti le regole di risposta durature dell’assistente nel ruolo conversazionale appropriato e documento, tabella o codice effettivi con il compito dell’utente. Segna il confine tra materiale sorgente citato e istruzioni, così che un’istruzione presente in un documento non venga scambiata per il compito previsto dall’applicazione.
L’annuncio ufficiale della famiglia documenta chiamate a strumenti tramite template conversazionali e integrazioni del servizio compatibili. In quel flusso, l’applicazione fornisce le descrizioni delle funzioni, riceve la chiamata proposta, esegue la funzione e ne restituisce il risultato. Questo può collegare una domanda testuale a un calcolo o una ricerca di dati, ma scegliere il modello da solo non fornisce lo strumento esterno o i suoi dati. Generazione di JSON e chiamata a uno strumento sono anche risultati diversi: la prima formatta il testo, la seconda chiede all’applicazione circostante di svolgere un’operazione nominata.
Preparazione del contesto lungo
La configurazione rilasciata parte da 32.768 token. Input oltre quell’impostazione richiedono l’estensione YaRN documentata, il cui esempio usa un fattore di 4,0 e un’impostazione originale delle posizioni massime di 32.768. Il produttore avverte che la scalatura statica può influire sul comportamento con testi più brevi e consiglia di abilitarla quando serve elaborare contesti lunghi.
Per un confronto tra grandi documenti, identifica il ruolo di ciascuno e chiedi un risultato ben definito: una matrice dei requisiti, un elenco di discrepanze o una sezione rivista. Mantieni le posizioni sorgente accanto ai riscontri estratti e lascia spazio di risposta sufficiente per la struttura richiesta. La capacità di contesto lungo aiuta a conservare insieme il materiale pertinente; non sostituisce la necessità di definire cosa confrontare o come usare il risultato finale.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen2.5-32B-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 $0.00036 / 1K token Output · Token in output $0.00036 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct è un modello testuale multilingue per istruzioni dettagliate, programmazione, matematica e dati strutturati. L’edizione da 32,5 miliardi di parametri pone l’accento su comprensione delle tabelle, output JSON e risultati scritti lunghi, con impostazioni documentate di contesto esteso.
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.
Qwen2.5-32B-Instruct è il modello testuale di dimensione 32B ottimizzato per seguire istruzioni della famiglia generalista Qwen2.5. Combina comprensione e generazione linguistica con programmazione e matematica, anziché essere uno specialista Coder o Math nominato separatamente. Il produttore evidenzia in particolare rispetto di istruzioni dettagliate, scrittura estesa, comprensione delle tabelle e produzione di testo strutturato, soprattutto JSON. La famiglia è preaddestrata su un corpus descritto come capace di raggiungere 18.000 miliardi di token.
Dati strutturati, risposte lunghe e lavoro multilingue
Un compito utile di estrazione fornisce un passaggio sorgente e i campi esatti necessari al passaggio successivo dell’applicazione. Definisci tipi dei campi, se il testo debba essere copiato o riassunto e come rappresentare le informazioni assenti. Per esempio, un record di prodotto può richiedere identificativo, condizioni operative ed elenco di domande irrisolte. Chiedi solo il record JSON quando dovrà essere analizzato, oppure una spiegazione separata quando una persona deve esaminare il ragionamento alla base dei campi estratti.
La comprensione delle tabelle è un altro ambito documentato. Fornisci nomi delle colonne, unità e righe pertinenti insieme alla domanda. Chiedi al modello di identificare le righe che soddisfano una condizione, spiegare un cambiamento tra periodi o trasformare una tabella in un rapporto scritto. Un output pratico può conservare l’identificativo di ogni riga accanto al riscontro. Così si mantiene il collegamento tra dati forniti e risposta, anziché produrre una sintesi priva di una riga sorgente rintracciabile.
Per la scrittura estesa, indica pubblico, sezioni e fatti sorgente prima di chiedere il documento. Una proposta tecnica può richiedere descrizione del problema, requisiti, alternative e raccomandazione usando solo il materiale fornito. Specifica quali condizioni sono obbligatorie e quali sono domande da risolvere. Il produttore sviluppa anche robustezza a diversi prompt di sistema, a supporto di ruolo, tono e condizioni conversazionali definiti.
La famiglia supporta più di 29 lingue, tra cui inglese, cinese, russo, francese, spagnolo, portoghese, tedesco, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Per un compito multilingue, distingui lingua sorgente e lingua richiesta per l’output e fornisci un elenco terminologico quando nomi o termini tecnici devono restare coerenti. Un rapporto bilingue può chiedere gli stessi fatti sorgente in due versioni mantenendo invariati identificativi e unità.
Dettagli del modello di questa edizione
La versione 32B-Instruct ha 32,5 miliardi di parametri, con 31,0 miliardi non di embedding, e 64 livelli Transformer. Usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione. L’attenzione a query raggruppate usa 40 teste di query e 8 teste chiave/valore. È una versione di modello linguistico denso solo decoder con preaddestramento e post-addestramento; Instruct identifica l’edizione addestrata per la conversazione anziché il modello base.
La scheda indica un contesto completo di 131.072 token e generazione fino a 8.192 token. Le cifre descrivono parti diverse del compito: il contesto conserva prompt e conversazione, mentre la cifra di generazione delimita la risposta scritta. I 512 token generati dell’avvio rapido sono soltanto un esempio nel limite di generazione più ampio dichiarato. Il modello accetta e restituisce testo; una tabella scansionata o una schermata richiede che il contenuto sia reso disponibile come testo o che si usi un modello visivo separato.
Conversazione e strumenti
La scheda dimostra messaggi di sistema e utente separati formattati con il template di chat corrispondente. Metti le regole di risposta durature dell’assistente nel ruolo conversazionale appropriato e documento, tabella o codice effettivi con il compito dell’utente. Segna il confine tra materiale sorgente citato e istruzioni, così che un’istruzione presente in un documento non venga scambiata per il compito previsto dall’applicazione.
L’annuncio ufficiale della famiglia documenta chiamate a strumenti tramite template conversazionali e integrazioni del servizio compatibili. In quel flusso, l’applicazione fornisce le descrizioni delle funzioni, riceve la chiamata proposta, esegue la funzione e ne restituisce il risultato. Questo può collegare una domanda testuale a un calcolo o una ricerca di dati, ma scegliere il modello da solo non fornisce lo strumento esterno o i suoi dati. Generazione di JSON e chiamata a uno strumento sono anche risultati diversi: la prima formatta il testo, la seconda chiede all’applicazione circostante di svolgere un’operazione nominata.
Preparazione del contesto lungo
La configurazione rilasciata parte da 32.768 token. Input oltre quell’impostazione richiedono l’estensione YaRN documentata, il cui esempio usa un fattore di 4,0 e un’impostazione originale delle posizioni massime di 32.768. Il produttore avverte che la scalatura statica può influire sul comportamento con testi più brevi e consiglia di abilitarla quando serve elaborare contesti lunghi.
Per un confronto tra grandi documenti, identifica il ruolo di ciascuno e chiedi un risultato ben definito: una matrice dei requisiti, un elenco di discrepanze o una sezione rivista. Mantieni le posizioni sorgente accanto ai riscontri estratti e lascia spazio di risposta sufficiente per la struttura richiesta. La capacità di contesto lungo aiuta a conservare insieme il materiale pertinente; non sostituisce la necessità di definire cosa confrontare o come usare il risultato finale.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-32b-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 $0.00036 / 1K token Output · Token in output $0.00036 / 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":"qwen2.5-32b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-32b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct è un modello testuale multilingue per istruzioni dettagliate, programmazione, matematica e dati strutturati. L’edizione da 32,5 miliardi di parametri pone l’accento su comprensione delle tabelle, output JSON e risultati scritti lunghi, con impostazioni documentate di contesto esteso.
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.
Qwen2.5-32B-Instruct è il modello testuale di dimensione 32B ottimizzato per seguire istruzioni della famiglia generalista Qwen2.5. Combina comprensione e generazione linguistica con programmazione e matematica, anziché essere uno specialista Coder o Math nominato separatamente. Il produttore evidenzia in particolare rispetto di istruzioni dettagliate, scrittura estesa, comprensione delle tabelle e produzione di testo strutturato, soprattutto JSON. La famiglia è preaddestrata su un corpus descritto come capace di raggiungere 18.000 miliardi di token.
Dati strutturati, risposte lunghe e lavoro multilingue
Un compito utile di estrazione fornisce un passaggio sorgente e i campi esatti necessari al passaggio successivo dell’applicazione. Definisci tipi dei campi, se il testo debba essere copiato o riassunto e come rappresentare le informazioni assenti. Per esempio, un record di prodotto può richiedere identificativo, condizioni operative ed elenco di domande irrisolte. Chiedi solo il record JSON quando dovrà essere analizzato, oppure una spiegazione separata quando una persona deve esaminare il ragionamento alla base dei campi estratti.
La comprensione delle tabelle è un altro ambito documentato. Fornisci nomi delle colonne, unità e righe pertinenti insieme alla domanda. Chiedi al modello di identificare le righe che soddisfano una condizione, spiegare un cambiamento tra periodi o trasformare una tabella in un rapporto scritto. Un output pratico può conservare l’identificativo di ogni riga accanto al riscontro. Così si mantiene il collegamento tra dati forniti e risposta, anziché produrre una sintesi priva di una riga sorgente rintracciabile.
Per la scrittura estesa, indica pubblico, sezioni e fatti sorgente prima di chiedere il documento. Una proposta tecnica può richiedere descrizione del problema, requisiti, alternative e raccomandazione usando solo il materiale fornito. Specifica quali condizioni sono obbligatorie e quali sono domande da risolvere. Il produttore sviluppa anche robustezza a diversi prompt di sistema, a supporto di ruolo, tono e condizioni conversazionali definiti.
La famiglia supporta più di 29 lingue, tra cui inglese, cinese, russo, francese, spagnolo, portoghese, tedesco, italiano, giapponese, coreano, vietnamita, thailandese e arabo. Per un compito multilingue, distingui lingua sorgente e lingua richiesta per l’output e fornisci un elenco terminologico quando nomi o termini tecnici devono restare coerenti. Un rapporto bilingue può chiedere gli stessi fatti sorgente in due versioni mantenendo invariati identificativi e unità.
Dettagli del modello di questa edizione
La versione 32B-Instruct ha 32,5 miliardi di parametri, con 31,0 miliardi non di embedding, e 64 livelli Transformer. Usa embedding posizionali rotatori, SwiGLU, RMSNorm e bias QKV dell’attenzione. L’attenzione a query raggruppate usa 40 teste di query e 8 teste chiave/valore. È una versione di modello linguistico denso solo decoder con preaddestramento e post-addestramento; Instruct identifica l’edizione addestrata per la conversazione anziché il modello base.
La scheda indica un contesto completo di 131.072 token e generazione fino a 8.192 token. Le cifre descrivono parti diverse del compito: il contesto conserva prompt e conversazione, mentre la cifra di generazione delimita la risposta scritta. I 512 token generati dell’avvio rapido sono soltanto un esempio nel limite di generazione più ampio dichiarato. Il modello accetta e restituisce testo; una tabella scansionata o una schermata richiede che il contenuto sia reso disponibile come testo o che si usi un modello visivo separato.
Conversazione e strumenti
La scheda dimostra messaggi di sistema e utente separati formattati con il template di chat corrispondente. Metti le regole di risposta durature dell’assistente nel ruolo conversazionale appropriato e documento, tabella o codice effettivi con il compito dell’utente. Segna il confine tra materiale sorgente citato e istruzioni, così che un’istruzione presente in un documento non venga scambiata per il compito previsto dall’applicazione.
L’annuncio ufficiale della famiglia documenta chiamate a strumenti tramite template conversazionali e integrazioni del servizio compatibili. In quel flusso, l’applicazione fornisce le descrizioni delle funzioni, riceve la chiamata proposta, esegue la funzione e ne restituisce il risultato. Questo può collegare una domanda testuale a un calcolo o una ricerca di dati, ma scegliere il modello da solo non fornisce lo strumento esterno o i suoi dati. Generazione di JSON e chiamata a uno strumento sono anche risultati diversi: la prima formatta il testo, la seconda chiede all’applicazione circostante di svolgere un’operazione nominata.
Preparazione del contesto lungo
La configurazione rilasciata parte da 32.768 token. Input oltre quell’impostazione richiedono l’estensione YaRN documentata, il cui esempio usa un fattore di 4,0 e un’impostazione originale delle posizioni massime di 32.768. Il produttore avverte che la scalatura statica può influire sul comportamento con testi più brevi e consiglia di abilitarla quando serve elaborare contesti lunghi.
Per un confronto tra grandi documenti, identifica il ruolo di ciascuno e chiedi un risultato ben definito: una matrice dei requisiti, un elenco di discrepanze o una sezione rivista. Mantieni le posizioni sorgente accanto ai riscontri estratti e lascia spazio di risposta sufficiente per la struttura richiesta. La capacità di contesto lungo aiuta a conservare insieme il materiale pertinente; non sostituisce la necessità di definire cosa confrontare o come usare il risultato finale.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-32b-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 $0.00036 / 1K token Output · Token in output $0.00036 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Esempio tecnico in inglese
Explain a stock table\n\nAnalyze this text table: SKU | opening units | received units | shipped units. A1 | 20 | 10 | 18. B2 | 7 | 0 | 9. Calculate closing stock for each SKU, identify any impossible negative balance and draft a short note naming the row that needs investigation. Preserve column units.A closing-stock table with row IDs and a short anomaly note supported by the source values.Recalculate opening plus received minus shipped and verify the B2 discrepancy is flagged rather than corrected.