Qwen2.5-14B-Instruct ialah edisi bersaiz 14B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menerima perbualan teks dan mengembalikan teks: penerangan, dokumen, kod program atau medan berstruktur. Pembuatnya menekankan pematuhan arahan, pengekodan, matematik, pemahaman data berstruktur seperti jadual dan penjanaan jawapan berstruktur, khususnya JSON.
Penambahbaikan keluarga
Pembuat menerangkan pengetahuan lebih luas serta kebolehan pengekodan dan matematik lebih kuat daripada generasi Qwen2 sebelumnya, bersama penjanaan jawapan panjang dan pengendalian lebih baik terhadap pelbagai arahan sistem. Keluarga menggunakan korpus pralatihan yang diterangkan sebagai mencapai 18 trilion token. Keupayaan ini menyokong pembantu khusus bidang yang peranan dan outputnya ditentukan oleh tugas. Model ini kekal edisi Instruct umum; barisan Qwen2.5-Coder dan Qwen2.5-Math yang dinamakan secara berasingan mempunyai pengkhususan sendiri.
Pembantu proses boleh menerima prosedur dan soalan tentang satu peringkat. Tentukan peranan pembaca, minta tindakan yang berkaitan dengan peringkat itu dan wajibkan jawapan mengekalkan syarat asal prosedur. Output berguna boleh memisahkan tindakan seterusnya, syarat yang menjadikannya terpakai dan maklumat yang masih diperlukan. Ini menukar permintaan nasihat yang luas menjadi respons yang dikaitkan dengan proses yang dibekalkan.
Untuk penerangan kod, berikan fungsi, definisi pembantu yang berkaitan dan input yang menyebabkan kekeliruan. Minta urutan operasi dan nilai yang dikembalikan untuk input itu. Untuk penerangan matematik, nyatakan simbol, andaian dan ungkapan sasaran sebelum meminta penerbitan. Kedua-dua tugas menggunakan teks; menjalankan program atau menyediakan alat berangka berasingan ialah kerja aplikasi yang mengelilingi model.
Jadual dan JSON
Untuk soalan jadual, kekalkan tajuk lajur dan unit, namakan baris yang berkaitan dan tentukan perbandingan. Output yang dikehendaki mungkin menyenaraikan pengecam baris yang sepadan serta menerangkan syarat yang dibekalkan yang dipenuhi oleh setiap baris. Jika jadual mempunyai nilai yang tiada, nyatakan sama ada jawapan perlu membiarkannya kosong atau mewakilinya secara jelas.
Untuk pengekstrakan berstruktur, tunjukkan nama medan dan jenis yang diperlukan. Input seperti pengecam item, kuantiti stok dan label gudang boleh ditukar menjadi rekod dengan medan yang sama. Minta rekod sahaja apabila aplikasi akan menghuraikannya; minta penerangan prosa berasingan apabila pengguna perlu memeriksa tafsiran sumber. Keupayaan penjanaan JSON model yang didokumenkan berbeza daripada antara muka tertentu yang menguatkuasakan skema.
Perbualan berbilang bahasa disokong dalam lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Jerman, Perancis, Sepanyol, Portugis, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Tetapkan bahasa akhir dan berikan istilah yang mesti kekal tidak berubah. Untuk penerangan teknikal yang diterjemahkan, minta model mengekalkan nama pemboleh ubah, label yang dipetik dan unit sambil menyesuaikan prosa di sekelilingnya dengan pembaca.
Keluaran 14B khusus
Kad melaporkan 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan pembenaman, dan 48 lapisan Transformer. Seni binanya menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias, dengan 40 kepala pertanyaan serta 8 kepala kunci/nilai dalam perhatian pertanyaan berkelompok. Pralatihan dan latihan lanjutan menghasilkan edisi Instruct ini. Bilangan parameter dan lapisannya berbeza daripada edisi 32B walaupun keupayaan keluarga serta angka konteks yang diterbitkan bertepatan.
Kad model menyenaraikan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka pertama berkaitan dengan perbualan dan bahan yang dikekalkan untuk tugas; angka kedua berkaitan dengan jawapan yang dijana. Tetapan penjanaan 512 token dalam panduan mula pantas hanyalah contoh dan tidak menggantikan kapasiti jawapan yang dinyatakan dalam kad. Pemahaman imej, video dan audio adalah milik keluaran multimodal bernama berasingan, bukan model teks ini.
Format input dan tugas berbantukan alat
Contoh pembuat menggunakan templat sembang yang sepadan pada mesej sistem dan pengguna yang berbeza. Tentukan peranan pembantu serta peraturan respons secara berasingan daripada bahan yang diperiksa. Berikan soalan lengkap dan labelkan teks sumber supaya arahan yang dipetik dalam sumber tidak dikelirukan dengan tugas yang diberikan oleh aplikasi.
Pengumuman rasmi Qwen2.5 turut menerangkan templat panggilan alat dan integrasi yang serasi. Tugas berbantukan alat memerlukan aplikasi yang mengelilingi model menyediakan penerangan fungsi, melaksanakan operasi pilihan dan memberikan hasilnya untuk jawapan seterusnya. Contohnya, perbualan boleh meminta pengiraan menggunakan alat pengiraan yang dibekalkan; hasil fungsi kemudian menjadi maklumat yang boleh diterangkan oleh model. Ketersediaan dan pelaksanaan alat datang daripada integrasi itu, sementara keluaran ini membekalkan tingkah laku teks perbualan.
Konfigurasi teks panjang
Konfigurasi yang diterbitkan pada mulanya meliputi 32,768 token. Peluasan yang didokumenkan untuk input lebih panjang menggunakan YaRN, dengan contoh faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek, maka pembuat mengesyorkan penambahannya apabila konteks panjang diperlukan.
Semasa menyediakan sumber panjang, kenal pasti bahagian untuk disemak atau soalan untuk dijawab dan kekalkan bahagian sokongan bersama. Permintaan yang jelas boleh meminta petikan yang dibetulkan, jadual perubahan dan rujukan bahagian asal. Ini menggunakan konteks lanjutan untuk artifak konkrit sambil mengekalkan jawapan dalam had penjanaan yang berasingan.
", "aboutText": "Qwen2.5-14B-Instruct ialah edisi bersaiz 14B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menerima perbualan teks dan mengembalikan teks: penerangan, dokumen, kod program atau medan berstruktur. Pembuatnya menekankan pematuhan arahan, pengekodan, matematik, pemahaman data berstruktur seperti jadual dan penjanaan jawapan berstruktur, khususnya JSON.\n\nPenambahbaikan keluarga\n\nPembuat menerangkan pengetahuan lebih luas serta kebolehan pengekodan dan matematik lebih kuat daripada generasi Qwen2 sebelumnya, bersama penjanaan jawapan panjang dan pengendalian lebih baik terhadap pelbagai arahan sistem. Keluarga menggunakan korpus pralatihan yang diterangkan sebagai mencapai 18 trilion token. Keupayaan ini menyokong pembantu khusus bidang yang peranan dan outputnya ditentukan oleh tugas. Model ini kekal edisi Instruct umum; barisan Qwen2.5-Coder dan Qwen2.5-Math yang dinamakan secara berasingan mempunyai pengkhususan sendiri.\n\nPembantu proses boleh menerima prosedur dan soalan tentang satu peringkat. Tentukan peranan pembaca, minta tindakan yang berkaitan dengan peringkat itu dan wajibkan jawapan mengekalkan syarat asal prosedur. Output berguna boleh memisahkan tindakan seterusnya, syarat yang menjadikannya terpakai dan maklumat yang masih diperlukan. Ini menukar permintaan nasihat yang luas menjadi respons yang dikaitkan dengan proses yang dibekalkan.\n\nUntuk penerangan kod, berikan fungsi, definisi pembantu yang berkaitan dan input yang menyebabkan kekeliruan. Minta urutan operasi dan nilai yang dikembalikan untuk input itu. Untuk penerangan matematik, nyatakan simbol, andaian dan ungkapan sasaran sebelum meminta penerbitan. Kedua-dua tugas menggunakan teks; menjalankan program atau menyediakan alat berangka berasingan ialah kerja aplikasi yang mengelilingi model.\n\nJadual dan JSON\n\nUntuk soalan jadual, kekalkan tajuk lajur dan unit, namakan baris yang berkaitan dan tentukan perbandingan. Output yang dikehendaki mungkin menyenaraikan pengecam baris yang sepadan serta menerangkan syarat yang dibekalkan yang dipenuhi oleh setiap baris. Jika jadual mempunyai nilai yang tiada, nyatakan sama ada jawapan perlu membiarkannya kosong atau mewakilinya secara jelas.\n\nUntuk pengekstrakan berstruktur, tunjukkan nama medan dan jenis yang diperlukan. Input seperti pengecam item, kuantiti stok dan label gudang boleh ditukar menjadi rekod dengan medan yang sama. Minta rekod sahaja apabila aplikasi akan menghuraikannya; minta penerangan prosa berasingan apabila pengguna perlu memeriksa tafsiran sumber. Keupayaan penjanaan JSON model yang didokumenkan berbeza daripada antara muka tertentu yang menguatkuasakan skema.\n\nPerbualan berbilang bahasa disokong dalam lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Jerman, Perancis, Sepanyol, Portugis, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Tetapkan bahasa akhir dan berikan istilah yang mesti kekal tidak berubah. Untuk penerangan teknikal yang diterjemahkan, minta model mengekalkan nama pemboleh ubah, label yang dipetik dan unit sambil menyesuaikan prosa di sekelilingnya dengan pembaca.\n\nKeluaran 14B khusus\n\nKad melaporkan 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan pembenaman, dan 48 lapisan Transformer. Seni binanya menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias, dengan 40 kepala pertanyaan serta 8 kepala kunci/nilai dalam perhatian pertanyaan berkelompok. Pralatihan dan latihan lanjutan menghasilkan edisi Instruct ini. Bilangan parameter dan lapisannya berbeza daripada edisi 32B walaupun keupayaan keluarga serta angka konteks yang diterbitkan bertepatan.\n\nKad model menyenaraikan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka pertama berkaitan dengan perbualan dan bahan yang dikekalkan untuk tugas; angka kedua berkaitan dengan jawapan yang dijana. Tetapan penjanaan 512 token dalam panduan mula pantas hanyalah contoh dan tidak menggantikan kapasiti jawapan yang dinyatakan dalam kad. Pemahaman imej, video dan audio adalah milik keluaran multimodal bernama berasingan, bukan model teks ini.\n\nFormat input dan tugas berbantukan alat\n\nContoh pembuat menggunakan templat sembang yang sepadan pada mesej sistem dan pengguna yang berbeza. Tentukan peranan pembantu serta peraturan respons secara berasingan daripada bahan yang diperiksa. Berikan soalan lengkap dan labelkan teks sumber supaya arahan yang dipetik dalam sumber tidak dikelirukan dengan tugas yang diberikan oleh aplikasi.\n\nPengumuman rasmi Qwen2.5 turut menerangkan templat panggilan alat dan integrasi yang serasi. Tugas berbantukan alat memerlukan aplikasi yang mengelilingi model menyediakan penerangan fungsi, melaksanakan operasi pilihan dan memberikan hasilnya untuk jawapan seterusnya. Contohnya, perbualan boleh meminta pengiraan menggunakan alat pengiraan yang dibekalkan; hasil fungsi kemudian menjadi maklumat yang boleh diterangkan oleh model. Ketersediaan dan pelaksanaan alat datang daripada integrasi itu, sementara keluaran ini membekalkan tingkah laku teks perbualan.\n\nKonfigurasi teks panjang\n\nKonfigurasi yang diterbitkan pada mulanya meliputi 32,768 token. Peluasan yang didokumenkan untuk input lebih panjang menggunakan YaRN, dengan contoh faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek, maka pembuat mengesyorkan penambahannya apabila konteks panjang diperlukan.\n\nSemasa menyediakan sumber panjang, kenal pasti bahagian untuk disemak atau soalan untuk dijawab dan kekalkan bahagian sokongan bersama. Permintaan yang jelas boleh meminta petikan yang dibetulkan, jadual perubahan dan rujukan bahagian asal. Ini menggunakan konteks lanjutan untuk artifak konkrit sambil mengekalkan jawapan dalam had penjanaan yang berasingan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model teks berbilang bahasa untuk pembantu berasaskan arahan, kod dan matematik. Keluaran khusus dengan 14.7 bilion parameter ini menyokong pentafsiran jadual, penjanaan JSON dan had jawapan 8,192 token, dengan konfigurasi konteks lanjutan untuk input panjang.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-14B-Instruct ialah edisi bersaiz 14B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menerima perbualan teks dan mengembalikan teks: penerangan, dokumen, kod program atau medan berstruktur. Pembuatnya menekankan pematuhan arahan, pengekodan, matematik, pemahaman data berstruktur seperti jadual dan penjanaan jawapan berstruktur, khususnya JSON.
Penambahbaikan keluarga
Pembuat menerangkan pengetahuan lebih luas serta kebolehan pengekodan dan matematik lebih kuat daripada generasi Qwen2 sebelumnya, bersama penjanaan jawapan panjang dan pengendalian lebih baik terhadap pelbagai arahan sistem. Keluarga menggunakan korpus pralatihan yang diterangkan sebagai mencapai 18 trilion token. Keupayaan ini menyokong pembantu khusus bidang yang peranan dan outputnya ditentukan oleh tugas. Model ini kekal edisi Instruct umum; barisan Qwen2.5-Coder dan Qwen2.5-Math yang dinamakan secara berasingan mempunyai pengkhususan sendiri.
Pembantu proses boleh menerima prosedur dan soalan tentang satu peringkat. Tentukan peranan pembaca, minta tindakan yang berkaitan dengan peringkat itu dan wajibkan jawapan mengekalkan syarat asal prosedur. Output berguna boleh memisahkan tindakan seterusnya, syarat yang menjadikannya terpakai dan maklumat yang masih diperlukan. Ini menukar permintaan nasihat yang luas menjadi respons yang dikaitkan dengan proses yang dibekalkan.
Untuk penerangan kod, berikan fungsi, definisi pembantu yang berkaitan dan input yang menyebabkan kekeliruan. Minta urutan operasi dan nilai yang dikembalikan untuk input itu. Untuk penerangan matematik, nyatakan simbol, andaian dan ungkapan sasaran sebelum meminta penerbitan. Kedua-dua tugas menggunakan teks; menjalankan program atau menyediakan alat berangka berasingan ialah kerja aplikasi yang mengelilingi model.
Jadual dan JSON
Untuk soalan jadual, kekalkan tajuk lajur dan unit, namakan baris yang berkaitan dan tentukan perbandingan. Output yang dikehendaki mungkin menyenaraikan pengecam baris yang sepadan serta menerangkan syarat yang dibekalkan yang dipenuhi oleh setiap baris. Jika jadual mempunyai nilai yang tiada, nyatakan sama ada jawapan perlu membiarkannya kosong atau mewakilinya secara jelas.
Untuk pengekstrakan berstruktur, tunjukkan nama medan dan jenis yang diperlukan. Input seperti pengecam item, kuantiti stok dan label gudang boleh ditukar menjadi rekod dengan medan yang sama. Minta rekod sahaja apabila aplikasi akan menghuraikannya; minta penerangan prosa berasingan apabila pengguna perlu memeriksa tafsiran sumber. Keupayaan penjanaan JSON model yang didokumenkan berbeza daripada antara muka tertentu yang menguatkuasakan skema.
Perbualan berbilang bahasa disokong dalam lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Jerman, Perancis, Sepanyol, Portugis, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Tetapkan bahasa akhir dan berikan istilah yang mesti kekal tidak berubah. Untuk penerangan teknikal yang diterjemahkan, minta model mengekalkan nama pemboleh ubah, label yang dipetik dan unit sambil menyesuaikan prosa di sekelilingnya dengan pembaca.
Keluaran 14B khusus
Kad melaporkan 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan pembenaman, dan 48 lapisan Transformer. Seni binanya menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias, dengan 40 kepala pertanyaan serta 8 kepala kunci/nilai dalam perhatian pertanyaan berkelompok. Pralatihan dan latihan lanjutan menghasilkan edisi Instruct ini. Bilangan parameter dan lapisannya berbeza daripada edisi 32B walaupun keupayaan keluarga serta angka konteks yang diterbitkan bertepatan.
Kad model menyenaraikan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka pertama berkaitan dengan perbualan dan bahan yang dikekalkan untuk tugas; angka kedua berkaitan dengan jawapan yang dijana. Tetapan penjanaan 512 token dalam panduan mula pantas hanyalah contoh dan tidak menggantikan kapasiti jawapan yang dinyatakan dalam kad. Pemahaman imej, video dan audio adalah milik keluaran multimodal bernama berasingan, bukan model teks ini.
Format input dan tugas berbantukan alat
Contoh pembuat menggunakan templat sembang yang sepadan pada mesej sistem dan pengguna yang berbeza. Tentukan peranan pembantu serta peraturan respons secara berasingan daripada bahan yang diperiksa. Berikan soalan lengkap dan labelkan teks sumber supaya arahan yang dipetik dalam sumber tidak dikelirukan dengan tugas yang diberikan oleh aplikasi.
Pengumuman rasmi Qwen2.5 turut menerangkan templat panggilan alat dan integrasi yang serasi. Tugas berbantukan alat memerlukan aplikasi yang mengelilingi model menyediakan penerangan fungsi, melaksanakan operasi pilihan dan memberikan hasilnya untuk jawapan seterusnya. Contohnya, perbualan boleh meminta pengiraan menggunakan alat pengiraan yang dibekalkan; hasil fungsi kemudian menjadi maklumat yang boleh diterangkan oleh model. Ketersediaan dan pelaksanaan alat datang daripada integrasi itu, sementara keluaran ini membekalkan tingkah laku teks perbualan.
Konfigurasi teks panjang
Konfigurasi yang diterbitkan pada mulanya meliputi 32,768 token. Peluasan yang didokumenkan untuk input lebih panjang menggunakan YaRN, dengan contoh faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek, maka pembuat mengesyorkan penambahannya apabila konteks panjang diperlukan.
Semasa menyediakan sumber panjang, kenal pasti bahagian untuk disemak atau soalan untuk dijawab dan kekalkan bahagian sokongan bersama. Permintaan yang jelas boleh meminta petikan yang dibetulkan, jadual perubahan dan rujukan bahagian asal. Ini menggunakan konteks lanjutan untuk artifak konkrit sambil mengekalkan jawapan dalam had penjanaan yang berasingan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2.5-14B-Instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct ialah model teks berbilang bahasa untuk pembantu berasaskan arahan, kod dan matematik. Keluaran khusus dengan 14.7 bilion parameter ini menyokong pentafsiran jadual, penjanaan JSON dan had jawapan 8,192 token, dengan konfigurasi konteks lanjutan untuk input panjang.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-14B-Instruct ialah edisi bersaiz 14B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menerima perbualan teks dan mengembalikan teks: penerangan, dokumen, kod program atau medan berstruktur. Pembuatnya menekankan pematuhan arahan, pengekodan, matematik, pemahaman data berstruktur seperti jadual dan penjanaan jawapan berstruktur, khususnya JSON.
Penambahbaikan keluarga
Pembuat menerangkan pengetahuan lebih luas serta kebolehan pengekodan dan matematik lebih kuat daripada generasi Qwen2 sebelumnya, bersama penjanaan jawapan panjang dan pengendalian lebih baik terhadap pelbagai arahan sistem. Keluarga menggunakan korpus pralatihan yang diterangkan sebagai mencapai 18 trilion token. Keupayaan ini menyokong pembantu khusus bidang yang peranan dan outputnya ditentukan oleh tugas. Model ini kekal edisi Instruct umum; barisan Qwen2.5-Coder dan Qwen2.5-Math yang dinamakan secara berasingan mempunyai pengkhususan sendiri.
Pembantu proses boleh menerima prosedur dan soalan tentang satu peringkat. Tentukan peranan pembaca, minta tindakan yang berkaitan dengan peringkat itu dan wajibkan jawapan mengekalkan syarat asal prosedur. Output berguna boleh memisahkan tindakan seterusnya, syarat yang menjadikannya terpakai dan maklumat yang masih diperlukan. Ini menukar permintaan nasihat yang luas menjadi respons yang dikaitkan dengan proses yang dibekalkan.
Untuk penerangan kod, berikan fungsi, definisi pembantu yang berkaitan dan input yang menyebabkan kekeliruan. Minta urutan operasi dan nilai yang dikembalikan untuk input itu. Untuk penerangan matematik, nyatakan simbol, andaian dan ungkapan sasaran sebelum meminta penerbitan. Kedua-dua tugas menggunakan teks; menjalankan program atau menyediakan alat berangka berasingan ialah kerja aplikasi yang mengelilingi model.
Jadual dan JSON
Untuk soalan jadual, kekalkan tajuk lajur dan unit, namakan baris yang berkaitan dan tentukan perbandingan. Output yang dikehendaki mungkin menyenaraikan pengecam baris yang sepadan serta menerangkan syarat yang dibekalkan yang dipenuhi oleh setiap baris. Jika jadual mempunyai nilai yang tiada, nyatakan sama ada jawapan perlu membiarkannya kosong atau mewakilinya secara jelas.
Untuk pengekstrakan berstruktur, tunjukkan nama medan dan jenis yang diperlukan. Input seperti pengecam item, kuantiti stok dan label gudang boleh ditukar menjadi rekod dengan medan yang sama. Minta rekod sahaja apabila aplikasi akan menghuraikannya; minta penerangan prosa berasingan apabila pengguna perlu memeriksa tafsiran sumber. Keupayaan penjanaan JSON model yang didokumenkan berbeza daripada antara muka tertentu yang menguatkuasakan skema.
Perbualan berbilang bahasa disokong dalam lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Jerman, Perancis, Sepanyol, Portugis, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Tetapkan bahasa akhir dan berikan istilah yang mesti kekal tidak berubah. Untuk penerangan teknikal yang diterjemahkan, minta model mengekalkan nama pemboleh ubah, label yang dipetik dan unit sambil menyesuaikan prosa di sekelilingnya dengan pembaca.
Keluaran 14B khusus
Kad melaporkan 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan pembenaman, dan 48 lapisan Transformer. Seni binanya menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias, dengan 40 kepala pertanyaan serta 8 kepala kunci/nilai dalam perhatian pertanyaan berkelompok. Pralatihan dan latihan lanjutan menghasilkan edisi Instruct ini. Bilangan parameter dan lapisannya berbeza daripada edisi 32B walaupun keupayaan keluarga serta angka konteks yang diterbitkan bertepatan.
Kad model menyenaraikan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka pertama berkaitan dengan perbualan dan bahan yang dikekalkan untuk tugas; angka kedua berkaitan dengan jawapan yang dijana. Tetapan penjanaan 512 token dalam panduan mula pantas hanyalah contoh dan tidak menggantikan kapasiti jawapan yang dinyatakan dalam kad. Pemahaman imej, video dan audio adalah milik keluaran multimodal bernama berasingan, bukan model teks ini.
Format input dan tugas berbantukan alat
Contoh pembuat menggunakan templat sembang yang sepadan pada mesej sistem dan pengguna yang berbeza. Tentukan peranan pembantu serta peraturan respons secara berasingan daripada bahan yang diperiksa. Berikan soalan lengkap dan labelkan teks sumber supaya arahan yang dipetik dalam sumber tidak dikelirukan dengan tugas yang diberikan oleh aplikasi.
Pengumuman rasmi Qwen2.5 turut menerangkan templat panggilan alat dan integrasi yang serasi. Tugas berbantukan alat memerlukan aplikasi yang mengelilingi model menyediakan penerangan fungsi, melaksanakan operasi pilihan dan memberikan hasilnya untuk jawapan seterusnya. Contohnya, perbualan boleh meminta pengiraan menggunakan alat pengiraan yang dibekalkan; hasil fungsi kemudian menjadi maklumat yang boleh diterangkan oleh model. Ketersediaan dan pelaksanaan alat datang daripada integrasi itu, sementara keluaran ini membekalkan tingkah laku teks perbualan.
Konfigurasi teks panjang
Konfigurasi yang diterbitkan pada mulanya meliputi 32,768 token. Peluasan yang didokumenkan untuk input lebih panjang menggunakan YaRN, dengan contoh faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek, maka pembuat mengesyorkan penambahannya apabila konteks panjang diperlukan.
Semasa menyediakan sumber panjang, kenal pasti bahagian untuk disemak atau soalan untuk dijawab dan kekalkan bahagian sokongan bersama. Permintaan yang jelas boleh meminta petikan yang dibetulkan, jadual perubahan dan rujukan bahagian asal. Ini menggunakan konteks lanjutan untuk artifak konkrit sambil mengekalkan jawapan dalam had penjanaan yang berasingan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2.5-14B-Instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct ialah model teks berbilang bahasa untuk pembantu berasaskan arahan, kod dan matematik. Keluaran khusus dengan 14.7 bilion parameter ini menyokong pentafsiran jadual, penjanaan JSON dan had jawapan 8,192 token, dengan konfigurasi konteks lanjutan untuk input panjang.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-14B-Instruct ialah edisi bersaiz 14B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menerima perbualan teks dan mengembalikan teks: penerangan, dokumen, kod program atau medan berstruktur. Pembuatnya menekankan pematuhan arahan, pengekodan, matematik, pemahaman data berstruktur seperti jadual dan penjanaan jawapan berstruktur, khususnya JSON.
Penambahbaikan keluarga
Pembuat menerangkan pengetahuan lebih luas serta kebolehan pengekodan dan matematik lebih kuat daripada generasi Qwen2 sebelumnya, bersama penjanaan jawapan panjang dan pengendalian lebih baik terhadap pelbagai arahan sistem. Keluarga menggunakan korpus pralatihan yang diterangkan sebagai mencapai 18 trilion token. Keupayaan ini menyokong pembantu khusus bidang yang peranan dan outputnya ditentukan oleh tugas. Model ini kekal edisi Instruct umum; barisan Qwen2.5-Coder dan Qwen2.5-Math yang dinamakan secara berasingan mempunyai pengkhususan sendiri.
Pembantu proses boleh menerima prosedur dan soalan tentang satu peringkat. Tentukan peranan pembaca, minta tindakan yang berkaitan dengan peringkat itu dan wajibkan jawapan mengekalkan syarat asal prosedur. Output berguna boleh memisahkan tindakan seterusnya, syarat yang menjadikannya terpakai dan maklumat yang masih diperlukan. Ini menukar permintaan nasihat yang luas menjadi respons yang dikaitkan dengan proses yang dibekalkan.
Untuk penerangan kod, berikan fungsi, definisi pembantu yang berkaitan dan input yang menyebabkan kekeliruan. Minta urutan operasi dan nilai yang dikembalikan untuk input itu. Untuk penerangan matematik, nyatakan simbol, andaian dan ungkapan sasaran sebelum meminta penerbitan. Kedua-dua tugas menggunakan teks; menjalankan program atau menyediakan alat berangka berasingan ialah kerja aplikasi yang mengelilingi model.
Jadual dan JSON
Untuk soalan jadual, kekalkan tajuk lajur dan unit, namakan baris yang berkaitan dan tentukan perbandingan. Output yang dikehendaki mungkin menyenaraikan pengecam baris yang sepadan serta menerangkan syarat yang dibekalkan yang dipenuhi oleh setiap baris. Jika jadual mempunyai nilai yang tiada, nyatakan sama ada jawapan perlu membiarkannya kosong atau mewakilinya secara jelas.
Untuk pengekstrakan berstruktur, tunjukkan nama medan dan jenis yang diperlukan. Input seperti pengecam item, kuantiti stok dan label gudang boleh ditukar menjadi rekod dengan medan yang sama. Minta rekod sahaja apabila aplikasi akan menghuraikannya; minta penerangan prosa berasingan apabila pengguna perlu memeriksa tafsiran sumber. Keupayaan penjanaan JSON model yang didokumenkan berbeza daripada antara muka tertentu yang menguatkuasakan skema.
Perbualan berbilang bahasa disokong dalam lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Jerman, Perancis, Sepanyol, Portugis, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Tetapkan bahasa akhir dan berikan istilah yang mesti kekal tidak berubah. Untuk penerangan teknikal yang diterjemahkan, minta model mengekalkan nama pemboleh ubah, label yang dipetik dan unit sambil menyesuaikan prosa di sekelilingnya dengan pembaca.
Keluaran 14B khusus
Kad melaporkan 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan pembenaman, dan 48 lapisan Transformer. Seni binanya menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias, dengan 40 kepala pertanyaan serta 8 kepala kunci/nilai dalam perhatian pertanyaan berkelompok. Pralatihan dan latihan lanjutan menghasilkan edisi Instruct ini. Bilangan parameter dan lapisannya berbeza daripada edisi 32B walaupun keupayaan keluarga serta angka konteks yang diterbitkan bertepatan.
Kad model menyenaraikan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka pertama berkaitan dengan perbualan dan bahan yang dikekalkan untuk tugas; angka kedua berkaitan dengan jawapan yang dijana. Tetapan penjanaan 512 token dalam panduan mula pantas hanyalah contoh dan tidak menggantikan kapasiti jawapan yang dinyatakan dalam kad. Pemahaman imej, video dan audio adalah milik keluaran multimodal bernama berasingan, bukan model teks ini.
Format input dan tugas berbantukan alat
Contoh pembuat menggunakan templat sembang yang sepadan pada mesej sistem dan pengguna yang berbeza. Tentukan peranan pembantu serta peraturan respons secara berasingan daripada bahan yang diperiksa. Berikan soalan lengkap dan labelkan teks sumber supaya arahan yang dipetik dalam sumber tidak dikelirukan dengan tugas yang diberikan oleh aplikasi.
Pengumuman rasmi Qwen2.5 turut menerangkan templat panggilan alat dan integrasi yang serasi. Tugas berbantukan alat memerlukan aplikasi yang mengelilingi model menyediakan penerangan fungsi, melaksanakan operasi pilihan dan memberikan hasilnya untuk jawapan seterusnya. Contohnya, perbualan boleh meminta pengiraan menggunakan alat pengiraan yang dibekalkan; hasil fungsi kemudian menjadi maklumat yang boleh diterangkan oleh model. Ketersediaan dan pelaksanaan alat datang daripada integrasi itu, sementara keluaran ini membekalkan tingkah laku teks perbualan.
Konfigurasi teks panjang
Konfigurasi yang diterbitkan pada mulanya meliputi 32,768 token. Peluasan yang didokumenkan untuk input lebih panjang menggunakan YaRN, dengan contoh faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek, maka pembuat mengesyorkan penambahannya apabila konteks panjang diperlukan.
Semasa menyediakan sumber panjang, kenal pasti bahagian untuk disemak atau soalan untuk dijawab dan kekalkan bahagian sokongan bersama. Permintaan yang jelas boleh meminta petikan yang dibetulkan, jadual perubahan dan rujukan bahagian asal. Ini menggunakan konteks lanjutan untuk artifak konkrit sambil mengekalkan jawapan dalam had penjanaan yang berasingan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-14b-instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct ialah model teks berbilang bahasa untuk pembantu berasaskan arahan, kod dan matematik. Keluaran khusus dengan 14.7 bilion parameter ini menyokong pentafsiran jadual, penjanaan JSON dan had jawapan 8,192 token, dengan konfigurasi konteks lanjutan untuk input panjang.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-14B-Instruct ialah edisi bersaiz 14B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menerima perbualan teks dan mengembalikan teks: penerangan, dokumen, kod program atau medan berstruktur. Pembuatnya menekankan pematuhan arahan, pengekodan, matematik, pemahaman data berstruktur seperti jadual dan penjanaan jawapan berstruktur, khususnya JSON.
Penambahbaikan keluarga
Pembuat menerangkan pengetahuan lebih luas serta kebolehan pengekodan dan matematik lebih kuat daripada generasi Qwen2 sebelumnya, bersama penjanaan jawapan panjang dan pengendalian lebih baik terhadap pelbagai arahan sistem. Keluarga menggunakan korpus pralatihan yang diterangkan sebagai mencapai 18 trilion token. Keupayaan ini menyokong pembantu khusus bidang yang peranan dan outputnya ditentukan oleh tugas. Model ini kekal edisi Instruct umum; barisan Qwen2.5-Coder dan Qwen2.5-Math yang dinamakan secara berasingan mempunyai pengkhususan sendiri.
Pembantu proses boleh menerima prosedur dan soalan tentang satu peringkat. Tentukan peranan pembaca, minta tindakan yang berkaitan dengan peringkat itu dan wajibkan jawapan mengekalkan syarat asal prosedur. Output berguna boleh memisahkan tindakan seterusnya, syarat yang menjadikannya terpakai dan maklumat yang masih diperlukan. Ini menukar permintaan nasihat yang luas menjadi respons yang dikaitkan dengan proses yang dibekalkan.
Untuk penerangan kod, berikan fungsi, definisi pembantu yang berkaitan dan input yang menyebabkan kekeliruan. Minta urutan operasi dan nilai yang dikembalikan untuk input itu. Untuk penerangan matematik, nyatakan simbol, andaian dan ungkapan sasaran sebelum meminta penerbitan. Kedua-dua tugas menggunakan teks; menjalankan program atau menyediakan alat berangka berasingan ialah kerja aplikasi yang mengelilingi model.
Jadual dan JSON
Untuk soalan jadual, kekalkan tajuk lajur dan unit, namakan baris yang berkaitan dan tentukan perbandingan. Output yang dikehendaki mungkin menyenaraikan pengecam baris yang sepadan serta menerangkan syarat yang dibekalkan yang dipenuhi oleh setiap baris. Jika jadual mempunyai nilai yang tiada, nyatakan sama ada jawapan perlu membiarkannya kosong atau mewakilinya secara jelas.
Untuk pengekstrakan berstruktur, tunjukkan nama medan dan jenis yang diperlukan. Input seperti pengecam item, kuantiti stok dan label gudang boleh ditukar menjadi rekod dengan medan yang sama. Minta rekod sahaja apabila aplikasi akan menghuraikannya; minta penerangan prosa berasingan apabila pengguna perlu memeriksa tafsiran sumber. Keupayaan penjanaan JSON model yang didokumenkan berbeza daripada antara muka tertentu yang menguatkuasakan skema.
Perbualan berbilang bahasa disokong dalam lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Jerman, Perancis, Sepanyol, Portugis, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Tetapkan bahasa akhir dan berikan istilah yang mesti kekal tidak berubah. Untuk penerangan teknikal yang diterjemahkan, minta model mengekalkan nama pemboleh ubah, label yang dipetik dan unit sambil menyesuaikan prosa di sekelilingnya dengan pembaca.
Keluaran 14B khusus
Kad melaporkan 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan pembenaman, dan 48 lapisan Transformer. Seni binanya menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias, dengan 40 kepala pertanyaan serta 8 kepala kunci/nilai dalam perhatian pertanyaan berkelompok. Pralatihan dan latihan lanjutan menghasilkan edisi Instruct ini. Bilangan parameter dan lapisannya berbeza daripada edisi 32B walaupun keupayaan keluarga serta angka konteks yang diterbitkan bertepatan.
Kad model menyenaraikan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka pertama berkaitan dengan perbualan dan bahan yang dikekalkan untuk tugas; angka kedua berkaitan dengan jawapan yang dijana. Tetapan penjanaan 512 token dalam panduan mula pantas hanyalah contoh dan tidak menggantikan kapasiti jawapan yang dinyatakan dalam kad. Pemahaman imej, video dan audio adalah milik keluaran multimodal bernama berasingan, bukan model teks ini.
Format input dan tugas berbantukan alat
Contoh pembuat menggunakan templat sembang yang sepadan pada mesej sistem dan pengguna yang berbeza. Tentukan peranan pembantu serta peraturan respons secara berasingan daripada bahan yang diperiksa. Berikan soalan lengkap dan labelkan teks sumber supaya arahan yang dipetik dalam sumber tidak dikelirukan dengan tugas yang diberikan oleh aplikasi.
Pengumuman rasmi Qwen2.5 turut menerangkan templat panggilan alat dan integrasi yang serasi. Tugas berbantukan alat memerlukan aplikasi yang mengelilingi model menyediakan penerangan fungsi, melaksanakan operasi pilihan dan memberikan hasilnya untuk jawapan seterusnya. Contohnya, perbualan boleh meminta pengiraan menggunakan alat pengiraan yang dibekalkan; hasil fungsi kemudian menjadi maklumat yang boleh diterangkan oleh model. Ketersediaan dan pelaksanaan alat datang daripada integrasi itu, sementara keluaran ini membekalkan tingkah laku teks perbualan.
Konfigurasi teks panjang
Konfigurasi yang diterbitkan pada mulanya meliputi 32,768 token. Peluasan yang didokumenkan untuk input lebih panjang menggunakan YaRN, dengan contoh faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek, maka pembuat mengesyorkan penambahannya apabila konteks panjang diperlukan.
Semasa menyediakan sumber panjang, kenal pasti bahagian untuk disemak atau soalan untuk dijawab dan kekalkan bahagian sokongan bersama. Permintaan yang jelas boleh meminta petikan yang dibetulkan, jadual perubahan dan rujukan bahagian asal. Ini menggunakan konteks lanjutan untuk artifak konkrit sambil mengekalkan jawapan dalam had penjanaan yang berasingan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-14b-instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Contoh teknikal dalam bahasa Inggeris
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.