Qwen2.5-32B-Instruct ialah model teks bersaiz 32B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan penjanaan bahasa dengan pengekodan serta matematik, bukannya pakar Coder atau Math yang dinamakan secara berasingan. Pembuat khususnya menekankan pematuhan arahan terperinci, penulisan panjang, pemahaman jadual dan penghasilan teks berstruktur, terutama JSON. Keluarga dipralatih menggunakan korpus yang diterangkan sebagai mencapai 18 trilion token.
Data berstruktur, jawapan panjang dan kerja berbilang bahasa
Tugas pengekstrakan yang berguna membekalkan petikan sumber dan medan tepat yang diperlukan oleh langkah aplikasi seterusnya. Tentukan jenis medan, sama ada perkataan mesti disalin atau diringkaskan dan cara mewakili maklumat yang tiada. Contohnya, rekod produk boleh meminta pengecam, syarat operasi dan senarai soalan yang belum diselesaikan. Minta rekod JSON sahaja apabila mesti dihuraikan, atau minta penerangan berasingan apabila seseorang perlu memeriksa penaakulan di sebalik medan yang diekstrak.
Pemahaman jadual ialah fokus lain yang didokumenkan. Berikan nama lajur, unit dan baris yang berkaitan bersama soalan. Minta model mengenal pasti baris yang memenuhi syarat, menerangkan perubahan antara tempoh atau menukar jadual menjadi laporan bertulis. Output praktikal boleh mengekalkan pengecam setiap baris di sebelah dapatan. Ini mengekalkan hubungan antara data yang dibekalkan dengan jawapan, bukannya menghasilkan ringkasan tanpa baris sumber yang boleh dijejaki.
Untuk penulisan panjang, namakan khalayak, bahagian dan fakta sumber sebelum meminta dokumen. Cadangan teknikal mungkin memerlukan pernyataan masalah, keperluan, alternatif dan saranan menggunakan bahan yang dibekalkan sahaja. Nyatakan syarat yang wajib dan soalan yang perlu diselesaikan. Pembuat juga membangunkan keteguhan merentasi prom sistem berbeza, menyokong peranan, nada dan syarat perbualan yang ditentukan.
Keluarga menyokong lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Perancis, Sepanyol, Portugis, Jerman, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Untuk tugas berbilang bahasa, bezakan bahasa sumber daripada bahasa output yang diperlukan dan bekalkan senarai istilah apabila nama atau istilah teknikal mesti konsisten. Laporan dwibahasa boleh meminta fakta sumber yang sama dalam dua versi sambil mengekalkan pengecam dan unit tidak berubah.
Butiran model edisi ini
Keluaran 32B-Instruct mempunyai 32.5 bilion parameter, dengan 31.0 bilion parameter bukan pembenaman, dan 64 lapisan Transformer. Model menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias. Perhatian pertanyaan berkelompok menggunakan 40 kepala pertanyaan serta 8 kepala kunci/nilai. Ini ialah keluaran model bahasa padat dengan penyahkod sahaja, melalui pralatihan dan latihan lanjutan; Instruct mengenal pasti edisi yang dilatih untuk perbualan, bukannya model asas.
Kad menyatakan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka ini menerangkan bahagian tugas yang berbeza: konteks mengekalkan prom dan perbualan, sementara angka penjanaan mengehadkan jawapan bertulis. 512 token yang dijana dalam panduan mula pantas hanyalah contoh dalam had penjanaan lebih besar yang dinyatakan. Model menerima dan mengembalikan teks; jadual imbasan atau tangkapan skrin perlu mempunyai kandungannya tersedia sebagai teks atau melalui model visual berasingan.
Perbualan dan alat
Kad model menunjukkan mesej sistem dan pengguna berasingan yang diformat dengan templat sembang sepadan. Letakkan peraturan respons pembantu yang berterusan dalam peranan perbualan yang sesuai, dan letakkan dokumen, jadual atau kod sebenar bersama tugas pengguna. Tandakan sempadan antara bahan sumber yang dipetik dan arahan supaya arahan yang muncul dalam dokumen tidak disalah anggap sebagai tugas yang dimaksudkan oleh aplikasi.
Pengumuman rasmi keluarga mendokumenkan sokongan panggilan alat melalui templat perbualan dan integrasi perkhidmatan yang serasi. Dalam aliran kerja itu, aplikasi membekalkan penerangan fungsi, menerima panggilan yang dicadangkan, melaksanakan fungsi dan mengembalikan hasilnya. Ini boleh menghubungkan soalan teks kepada pengiraan atau carian data, tetapi memilih model ini sahaja tidak membekalkan alat luaran atau datanya. Penjanaan JSON dan panggilan alat juga ialah hasil yang berbeza: satu memformat teks, manakala satu lagi meminta aplikasi yang mengelilingi model melaksanakan operasi bernama.
Persediaan konteks panjang
Konfigurasi yang dikeluarkan bermula pada 32,768 token. Input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan, dengan contoh faktor 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek dan mengesyorkan pengaktifannya apabila pemprosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, kenal pasti peranan setiap dokumen dan minta satu artifak yang ditentukan dengan jelas: matriks keperluan, senarai percanggahan atau bahagian yang disemak. Kekalkan lokasi sumber di sebelah dapatan yang diekstrak dan sediakan ruang jawapan mencukupi bagi struktur yang diminta. Kapasiti konteks panjang membantu mengekalkan bahan berkaitan bersama; ia tidak menggantikan keperluan menentukan perkara yang perlu dibandingkan atau cara hasil akhir akan digunakan.
", "aboutText": "Qwen2.5-32B-Instruct ialah model teks bersaiz 32B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan penjanaan bahasa dengan pengekodan serta matematik, bukannya pakar Coder atau Math yang dinamakan secara berasingan. Pembuat khususnya menekankan pematuhan arahan terperinci, penulisan panjang, pemahaman jadual dan penghasilan teks berstruktur, terutama JSON. Keluarga dipralatih menggunakan korpus yang diterangkan sebagai mencapai 18 trilion token.\n\nData berstruktur, jawapan panjang dan kerja berbilang bahasa\n\nTugas pengekstrakan yang berguna membekalkan petikan sumber dan medan tepat yang diperlukan oleh langkah aplikasi seterusnya. Tentukan jenis medan, sama ada perkataan mesti disalin atau diringkaskan dan cara mewakili maklumat yang tiada. Contohnya, rekod produk boleh meminta pengecam, syarat operasi dan senarai soalan yang belum diselesaikan. Minta rekod JSON sahaja apabila mesti dihuraikan, atau minta penerangan berasingan apabila seseorang perlu memeriksa penaakulan di sebalik medan yang diekstrak.\n\nPemahaman jadual ialah fokus lain yang didokumenkan. Berikan nama lajur, unit dan baris yang berkaitan bersama soalan. Minta model mengenal pasti baris yang memenuhi syarat, menerangkan perubahan antara tempoh atau menukar jadual menjadi laporan bertulis. Output praktikal boleh mengekalkan pengecam setiap baris di sebelah dapatan. Ini mengekalkan hubungan antara data yang dibekalkan dengan jawapan, bukannya menghasilkan ringkasan tanpa baris sumber yang boleh dijejaki.\n\nUntuk penulisan panjang, namakan khalayak, bahagian dan fakta sumber sebelum meminta dokumen. Cadangan teknikal mungkin memerlukan pernyataan masalah, keperluan, alternatif dan saranan menggunakan bahan yang dibekalkan sahaja. Nyatakan syarat yang wajib dan soalan yang perlu diselesaikan. Pembuat juga membangunkan keteguhan merentasi prom sistem berbeza, menyokong peranan, nada dan syarat perbualan yang ditentukan.\n\nKeluarga menyokong lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Perancis, Sepanyol, Portugis, Jerman, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Untuk tugas berbilang bahasa, bezakan bahasa sumber daripada bahasa output yang diperlukan dan bekalkan senarai istilah apabila nama atau istilah teknikal mesti konsisten. Laporan dwibahasa boleh meminta fakta sumber yang sama dalam dua versi sambil mengekalkan pengecam dan unit tidak berubah.\n\nButiran model edisi ini\n\nKeluaran 32B-Instruct mempunyai 32.5 bilion parameter, dengan 31.0 bilion parameter bukan pembenaman, dan 64 lapisan Transformer. Model menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias. Perhatian pertanyaan berkelompok menggunakan 40 kepala pertanyaan serta 8 kepala kunci/nilai. Ini ialah keluaran model bahasa padat dengan penyahkod sahaja, melalui pralatihan dan latihan lanjutan; Instruct mengenal pasti edisi yang dilatih untuk perbualan, bukannya model asas.\n\nKad menyatakan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka ini menerangkan bahagian tugas yang berbeza: konteks mengekalkan prom dan perbualan, sementara angka penjanaan mengehadkan jawapan bertulis. 512 token yang dijana dalam panduan mula pantas hanyalah contoh dalam had penjanaan lebih besar yang dinyatakan. Model menerima dan mengembalikan teks; jadual imbasan atau tangkapan skrin perlu mempunyai kandungannya tersedia sebagai teks atau melalui model visual berasingan.\n\nPerbualan dan alat\n\nKad model menunjukkan mesej sistem dan pengguna berasingan yang diformat dengan templat sembang sepadan. Letakkan peraturan respons pembantu yang berterusan dalam peranan perbualan yang sesuai, dan letakkan dokumen, jadual atau kod sebenar bersama tugas pengguna. Tandakan sempadan antara bahan sumber yang dipetik dan arahan supaya arahan yang muncul dalam dokumen tidak disalah anggap sebagai tugas yang dimaksudkan oleh aplikasi.\n\nPengumuman rasmi keluarga mendokumenkan sokongan panggilan alat melalui templat perbualan dan integrasi perkhidmatan yang serasi. Dalam aliran kerja itu, aplikasi membekalkan penerangan fungsi, menerima panggilan yang dicadangkan, melaksanakan fungsi dan mengembalikan hasilnya. Ini boleh menghubungkan soalan teks kepada pengiraan atau carian data, tetapi memilih model ini sahaja tidak membekalkan alat luaran atau datanya. Penjanaan JSON dan panggilan alat juga ialah hasil yang berbeza: satu memformat teks, manakala satu lagi meminta aplikasi yang mengelilingi model melaksanakan operasi bernama.\n\nPersediaan konteks panjang\n\nKonfigurasi yang dikeluarkan bermula pada 32,768 token. Input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan, dengan contoh faktor 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek dan mengesyorkan pengaktifannya apabila pemprosesan konteks panjang diperlukan.\n\nUntuk perbandingan dokumen besar, kenal pasti peranan setiap dokumen dan minta satu artifak yang ditentukan dengan jelas: matriks keperluan, senarai percanggahan atau bahagian yang disemak. Kekalkan lokasi sumber di sebelah dapatan yang diekstrak dan sediakan ruang jawapan mencukupi bagi struktur yang diminta. Kapasiti konteks panjang membantu mengekalkan bahan berkaitan bersama; ia tidak menggantikan keperluan menentukan perkara yang perlu dibandingkan atau cara hasil akhir akan digunakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model teks berbilang bahasa untuk arahan terperinci, pengekodan, matematik dan data berstruktur. Edisi 32.5 bilion parameternya menekankan pemahaman jadual, output JSON dan hasil bertulis panjang, dengan tetapan konteks lanjutan yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-32B-Instruct ialah model teks bersaiz 32B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan penjanaan bahasa dengan pengekodan serta matematik, bukannya pakar Coder atau Math yang dinamakan secara berasingan. Pembuat khususnya menekankan pematuhan arahan terperinci, penulisan panjang, pemahaman jadual dan penghasilan teks berstruktur, terutama JSON. Keluarga dipralatih menggunakan korpus yang diterangkan sebagai mencapai 18 trilion token.
Data berstruktur, jawapan panjang dan kerja berbilang bahasa
Tugas pengekstrakan yang berguna membekalkan petikan sumber dan medan tepat yang diperlukan oleh langkah aplikasi seterusnya. Tentukan jenis medan, sama ada perkataan mesti disalin atau diringkaskan dan cara mewakili maklumat yang tiada. Contohnya, rekod produk boleh meminta pengecam, syarat operasi dan senarai soalan yang belum diselesaikan. Minta rekod JSON sahaja apabila mesti dihuraikan, atau minta penerangan berasingan apabila seseorang perlu memeriksa penaakulan di sebalik medan yang diekstrak.
Pemahaman jadual ialah fokus lain yang didokumenkan. Berikan nama lajur, unit dan baris yang berkaitan bersama soalan. Minta model mengenal pasti baris yang memenuhi syarat, menerangkan perubahan antara tempoh atau menukar jadual menjadi laporan bertulis. Output praktikal boleh mengekalkan pengecam setiap baris di sebelah dapatan. Ini mengekalkan hubungan antara data yang dibekalkan dengan jawapan, bukannya menghasilkan ringkasan tanpa baris sumber yang boleh dijejaki.
Untuk penulisan panjang, namakan khalayak, bahagian dan fakta sumber sebelum meminta dokumen. Cadangan teknikal mungkin memerlukan pernyataan masalah, keperluan, alternatif dan saranan menggunakan bahan yang dibekalkan sahaja. Nyatakan syarat yang wajib dan soalan yang perlu diselesaikan. Pembuat juga membangunkan keteguhan merentasi prom sistem berbeza, menyokong peranan, nada dan syarat perbualan yang ditentukan.
Keluarga menyokong lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Perancis, Sepanyol, Portugis, Jerman, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Untuk tugas berbilang bahasa, bezakan bahasa sumber daripada bahasa output yang diperlukan dan bekalkan senarai istilah apabila nama atau istilah teknikal mesti konsisten. Laporan dwibahasa boleh meminta fakta sumber yang sama dalam dua versi sambil mengekalkan pengecam dan unit tidak berubah.
Butiran model edisi ini
Keluaran 32B-Instruct mempunyai 32.5 bilion parameter, dengan 31.0 bilion parameter bukan pembenaman, dan 64 lapisan Transformer. Model menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias. Perhatian pertanyaan berkelompok menggunakan 40 kepala pertanyaan serta 8 kepala kunci/nilai. Ini ialah keluaran model bahasa padat dengan penyahkod sahaja, melalui pralatihan dan latihan lanjutan; Instruct mengenal pasti edisi yang dilatih untuk perbualan, bukannya model asas.
Kad menyatakan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka ini menerangkan bahagian tugas yang berbeza: konteks mengekalkan prom dan perbualan, sementara angka penjanaan mengehadkan jawapan bertulis. 512 token yang dijana dalam panduan mula pantas hanyalah contoh dalam had penjanaan lebih besar yang dinyatakan. Model menerima dan mengembalikan teks; jadual imbasan atau tangkapan skrin perlu mempunyai kandungannya tersedia sebagai teks atau melalui model visual berasingan.
Perbualan dan alat
Kad model menunjukkan mesej sistem dan pengguna berasingan yang diformat dengan templat sembang sepadan. Letakkan peraturan respons pembantu yang berterusan dalam peranan perbualan yang sesuai, dan letakkan dokumen, jadual atau kod sebenar bersama tugas pengguna. Tandakan sempadan antara bahan sumber yang dipetik dan arahan supaya arahan yang muncul dalam dokumen tidak disalah anggap sebagai tugas yang dimaksudkan oleh aplikasi.
Pengumuman rasmi keluarga mendokumenkan sokongan panggilan alat melalui templat perbualan dan integrasi perkhidmatan yang serasi. Dalam aliran kerja itu, aplikasi membekalkan penerangan fungsi, menerima panggilan yang dicadangkan, melaksanakan fungsi dan mengembalikan hasilnya. Ini boleh menghubungkan soalan teks kepada pengiraan atau carian data, tetapi memilih model ini sahaja tidak membekalkan alat luaran atau datanya. Penjanaan JSON dan panggilan alat juga ialah hasil yang berbeza: satu memformat teks, manakala satu lagi meminta aplikasi yang mengelilingi model melaksanakan operasi bernama.
Persediaan konteks panjang
Konfigurasi yang dikeluarkan bermula pada 32,768 token. Input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan, dengan contoh faktor 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek dan mengesyorkan pengaktifannya apabila pemprosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, kenal pasti peranan setiap dokumen dan minta satu artifak yang ditentukan dengan jelas: matriks keperluan, senarai percanggahan atau bahagian yang disemak. Kekalkan lokasi sumber di sebelah dapatan yang diekstrak dan sediakan ruang jawapan mencukupi bagi struktur yang diminta. Kapasiti konteks panjang membantu mengekalkan bahan berkaitan bersama; ia tidak menggantikan keperluan menentukan perkara yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2.5-32B-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 $0.00036 / 1K token Output · Token output $0.00036 / 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/Qwen2.5-32B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-32B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Qwen/Qwen2.5-32B-InstructQwen2.5-32B-Instruct ialah model teks berbilang bahasa untuk arahan terperinci, pengekodan, matematik dan data berstruktur. Edisi 32.5 bilion parameternya menekankan pemahaman jadual, output JSON dan hasil bertulis panjang, dengan tetapan konteks lanjutan yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-32B-Instruct ialah model teks bersaiz 32B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan penjanaan bahasa dengan pengekodan serta matematik, bukannya pakar Coder atau Math yang dinamakan secara berasingan. Pembuat khususnya menekankan pematuhan arahan terperinci, penulisan panjang, pemahaman jadual dan penghasilan teks berstruktur, terutama JSON. Keluarga dipralatih menggunakan korpus yang diterangkan sebagai mencapai 18 trilion token.
Data berstruktur, jawapan panjang dan kerja berbilang bahasa
Tugas pengekstrakan yang berguna membekalkan petikan sumber dan medan tepat yang diperlukan oleh langkah aplikasi seterusnya. Tentukan jenis medan, sama ada perkataan mesti disalin atau diringkaskan dan cara mewakili maklumat yang tiada. Contohnya, rekod produk boleh meminta pengecam, syarat operasi dan senarai soalan yang belum diselesaikan. Minta rekod JSON sahaja apabila mesti dihuraikan, atau minta penerangan berasingan apabila seseorang perlu memeriksa penaakulan di sebalik medan yang diekstrak.
Pemahaman jadual ialah fokus lain yang didokumenkan. Berikan nama lajur, unit dan baris yang berkaitan bersama soalan. Minta model mengenal pasti baris yang memenuhi syarat, menerangkan perubahan antara tempoh atau menukar jadual menjadi laporan bertulis. Output praktikal boleh mengekalkan pengecam setiap baris di sebelah dapatan. Ini mengekalkan hubungan antara data yang dibekalkan dengan jawapan, bukannya menghasilkan ringkasan tanpa baris sumber yang boleh dijejaki.
Untuk penulisan panjang, namakan khalayak, bahagian dan fakta sumber sebelum meminta dokumen. Cadangan teknikal mungkin memerlukan pernyataan masalah, keperluan, alternatif dan saranan menggunakan bahan yang dibekalkan sahaja. Nyatakan syarat yang wajib dan soalan yang perlu diselesaikan. Pembuat juga membangunkan keteguhan merentasi prom sistem berbeza, menyokong peranan, nada dan syarat perbualan yang ditentukan.
Keluarga menyokong lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Perancis, Sepanyol, Portugis, Jerman, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Untuk tugas berbilang bahasa, bezakan bahasa sumber daripada bahasa output yang diperlukan dan bekalkan senarai istilah apabila nama atau istilah teknikal mesti konsisten. Laporan dwibahasa boleh meminta fakta sumber yang sama dalam dua versi sambil mengekalkan pengecam dan unit tidak berubah.
Butiran model edisi ini
Keluaran 32B-Instruct mempunyai 32.5 bilion parameter, dengan 31.0 bilion parameter bukan pembenaman, dan 64 lapisan Transformer. Model menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias. Perhatian pertanyaan berkelompok menggunakan 40 kepala pertanyaan serta 8 kepala kunci/nilai. Ini ialah keluaran model bahasa padat dengan penyahkod sahaja, melalui pralatihan dan latihan lanjutan; Instruct mengenal pasti edisi yang dilatih untuk perbualan, bukannya model asas.
Kad menyatakan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka ini menerangkan bahagian tugas yang berbeza: konteks mengekalkan prom dan perbualan, sementara angka penjanaan mengehadkan jawapan bertulis. 512 token yang dijana dalam panduan mula pantas hanyalah contoh dalam had penjanaan lebih besar yang dinyatakan. Model menerima dan mengembalikan teks; jadual imbasan atau tangkapan skrin perlu mempunyai kandungannya tersedia sebagai teks atau melalui model visual berasingan.
Perbualan dan alat
Kad model menunjukkan mesej sistem dan pengguna berasingan yang diformat dengan templat sembang sepadan. Letakkan peraturan respons pembantu yang berterusan dalam peranan perbualan yang sesuai, dan letakkan dokumen, jadual atau kod sebenar bersama tugas pengguna. Tandakan sempadan antara bahan sumber yang dipetik dan arahan supaya arahan yang muncul dalam dokumen tidak disalah anggap sebagai tugas yang dimaksudkan oleh aplikasi.
Pengumuman rasmi keluarga mendokumenkan sokongan panggilan alat melalui templat perbualan dan integrasi perkhidmatan yang serasi. Dalam aliran kerja itu, aplikasi membekalkan penerangan fungsi, menerima panggilan yang dicadangkan, melaksanakan fungsi dan mengembalikan hasilnya. Ini boleh menghubungkan soalan teks kepada pengiraan atau carian data, tetapi memilih model ini sahaja tidak membekalkan alat luaran atau datanya. Penjanaan JSON dan panggilan alat juga ialah hasil yang berbeza: satu memformat teks, manakala satu lagi meminta aplikasi yang mengelilingi model melaksanakan operasi bernama.
Persediaan konteks panjang
Konfigurasi yang dikeluarkan bermula pada 32,768 token. Input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan, dengan contoh faktor 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek dan mengesyorkan pengaktifannya apabila pemprosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, kenal pasti peranan setiap dokumen dan minta satu artifak yang ditentukan dengan jelas: matriks keperluan, senarai percanggahan atau bahagian yang disemak. Kekalkan lokasi sumber di sebelah dapatan yang diekstrak dan sediakan ruang jawapan mencukupi bagi struktur yang diminta. Kapasiti konteks panjang membantu mengekalkan bahan berkaitan bersama; ia tidak menggantikan keperluan menentukan perkara yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2.5-32B-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 $0.00036 / 1K token Output · Token output $0.00036 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Qwen/Qwen2.5-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-32B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct ialah model teks berbilang bahasa untuk arahan terperinci, pengekodan, matematik dan data berstruktur. Edisi 32.5 bilion parameternya menekankan pemahaman jadual, output JSON dan hasil bertulis panjang, dengan tetapan konteks lanjutan yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-32B-Instruct ialah model teks bersaiz 32B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan penjanaan bahasa dengan pengekodan serta matematik, bukannya pakar Coder atau Math yang dinamakan secara berasingan. Pembuat khususnya menekankan pematuhan arahan terperinci, penulisan panjang, pemahaman jadual dan penghasilan teks berstruktur, terutama JSON. Keluarga dipralatih menggunakan korpus yang diterangkan sebagai mencapai 18 trilion token.
Data berstruktur, jawapan panjang dan kerja berbilang bahasa
Tugas pengekstrakan yang berguna membekalkan petikan sumber dan medan tepat yang diperlukan oleh langkah aplikasi seterusnya. Tentukan jenis medan, sama ada perkataan mesti disalin atau diringkaskan dan cara mewakili maklumat yang tiada. Contohnya, rekod produk boleh meminta pengecam, syarat operasi dan senarai soalan yang belum diselesaikan. Minta rekod JSON sahaja apabila mesti dihuraikan, atau minta penerangan berasingan apabila seseorang perlu memeriksa penaakulan di sebalik medan yang diekstrak.
Pemahaman jadual ialah fokus lain yang didokumenkan. Berikan nama lajur, unit dan baris yang berkaitan bersama soalan. Minta model mengenal pasti baris yang memenuhi syarat, menerangkan perubahan antara tempoh atau menukar jadual menjadi laporan bertulis. Output praktikal boleh mengekalkan pengecam setiap baris di sebelah dapatan. Ini mengekalkan hubungan antara data yang dibekalkan dengan jawapan, bukannya menghasilkan ringkasan tanpa baris sumber yang boleh dijejaki.
Untuk penulisan panjang, namakan khalayak, bahagian dan fakta sumber sebelum meminta dokumen. Cadangan teknikal mungkin memerlukan pernyataan masalah, keperluan, alternatif dan saranan menggunakan bahan yang dibekalkan sahaja. Nyatakan syarat yang wajib dan soalan yang perlu diselesaikan. Pembuat juga membangunkan keteguhan merentasi prom sistem berbeza, menyokong peranan, nada dan syarat perbualan yang ditentukan.
Keluarga menyokong lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Perancis, Sepanyol, Portugis, Jerman, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Untuk tugas berbilang bahasa, bezakan bahasa sumber daripada bahasa output yang diperlukan dan bekalkan senarai istilah apabila nama atau istilah teknikal mesti konsisten. Laporan dwibahasa boleh meminta fakta sumber yang sama dalam dua versi sambil mengekalkan pengecam dan unit tidak berubah.
Butiran model edisi ini
Keluaran 32B-Instruct mempunyai 32.5 bilion parameter, dengan 31.0 bilion parameter bukan pembenaman, dan 64 lapisan Transformer. Model menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias. Perhatian pertanyaan berkelompok menggunakan 40 kepala pertanyaan serta 8 kepala kunci/nilai. Ini ialah keluaran model bahasa padat dengan penyahkod sahaja, melalui pralatihan dan latihan lanjutan; Instruct mengenal pasti edisi yang dilatih untuk perbualan, bukannya model asas.
Kad menyatakan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka ini menerangkan bahagian tugas yang berbeza: konteks mengekalkan prom dan perbualan, sementara angka penjanaan mengehadkan jawapan bertulis. 512 token yang dijana dalam panduan mula pantas hanyalah contoh dalam had penjanaan lebih besar yang dinyatakan. Model menerima dan mengembalikan teks; jadual imbasan atau tangkapan skrin perlu mempunyai kandungannya tersedia sebagai teks atau melalui model visual berasingan.
Perbualan dan alat
Kad model menunjukkan mesej sistem dan pengguna berasingan yang diformat dengan templat sembang sepadan. Letakkan peraturan respons pembantu yang berterusan dalam peranan perbualan yang sesuai, dan letakkan dokumen, jadual atau kod sebenar bersama tugas pengguna. Tandakan sempadan antara bahan sumber yang dipetik dan arahan supaya arahan yang muncul dalam dokumen tidak disalah anggap sebagai tugas yang dimaksudkan oleh aplikasi.
Pengumuman rasmi keluarga mendokumenkan sokongan panggilan alat melalui templat perbualan dan integrasi perkhidmatan yang serasi. Dalam aliran kerja itu, aplikasi membekalkan penerangan fungsi, menerima panggilan yang dicadangkan, melaksanakan fungsi dan mengembalikan hasilnya. Ini boleh menghubungkan soalan teks kepada pengiraan atau carian data, tetapi memilih model ini sahaja tidak membekalkan alat luaran atau datanya. Penjanaan JSON dan panggilan alat juga ialah hasil yang berbeza: satu memformat teks, manakala satu lagi meminta aplikasi yang mengelilingi model melaksanakan operasi bernama.
Persediaan konteks panjang
Konfigurasi yang dikeluarkan bermula pada 32,768 token. Input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan, dengan contoh faktor 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek dan mengesyorkan pengaktifannya apabila pemprosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, kenal pasti peranan setiap dokumen dan minta satu artifak yang ditentukan dengan jelas: matriks keperluan, senarai percanggahan atau bahagian yang disemak. Kekalkan lokasi sumber di sebelah dapatan yang diekstrak dan sediakan ruang jawapan mencukupi bagi struktur yang diminta. Kapasiti konteks panjang membantu mengekalkan bahan berkaitan bersama; ia tidak menggantikan keperluan menentukan perkara yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-32b-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 $0.00036 / 1K token Output · Token output $0.00036 / 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":"qwen2.5-32b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-32b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson atau SSE
Simpan setiap respons lengkap, 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
qwen2.5-32b-instructQwen2.5-32B-Instruct ialah model teks berbilang bahasa untuk arahan terperinci, pengekodan, matematik dan data berstruktur. Edisi 32.5 bilion parameternya menekankan pemahaman jadual, output JSON dan hasil bertulis panjang, dengan tetapan konteks lanjutan yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-32B-Instruct ialah model teks bersaiz 32B yang ditala untuk arahan dalam keluarga Qwen2.5 umum. Model menggabungkan pemahaman dan penjanaan bahasa dengan pengekodan serta matematik, bukannya pakar Coder atau Math yang dinamakan secara berasingan. Pembuat khususnya menekankan pematuhan arahan terperinci, penulisan panjang, pemahaman jadual dan penghasilan teks berstruktur, terutama JSON. Keluarga dipralatih menggunakan korpus yang diterangkan sebagai mencapai 18 trilion token.
Data berstruktur, jawapan panjang dan kerja berbilang bahasa
Tugas pengekstrakan yang berguna membekalkan petikan sumber dan medan tepat yang diperlukan oleh langkah aplikasi seterusnya. Tentukan jenis medan, sama ada perkataan mesti disalin atau diringkaskan dan cara mewakili maklumat yang tiada. Contohnya, rekod produk boleh meminta pengecam, syarat operasi dan senarai soalan yang belum diselesaikan. Minta rekod JSON sahaja apabila mesti dihuraikan, atau minta penerangan berasingan apabila seseorang perlu memeriksa penaakulan di sebalik medan yang diekstrak.
Pemahaman jadual ialah fokus lain yang didokumenkan. Berikan nama lajur, unit dan baris yang berkaitan bersama soalan. Minta model mengenal pasti baris yang memenuhi syarat, menerangkan perubahan antara tempoh atau menukar jadual menjadi laporan bertulis. Output praktikal boleh mengekalkan pengecam setiap baris di sebelah dapatan. Ini mengekalkan hubungan antara data yang dibekalkan dengan jawapan, bukannya menghasilkan ringkasan tanpa baris sumber yang boleh dijejaki.
Untuk penulisan panjang, namakan khalayak, bahagian dan fakta sumber sebelum meminta dokumen. Cadangan teknikal mungkin memerlukan pernyataan masalah, keperluan, alternatif dan saranan menggunakan bahan yang dibekalkan sahaja. Nyatakan syarat yang wajib dan soalan yang perlu diselesaikan. Pembuat juga membangunkan keteguhan merentasi prom sistem berbeza, menyokong peranan, nada dan syarat perbualan yang ditentukan.
Keluarga menyokong lebih daripada 29 bahasa, termasuk Inggeris, Cina, Rusia, Perancis, Sepanyol, Portugis, Jerman, Itali, Jepun, Korea, Vietnam, Thai dan Arab. Untuk tugas berbilang bahasa, bezakan bahasa sumber daripada bahasa output yang diperlukan dan bekalkan senarai istilah apabila nama atau istilah teknikal mesti konsisten. Laporan dwibahasa boleh meminta fakta sumber yang sama dalam dua versi sambil mengekalkan pengecam dan unit tidak berubah.
Butiran model edisi ini
Keluaran 32B-Instruct mempunyai 32.5 bilion parameter, dengan 31.0 bilion parameter bukan pembenaman, dan 64 lapisan Transformer. Model menggunakan rotary positional embeddings, SwiGLU, RMSNorm dan attention QKV bias. Perhatian pertanyaan berkelompok menggunakan 40 kepala pertanyaan serta 8 kepala kunci/nilai. Ini ialah keluaran model bahasa padat dengan penyahkod sahaja, melalui pralatihan dan latihan lanjutan; Instruct mengenal pasti edisi yang dilatih untuk perbualan, bukannya model asas.
Kad menyatakan konteks penuh 131,072 token dan penjanaan sehingga 8,192 token. Angka ini menerangkan bahagian tugas yang berbeza: konteks mengekalkan prom dan perbualan, sementara angka penjanaan mengehadkan jawapan bertulis. 512 token yang dijana dalam panduan mula pantas hanyalah contoh dalam had penjanaan lebih besar yang dinyatakan. Model menerima dan mengembalikan teks; jadual imbasan atau tangkapan skrin perlu mempunyai kandungannya tersedia sebagai teks atau melalui model visual berasingan.
Perbualan dan alat
Kad model menunjukkan mesej sistem dan pengguna berasingan yang diformat dengan templat sembang sepadan. Letakkan peraturan respons pembantu yang berterusan dalam peranan perbualan yang sesuai, dan letakkan dokumen, jadual atau kod sebenar bersama tugas pengguna. Tandakan sempadan antara bahan sumber yang dipetik dan arahan supaya arahan yang muncul dalam dokumen tidak disalah anggap sebagai tugas yang dimaksudkan oleh aplikasi.
Pengumuman rasmi keluarga mendokumenkan sokongan panggilan alat melalui templat perbualan dan integrasi perkhidmatan yang serasi. Dalam aliran kerja itu, aplikasi membekalkan penerangan fungsi, menerima panggilan yang dicadangkan, melaksanakan fungsi dan mengembalikan hasilnya. Ini boleh menghubungkan soalan teks kepada pengiraan atau carian data, tetapi memilih model ini sahaja tidak membekalkan alat luaran atau datanya. Penjanaan JSON dan panggilan alat juga ialah hasil yang berbeza: satu memformat teks, manakala satu lagi meminta aplikasi yang mengelilingi model melaksanakan operasi bernama.
Persediaan konteks panjang
Konfigurasi yang dikeluarkan bermula pada 32,768 token. Input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan, dengan contoh faktor 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku teks lebih pendek dan mengesyorkan pengaktifannya apabila pemprosesan konteks panjang diperlukan.
Untuk perbandingan dokumen besar, kenal pasti peranan setiap dokumen dan minta satu artifak yang ditentukan dengan jelas: matriks keperluan, senarai percanggahan atau bahagian yang disemak. Kekalkan lokasi sumber di sebelah dapatan yang diekstrak dan sediakan ruang jawapan mencukupi bagi struktur yang diminta. Kapasiti konteks panjang membantu mengekalkan bahan berkaitan bersama; ia tidak menggantikan keperluan menentukan perkara yang perlu dibandingkan atau cara hasil akhir akan digunakan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-32b-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 $0.00036 / 1K token Output · Token output $0.00036 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen2.5-32b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-32b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, 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/Qwen2.5-32B-Instruct, qwen2.5-32b-instruct
/chat/completions
Contoh teknikal dalam bahasa Inggeris
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.