Qwen2.5-Coder-32B-Instruct ialah edisi 32B siri Qwen2.5-Coder yang ditala untuk arahan. Pengeluar membangunkan siri ini untuk penjanaan kod, penaakulan kod dan pembaikan kod sambil mengekalkan keupayaan matematik dan bahasa umum. Bilangan parameter edisi ini yang diterbitkan ialah 32.5 bilion. Format perbualannya membolehkan tugas menggabungkan arahan, kod sumber dan hasil yang dijangka daripada perubahan seterusnya.
Mulakan dengan antara muka yang mesti dilaksanakan oleh kod, jenis input dan output serta beberapa contoh yang mewakili kes sebenar. Nyatakan bahasa dan konvensyen projek yang berkaitan. Minta pelaksanaan dan ujian yang menguji kes yang telah anda nyatakan. Jika fungsi pembantu sedia ada sudah menentukan tingkah laku tersebut, sertakannya supaya cadangan mengikut projek, bukannya mencipta corak selari.
Untuk ciri kecil, bekalkan modul yang terjejas dan terangkan tempat hasil itu sesuai dalam aplikasi. Minta perubahan terfokus dengan sebarang andaian baharu dinyatakan. Model mengembalikan kod dan penerangan; pengkompilan, pelaksanaan dan integrasi berlaku dalam persekitaran pembangunan.
Taklimat penyahpepijatan perlu mengandungi ralat tepat, input yang mencetuskannya dan tingkah laku yang dijangka sebagai ganti. Minta model mengaitkan kegagalan dengan bahagian tertentu dalam kod yang dibekalkan sebelum mencadangkan pembetulan. Permintaan susulan yang berguna ialah satu ujian yang gagal dengan tingkah laku asal dan lulus selepas perubahan yang dicadangkan.
Untuk semakan, tentukan soalan: pengendalian input kosong, turutan, pembersihan sumber atau makna nilai yang dikembalikan. Minta lokasi kod yang berkaitan dan contoh yang menunjukkan isu. Kaitkan cadangan dengan fail yang boleh diperiksa oleh model, kemudian sahkan setiap perubahan yang dicadangkan dalam projek.
Kad model menerangkan panjang konteks penuh 131,072 token, manakala konfigurasi asas yang diterbitkan ditetapkan kepada 32,768. Kaedah teks panjang pengeluar mengaktifkan penskalaan YaRN untuk input yang melebihi konfigurasi asas itu. Ini ialah butiran konfigurasi perkhidmatan, maka permintaan kepada perkhidmatan yang dihoskan perlu dirancang berdasarkan had konteks titik akhirnya yang sebenar.
Pengeluar juga menyatakan bahawa penskalaan YaRN statik boleh mempengaruhi prestasi teks lebih pendek dan mengesyorkan pengaktifannya apabila konteks panjang diperlukan. Untuk soalan kod biasa, hantarkan antara muka dan petikan yang berkaitan dahulu. Untuk tugas merentas fail, kenal pasti titik masuk, kebergantungan dan syarat penerimaan, sambil menyediakan ruang untuk pelaksanaan dan penerangan yang diminta.
", "aboutText": "Qwen2.5-Coder-32B-Instruct ialah edisi 32B siri Qwen2.5-Coder yang ditala untuk arahan. Pengeluar membangunkan siri ini untuk penjanaan kod, penaakulan kod dan pembaikan kod sambil mengekalkan keupayaan matematik dan bahasa umum. Bilangan parameter edisi ini yang diterbitkan ialah 32.5 bilion. Format perbualannya membolehkan tugas menggabungkan arahan, kod sumber dan hasil yang dijangka daripada perubahan seterusnya.\n\n### Jana kod berdasarkan kontrak yang jelas\n\nMulakan dengan antara muka yang mesti dilaksanakan oleh kod, jenis input dan output serta beberapa contoh yang mewakili kes sebenar. Nyatakan bahasa dan konvensyen projek yang berkaitan. Minta pelaksanaan dan ujian yang menguji kes yang telah anda nyatakan. Jika fungsi pembantu sedia ada sudah menentukan tingkah laku tersebut, sertakannya supaya cadangan mengikut projek, bukannya mencipta corak selari.\n\nUntuk ciri kecil, bekalkan modul yang terjejas dan terangkan tempat hasil itu sesuai dalam aplikasi. Minta perubahan terfokus dengan sebarang andaian baharu dinyatakan. Model mengembalikan kod dan penerangan; pengkompilan, pelaksanaan dan integrasi berlaku dalam persekitaran pembangunan.\n\n### Terangkan atau betulkan pelaksanaan sedia ada\n\nTaklimat penyahpepijatan perlu mengandungi ralat tepat, input yang mencetuskannya dan tingkah laku yang dijangka sebagai ganti. Minta model mengaitkan kegagalan dengan bahagian tertentu dalam kod yang dibekalkan sebelum mencadangkan pembetulan. Permintaan susulan yang berguna ialah satu ujian yang gagal dengan tingkah laku asal dan lulus selepas perubahan yang dicadangkan.\n\nUntuk semakan, tentukan soalan: pengendalian input kosong, turutan, pembersihan sumber atau makna nilai yang dikembalikan. Minta lokasi kod yang berkaitan dan contoh yang menunjukkan isu. Kaitkan cadangan dengan fail yang boleh diperiksa oleh model, kemudian sahkan setiap perubahan yang dicadangkan dalam projek.\n\n### Gunakan konteks panjang dengan sengaja\n\nKad model menerangkan panjang konteks penuh 131,072 token, manakala konfigurasi asas yang diterbitkan ditetapkan kepada 32,768. Kaedah teks panjang pengeluar mengaktifkan penskalaan YaRN untuk input yang melebihi konfigurasi asas itu. Ini ialah butiran konfigurasi perkhidmatan, maka permintaan kepada perkhidmatan yang dihoskan perlu dirancang berdasarkan had konteks titik akhirnya yang sebenar.\n\nPengeluar juga menyatakan bahawa penskalaan YaRN statik boleh mempengaruhi prestasi teks lebih pendek dan mengesyorkan pengaktifannya apabila konteks panjang diperlukan. Untuk soalan kod biasa, hantarkan antara muka dan petikan yang berkaitan dahulu. Untuk tugas merentas fail, kenal pasti titik masuk, kebergantungan dan syarat penerimaan, sambil menyediakan ruang untuk pelaksanaan dan penerangan yang diminta.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Fix stable deduplication order\n\nReview this Python function: def unique(values): return list(set(values)). The contract requires keeping the first occurrence of each hashable value in input order. Propose a corrected implementation preserving the signature and input list. Include tests for repeated strings, empty input and values already unique. Explain why a set conversion alone does not express the ordering contract.A complete stable-deduplication function, three tests and a short ordering explanation.The repeated-input test checks first-occurrence order, and the original list remains unchanged.Qwen/Qwen2.5-Coder-32B-InstructQwen2.5-Coder-32B-Instruct ialah model pengekodan yang ditala untuk arahan bagi menjana, menerangkan dan membaiki kod. Bekalkan fail berkaitan, tingkah laku yang dijangka dan bukti ujian untuk mendapatkan pelaksanaan atau pembetulan yang terfokus, dengan tingkah laku konteks panjang ditentukan oleh konfigurasi perkhidmatan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-Coder-32B-Instruct ialah edisi 32B siri Qwen2.5-Coder yang ditala untuk arahan. Pengeluar membangunkan siri ini untuk penjanaan kod, penaakulan kod dan pembaikan kod sambil mengekalkan keupayaan matematik dan bahasa umum. Bilangan parameter edisi ini yang diterbitkan ialah 32.5 bilion. Format perbualannya membolehkan tugas menggabungkan arahan, kod sumber dan hasil yang dijangka daripada perubahan seterusnya.
Mulakan dengan antara muka yang mesti dilaksanakan oleh kod, jenis input dan output serta beberapa contoh yang mewakili kes sebenar. Nyatakan bahasa dan konvensyen projek yang berkaitan. Minta pelaksanaan dan ujian yang menguji kes yang telah anda nyatakan. Jika fungsi pembantu sedia ada sudah menentukan tingkah laku tersebut, sertakannya supaya cadangan mengikut projek, bukannya mencipta corak selari.
Untuk ciri kecil, bekalkan modul yang terjejas dan terangkan tempat hasil itu sesuai dalam aplikasi. Minta perubahan terfokus dengan sebarang andaian baharu dinyatakan. Model mengembalikan kod dan penerangan; pengkompilan, pelaksanaan dan integrasi berlaku dalam persekitaran pembangunan.
Taklimat penyahpepijatan perlu mengandungi ralat tepat, input yang mencetuskannya dan tingkah laku yang dijangka sebagai ganti. Minta model mengaitkan kegagalan dengan bahagian tertentu dalam kod yang dibekalkan sebelum mencadangkan pembetulan. Permintaan susulan yang berguna ialah satu ujian yang gagal dengan tingkah laku asal dan lulus selepas perubahan yang dicadangkan.
Untuk semakan, tentukan soalan: pengendalian input kosong, turutan, pembersihan sumber atau makna nilai yang dikembalikan. Minta lokasi kod yang berkaitan dan contoh yang menunjukkan isu. Kaitkan cadangan dengan fail yang boleh diperiksa oleh model, kemudian sahkan setiap perubahan yang dicadangkan dalam projek.
Kad model menerangkan panjang konteks penuh 131,072 token, manakala konfigurasi asas yang diterbitkan ditetapkan kepada 32,768. Kaedah teks panjang pengeluar mengaktifkan penskalaan YaRN untuk input yang melebihi konfigurasi asas itu. Ini ialah butiran konfigurasi perkhidmatan, maka permintaan kepada perkhidmatan yang dihoskan perlu dirancang berdasarkan had konteks titik akhirnya yang sebenar.
Pengeluar juga menyatakan bahawa penskalaan YaRN statik boleh mempengaruhi prestasi teks lebih pendek dan mengesyorkan pengaktifannya apabila konteks panjang diperlukan. Untuk soalan kod biasa, hantarkan antara muka dan petikan yang berkaitan dahulu. Untuk tugas merentas fail, kenal pasti titik masuk, kebergantungan dan syarat penerimaan, sambil menyediakan ruang untuk pelaksanaan dan penerangan yang diminta.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2.5-Coder-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-Coder-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-Coder-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-Coder-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-Coder-32B-Instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Qwen/Qwen2.5-Coder-32B-InstructQwen2.5-Coder-32B-Instruct ialah model pengekodan yang ditala untuk arahan bagi menjana, menerangkan dan membaiki kod. Bekalkan fail berkaitan, tingkah laku yang dijangka dan bukti ujian untuk mendapatkan pelaksanaan atau pembetulan yang terfokus, dengan tingkah laku konteks panjang ditentukan oleh konfigurasi perkhidmatan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-Coder-32B-Instruct ialah edisi 32B siri Qwen2.5-Coder yang ditala untuk arahan. Pengeluar membangunkan siri ini untuk penjanaan kod, penaakulan kod dan pembaikan kod sambil mengekalkan keupayaan matematik dan bahasa umum. Bilangan parameter edisi ini yang diterbitkan ialah 32.5 bilion. Format perbualannya membolehkan tugas menggabungkan arahan, kod sumber dan hasil yang dijangka daripada perubahan seterusnya.
Mulakan dengan antara muka yang mesti dilaksanakan oleh kod, jenis input dan output serta beberapa contoh yang mewakili kes sebenar. Nyatakan bahasa dan konvensyen projek yang berkaitan. Minta pelaksanaan dan ujian yang menguji kes yang telah anda nyatakan. Jika fungsi pembantu sedia ada sudah menentukan tingkah laku tersebut, sertakannya supaya cadangan mengikut projek, bukannya mencipta corak selari.
Untuk ciri kecil, bekalkan modul yang terjejas dan terangkan tempat hasil itu sesuai dalam aplikasi. Minta perubahan terfokus dengan sebarang andaian baharu dinyatakan. Model mengembalikan kod dan penerangan; pengkompilan, pelaksanaan dan integrasi berlaku dalam persekitaran pembangunan.
Taklimat penyahpepijatan perlu mengandungi ralat tepat, input yang mencetuskannya dan tingkah laku yang dijangka sebagai ganti. Minta model mengaitkan kegagalan dengan bahagian tertentu dalam kod yang dibekalkan sebelum mencadangkan pembetulan. Permintaan susulan yang berguna ialah satu ujian yang gagal dengan tingkah laku asal dan lulus selepas perubahan yang dicadangkan.
Untuk semakan, tentukan soalan: pengendalian input kosong, turutan, pembersihan sumber atau makna nilai yang dikembalikan. Minta lokasi kod yang berkaitan dan contoh yang menunjukkan isu. Kaitkan cadangan dengan fail yang boleh diperiksa oleh model, kemudian sahkan setiap perubahan yang dicadangkan dalam projek.
Kad model menerangkan panjang konteks penuh 131,072 token, manakala konfigurasi asas yang diterbitkan ditetapkan kepada 32,768. Kaedah teks panjang pengeluar mengaktifkan penskalaan YaRN untuk input yang melebihi konfigurasi asas itu. Ini ialah butiran konfigurasi perkhidmatan, maka permintaan kepada perkhidmatan yang dihoskan perlu dirancang berdasarkan had konteks titik akhirnya yang sebenar.
Pengeluar juga menyatakan bahawa penskalaan YaRN statik boleh mempengaruhi prestasi teks lebih pendek dan mengesyorkan pengaktifannya apabila konteks panjang diperlukan. Untuk soalan kod biasa, hantarkan antara muka dan petikan yang berkaitan dahulu. Untuk tugas merentas fail, kenal pasti titik masuk, kebergantungan dan syarat penerimaan, sambil menyediakan ruang untuk pelaksanaan dan penerangan yang diminta.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2.5-Coder-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 $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Qwen/Qwen2.5-Coder-32B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Coder-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-Coder-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-Coder-32B-Instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Fix stable deduplication order\n\nReview this Python function: def unique(values): return list(set(values)). The contract requires keeping the first occurrence of each hashable value in input order. Propose a corrected implementation preserving the signature and input list. Include tests for repeated strings, empty input and values already unique. Explain why a set conversion alone does not express the ordering contract.A complete stable-deduplication function, three tests and a short ordering explanation.The repeated-input test checks first-occurrence order, and the original list remains unchanged.