Qwen2.5 14B Instruct 1M ialah edisi 14B konteks lebih panjang dalam keluarga Qwen2.5. Kad model pembuat menerbitkan konteks penuh 1,010,000 token dan peruntukan penjanaan 8,192 token. Ia menerangkan model bahasa 14.7 bilion parameter, dengan 13.1 bilion parameter tidak termasuk embedding.
Labelkan dokumen atau petikan dan nyatakan hasil yang patut disokongnya. Perbandingan boleh menentukan kriteria dan meminta perbezaan yang dikaitkan dengan sumber. Ringkasan boleh menetapkan khalayak serta maklumat yang mesti dikekalkan. Ringkasan tugas tertumpu menghubungkan koleksi sumber yang lebih besar dengan jawapan yang diperlukan.
Untuk susulan, kekalkan pengecam sumber dan dapatan terdahulu yang berkaitan. Tambahkan pembetulan atau petikan baharu secara eksplisit supaya kesimpulan yang disemak boleh dibandingkan dengan bukti asal.
Pembuat menunjukkan arahan sistem dan soalan pengguna melalui templat sembang keluaran ini. Asingkan bahan yang dipetik daripada arahan dan tentukan struktur jawapan akhir. Untuk hasil berstruktur, nyatakan medan serta cara maklumat yang tiada perlu dipaparkan, kemudian periksa nilai yang dikembalikan berdasarkan sumber.
Input besar tidak memerlukan jawapan yang sama besar. Minta perincian yang diperlukan artifak dan tinggalkan ruang sesuai untuk respons dalam had antara muka yang dipilih.
Pembuat mengesyorkan rangka kerja inferens khusus dengan perhatian jarang dan ekstrapolasi panjang untuk input amat panjang. Panduannya menerangkan penetapan panjang model maksimum dan parameter pelaksanaan lain; ia turut menyatakan bahawa rangka kerja serasi yang lebih lama mungkin kehilangan ketepatan melebihi 262,144 token.
Ini ialah keupayaan model dan pelaksanaannya, bukannya tetapan yang tersedia secara automatik pada setiap antara muka yang dihoskan. Profil tepat yang dihoskan menyenaraikan konteks kerja 128,000 token. Sediakan permintaan sebenar menggunakan had antara muka itu yang didokumenkan, bukannya menganggap nama edisi 1M sebagai jaminan bagi setiap laluan.
Panduan konteks panjang yang sama daripada pembuat menamakan model 7B dan 14B berasingan. Entri ini mengikuti spesifikasi parameter dan penjanaan model 14B sendiri. Simpan edisi tepat bersama prompt dan hasil apabila membandingkan tugas atau semakan yang menggunakan sumber lebih besar.
", "aboutText": "Qwen2.5 14B Instruct 1M ialah edisi 14B konteks lebih panjang dalam keluarga Qwen2.5. Kad model pembuat menerbitkan konteks penuh 1,010,000 token dan peruntukan penjanaan 8,192 token. Ia menerangkan model bahasa 14.7 bilion parameter, dengan 13.1 bilion parameter tidak termasuk embedding.\n\n### Susun bahan panjang berdasarkan soalan\n\nLabelkan dokumen atau petikan dan nyatakan hasil yang patut disokongnya. Perbandingan boleh menentukan kriteria dan meminta perbezaan yang dikaitkan dengan sumber. Ringkasan boleh menetapkan khalayak serta maklumat yang mesti dikekalkan. Ringkasan tugas tertumpu menghubungkan koleksi sumber yang lebih besar dengan jawapan yang diperlukan.\n\nUntuk susulan, kekalkan pengecam sumber dan dapatan terdahulu yang berkaitan. Tambahkan pembetulan atau petikan baharu secara eksplisit supaya kesimpulan yang disemak boleh dibandingkan dengan bukti asal.\n\n### Gunakan templat perbualan model\n\nPembuat menunjukkan arahan sistem dan soalan pengguna melalui templat sembang keluaran ini. Asingkan bahan yang dipetik daripada arahan dan tentukan struktur jawapan akhir. Untuk hasil berstruktur, nyatakan medan serta cara maklumat yang tiada perlu dipaparkan, kemudian periksa nilai yang dikembalikan berdasarkan sumber.\n\nInput besar tidak memerlukan jawapan yang sama besar. Minta perincian yang diperlukan artifak dan tinggalkan ruang sesuai untuk respons dalam had antara muka yang dipilih.\n\n### Konfigurasi konteks panjang\n\nPembuat mengesyorkan rangka kerja inferens khusus dengan perhatian jarang dan ekstrapolasi panjang untuk input amat panjang. Panduannya menerangkan penetapan panjang model maksimum dan parameter pelaksanaan lain; ia turut menyatakan bahawa rangka kerja serasi yang lebih lama mungkin kehilangan ketepatan melebihi 262,144 token.\n\nIni ialah keupayaan model dan pelaksanaannya, bukannya tetapan yang tersedia secara automatik pada setiap antara muka yang dihoskan. Profil tepat yang dihoskan menyenaraikan konteks kerja 128,000 token. Sediakan permintaan sebenar menggunakan had antara muka itu yang didokumenkan, bukannya menganggap nama edisi 1M sebagai jaminan bagi setiap laluan.\n\n### Kekalkan edisi 14B\n\nPanduan konteks panjang yang sama daripada pembuat menamakan model 7B dan 14B berasingan. Entri ini mengikuti spesifikasi parameter dan penjanaan model 14B sendiri. Simpan edisi tepat bersama prompt dan hasil apabila membandingkan tugas atau semakan yang menggunakan sumber lebih besar.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Reconcile a source collection\n\nCreate a current project summary from these labeled records. [M1] May plan: pilot in two branches, North and East. [M2] June decision: replace East with West; North unchanged. [M3] June staffing note: West lead unassigned. Treat later explicit decisions as updates. Return active branches, the change history and unresolved ownership, citing the relevant record IDs.A source-linked current-state summary, a concise change history and the missing West owner.Check East survives only in history and West is active with its owner unassigned.qwen2.5-14b-instruct-1mQwen2.5 14B Instruct 1M ialah edisi teks konteks panjang Qwen untuk koleksi sumber lebih besar dan tugas pematuhan arahan. Pembuatnya menerbitkan konteks penuh 1,010,000 token dan peruntukan penjanaan 8,192 token untuk model ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5 14B Instruct 1M ialah edisi 14B konteks lebih panjang dalam keluarga Qwen2.5. Kad model pembuat menerbitkan konteks penuh 1,010,000 token dan peruntukan penjanaan 8,192 token. Ia menerangkan model bahasa 14.7 bilion parameter, dengan 13.1 bilion parameter tidak termasuk embedding.
Labelkan dokumen atau petikan dan nyatakan hasil yang patut disokongnya. Perbandingan boleh menentukan kriteria dan meminta perbezaan yang dikaitkan dengan sumber. Ringkasan boleh menetapkan khalayak serta maklumat yang mesti dikekalkan. Ringkasan tugas tertumpu menghubungkan koleksi sumber yang lebih besar dengan jawapan yang diperlukan.
Untuk susulan, kekalkan pengecam sumber dan dapatan terdahulu yang berkaitan. Tambahkan pembetulan atau petikan baharu secara eksplisit supaya kesimpulan yang disemak boleh dibandingkan dengan bukti asal.
Pembuat menunjukkan arahan sistem dan soalan pengguna melalui templat sembang keluaran ini. Asingkan bahan yang dipetik daripada arahan dan tentukan struktur jawapan akhir. Untuk hasil berstruktur, nyatakan medan serta cara maklumat yang tiada perlu dipaparkan, kemudian periksa nilai yang dikembalikan berdasarkan sumber.
Input besar tidak memerlukan jawapan yang sama besar. Minta perincian yang diperlukan artifak dan tinggalkan ruang sesuai untuk respons dalam had antara muka yang dipilih.
Pembuat mengesyorkan rangka kerja inferens khusus dengan perhatian jarang dan ekstrapolasi panjang untuk input amat panjang. Panduannya menerangkan penetapan panjang model maksimum dan parameter pelaksanaan lain; ia turut menyatakan bahawa rangka kerja serasi yang lebih lama mungkin kehilangan ketepatan melebihi 262,144 token.
Ini ialah keupayaan model dan pelaksanaannya, bukannya tetapan yang tersedia secara automatik pada setiap antara muka yang dihoskan. Profil tepat yang dihoskan menyenaraikan konteks kerja 128,000 token. Sediakan permintaan sebenar menggunakan had antara muka itu yang didokumenkan, bukannya menganggap nama edisi 1M sebagai jaminan bagi setiap laluan.
Panduan konteks panjang yang sama daripada pembuat menamakan model 7B dan 14B berasingan. Entri ini mengikuti spesifikasi parameter dan penjanaan model 14B sendiri. Simpan edisi tepat bersama prompt dan hasil apabila membandingkan tugas atau semakan yang menggunakan sumber lebih besar.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-14b-instruct-1m | 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 $0.000286 / 1K token Output · Token output $0.00086 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2.5-14b-instruct-1m", "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='qwen2.5-14b-instruct-1m',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='qwen2.5-14b-instruct-1m',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 qwen2.5-14b-instruct-1m
Gunakan laluan kaedah yang dipaparkan di atas.
qwen2.5-14b-instruct-1mQwen2.5 14B Instruct 1M ialah edisi teks konteks panjang Qwen untuk koleksi sumber lebih besar dan tugas pematuhan arahan. Pembuatnya menerbitkan konteks penuh 1,010,000 token dan peruntukan penjanaan 8,192 token untuk model ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5 14B Instruct 1M ialah edisi 14B konteks lebih panjang dalam keluarga Qwen2.5. Kad model pembuat menerbitkan konteks penuh 1,010,000 token dan peruntukan penjanaan 8,192 token. Ia menerangkan model bahasa 14.7 bilion parameter, dengan 13.1 bilion parameter tidak termasuk embedding.
Labelkan dokumen atau petikan dan nyatakan hasil yang patut disokongnya. Perbandingan boleh menentukan kriteria dan meminta perbezaan yang dikaitkan dengan sumber. Ringkasan boleh menetapkan khalayak serta maklumat yang mesti dikekalkan. Ringkasan tugas tertumpu menghubungkan koleksi sumber yang lebih besar dengan jawapan yang diperlukan.
Untuk susulan, kekalkan pengecam sumber dan dapatan terdahulu yang berkaitan. Tambahkan pembetulan atau petikan baharu secara eksplisit supaya kesimpulan yang disemak boleh dibandingkan dengan bukti asal.
Pembuat menunjukkan arahan sistem dan soalan pengguna melalui templat sembang keluaran ini. Asingkan bahan yang dipetik daripada arahan dan tentukan struktur jawapan akhir. Untuk hasil berstruktur, nyatakan medan serta cara maklumat yang tiada perlu dipaparkan, kemudian periksa nilai yang dikembalikan berdasarkan sumber.
Input besar tidak memerlukan jawapan yang sama besar. Minta perincian yang diperlukan artifak dan tinggalkan ruang sesuai untuk respons dalam had antara muka yang dipilih.
Pembuat mengesyorkan rangka kerja inferens khusus dengan perhatian jarang dan ekstrapolasi panjang untuk input amat panjang. Panduannya menerangkan penetapan panjang model maksimum dan parameter pelaksanaan lain; ia turut menyatakan bahawa rangka kerja serasi yang lebih lama mungkin kehilangan ketepatan melebihi 262,144 token.
Ini ialah keupayaan model dan pelaksanaannya, bukannya tetapan yang tersedia secara automatik pada setiap antara muka yang dihoskan. Profil tepat yang dihoskan menyenaraikan konteks kerja 128,000 token. Sediakan permintaan sebenar menggunakan had antara muka itu yang didokumenkan, bukannya menganggap nama edisi 1M sebagai jaminan bagi setiap laluan.
Panduan konteks panjang yang sama daripada pembuat menamakan model 7B dan 14B berasingan. Entri ini mengikuti spesifikasi parameter dan penjanaan model 14B sendiri. Simpan edisi tepat bersama prompt dan hasil apabila membandingkan tugas atau semakan yang menggunakan sumber lebih besar.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-14b-instruct-1m | 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 $0.000286 / 1K token Output · Token output $0.00086 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen2.5-14b-instruct-1m",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct-1m', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct-1m', '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 qwen2.5-14b-instruct-1m
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Reconcile a source collection\n\nCreate a current project summary from these labeled records. [M1] May plan: pilot in two branches, North and East. [M2] June decision: replace East with West; North unchanged. [M3] June staffing note: West lead unassigned. Treat later explicit decisions as updates. Return active branches, the change history and unresolved ownership, citing the relevant record IDs.A source-linked current-state summary, a concise change history and the missing West owner.Check East survives only in history and West is active with its owner unassigned.