Qwen2.5-Coder-14B-Instruct ialah edisi 14B yang ditala mengikut arahan dalam keluarga model Qwen berfokus kod. Ia menerima arahan bertulis dan kod sumber serta mengembalikan teks, termasuk pelaksanaan, penjelasan dan cadangan pembaikan. Keupayaan utamanya ialah penjanaan kod, penaakulan kod dan pembaikan kod, dengan asas dalam matematik dan tugas bahasa umum.
Berikan bahasa pengaturcaraan, tingkah laku yang diperlukan dan antara muka di sekelilingnya kepada model. Permintaan tertumpu boleh meminta fungsi penghuraian yang menerima input yang ditetapkan dan mengekalkan format pulangan sedia ada. Sertakan kes pinggir dan kenal pasti nama atau kebergantungan yang mesti kekal utuh. Hasil boleh berupa fungsi atau tampalan kecil dengan penjelasan cara ia memenuhi keperluan.
Panduan mula pantas pengeluar menunjukkan perbualan yang diikuti oleh kod yang dijana. Instruct ialah edisi yang dijajarkan untuk bentuk interaksi ini. Susulan boleh memperhalus tugas yang sama: menukar syarat input, menerangkan satu cabang atau menyesuaikan pelaksanaan dengan antara muka sedia ada. Simpan dan jalankan kod yang terhasil dalam persekitaran pembangunan aplikasi untuk memeriksa tingkah laku yang diminta.
Untuk penaakulan kod, bekalkan petikan berkaitan dan tanya tentang hubungan tertentu: cara data bergerak antara fungsi, syarat yang mengubah output atau sebab nilai mencapai keadaan tidak dijangka. Untuk pembaikan, padankan kod dengan ralat yang diperhatikan, input yang mencetuskannya dan hasil yang dimaksudkan. Minta pembetulan secara berasingan daripada penjelasan supaya setiap satunya boleh disemak berdasarkan tingkah laku asal.
Bahan latihan keluarga ini merangkumi kod sumber, teks yang dipasangkan dengan kod dan bahan sintetik. Skala latihan yang diterbitkan ialah 5.5 trilion token. Ini ialah latar belakang pengkhususan pengaturcaraan; ia tidak membuktikan bahawa pelaksanaan yang dicadangkan telah dilaksanakan atau lulus pemeriksaan projek anda.
Kad model tepat menetapkan 131,072 token konteks penuh. Konfigurasi asal ditetapkan kepada 32,768 token; input lebih panjang memerlukan konfigurasi YaRN yang diterangkan dalam runtime yang menyokongnya. Pengeluar menyatakan bahawa penskalaan statik boleh menjejaskan input lebih pendek dan mengesyorkan pendayaannya apabila pemprosesan konteks panjang diperlukan. Ini ialah syarat pelaksanaan model, maka angka konteks penuh sendiri tidak menetapkan had antara muka API tertentu.
Model ini mempunyai 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan embedding, dan 48 lapisan. Ia menggunakan perhatian pertanyaan berkumpulan dengan 40 kepala pertanyaan dan lapan kepala kunci/nilai. Kekalkan identiti 14B-Instruct apabila memilihnya untuk tugas: edisi Base dan ahli keluarga lebih besar mempunyai spesifikasi berasingan. Artifak siap yang berguna ialah kod yang dicadangkan, penjelasannya dan kes yang diperlukan untuk mengesahkannya.
", "aboutText": "Qwen2.5-Coder-14B-Instruct ialah edisi 14B yang ditala mengikut arahan dalam keluarga model Qwen berfokus kod. Ia menerima arahan bertulis dan kod sumber serta mengembalikan teks, termasuk pelaksanaan, penjelasan dan cadangan pembaikan. Keupayaan utamanya ialah penjanaan kod, penaakulan kod dan pembaikan kod, dengan asas dalam matematik dan tugas bahasa umum.\n\n### Jana kod daripada keperluan konkrit\n\nBerikan bahasa pengaturcaraan, tingkah laku yang diperlukan dan antara muka di sekelilingnya kepada model. Permintaan tertumpu boleh meminta fungsi penghuraian yang menerima input yang ditetapkan dan mengekalkan format pulangan sedia ada. Sertakan kes pinggir dan kenal pasti nama atau kebergantungan yang mesti kekal utuh. Hasil boleh berupa fungsi atau tampalan kecil dengan penjelasan cara ia memenuhi keperluan.\n\nPanduan mula pantas pengeluar menunjukkan perbualan yang diikuti oleh kod yang dijana. Instruct ialah edisi yang dijajarkan untuk bentuk interaksi ini. Susulan boleh memperhalus tugas yang sama: menukar syarat input, menerangkan satu cabang atau menyesuaikan pelaksanaan dengan antara muka sedia ada. Simpan dan jalankan kod yang terhasil dalam persekitaran pembangunan aplikasi untuk memeriksa tingkah laku yang diminta.\n\n### Terangkan tingkah laku dan cadangkan pembaikan\n\nUntuk penaakulan kod, bekalkan petikan berkaitan dan tanya tentang hubungan tertentu: cara data bergerak antara fungsi, syarat yang mengubah output atau sebab nilai mencapai keadaan tidak dijangka. Untuk pembaikan, padankan kod dengan ralat yang diperhatikan, input yang mencetuskannya dan hasil yang dimaksudkan. Minta pembetulan secara berasingan daripada penjelasan supaya setiap satunya boleh disemak berdasarkan tingkah laku asal.\n\nBahan latihan keluarga ini merangkumi kod sumber, teks yang dipasangkan dengan kod dan bahan sintetik. Skala latihan yang diterbitkan ialah 5.5 trilion token. Ini ialah latar belakang pengkhususan pengaturcaraan; ia tidak membuktikan bahawa pelaksanaan yang dicadangkan telah dilaksanakan atau lulus pemeriksaan projek anda.\n\n### Bekerja dengan konteks yang didokumenkan\n\nKad model tepat menetapkan 131,072 token konteks penuh. Konfigurasi asal ditetapkan kepada 32,768 token; input lebih panjang memerlukan konfigurasi YaRN yang diterangkan dalam runtime yang menyokongnya. Pengeluar menyatakan bahawa penskalaan statik boleh menjejaskan input lebih pendek dan mengesyorkan pendayaannya apabila pemprosesan konteks panjang diperlukan. Ini ialah syarat pelaksanaan model, maka angka konteks penuh sendiri tidak menetapkan had antara muka API tertentu.\n\n### Edisi arahan 14B yang tepat\n\nModel ini mempunyai 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan embedding, dan 48 lapisan. Ia menggunakan perhatian pertanyaan berkumpulan dengan 40 kepala pertanyaan dan lapan kepala kunci/nilai. Kekalkan identiti 14B-Instruct apabila memilihnya untuk tugas: edisi Base dan ahli keluarga lebih besar mempunyai spesifikasi berasingan. Artifak siap yang berguna ialah kod yang dicadangkan, penjelasannya dan kes yang diperlukan untuk mengesahkannya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Implement a strict inventory-line parser\n\nWrite a Python function parse_line(text) for inventory lines formatted SKU|quantity. Trim surrounding spaces on both fields, reject an empty SKU, and require quantity to be a nonnegative integer. Return a tuple of SKU and quantity; raise ValueError for invalid input. Include tests for a valid line, zero quantity, an empty SKU and a negative quantity.A complete parser and four concrete tests preserving the specified tuple return format.Zero is accepted, a negative quantity is rejected, and invalid records raise ValueError rather than silently changing data.qwen2.5-coder-14b-instructQwen2.5-Coder-14B-Instruct ialah model pengaturcaraan 14.7 bilion parameter untuk menjana, menerangkan dan membaiki kod. Reka bentuknya yang ditala mengikut arahan menyokong tugas perbualan; konteks 131,072 token yang didokumenkan memerlukan konfigurasi konteks panjang di luar tetapan asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-Coder-14B-Instruct ialah edisi 14B yang ditala mengikut arahan dalam keluarga model Qwen berfokus kod. Ia menerima arahan bertulis dan kod sumber serta mengembalikan teks, termasuk pelaksanaan, penjelasan dan cadangan pembaikan. Keupayaan utamanya ialah penjanaan kod, penaakulan kod dan pembaikan kod, dengan asas dalam matematik dan tugas bahasa umum.
Berikan bahasa pengaturcaraan, tingkah laku yang diperlukan dan antara muka di sekelilingnya kepada model. Permintaan tertumpu boleh meminta fungsi penghuraian yang menerima input yang ditetapkan dan mengekalkan format pulangan sedia ada. Sertakan kes pinggir dan kenal pasti nama atau kebergantungan yang mesti kekal utuh. Hasil boleh berupa fungsi atau tampalan kecil dengan penjelasan cara ia memenuhi keperluan.
Panduan mula pantas pengeluar menunjukkan perbualan yang diikuti oleh kod yang dijana. Instruct ialah edisi yang dijajarkan untuk bentuk interaksi ini. Susulan boleh memperhalus tugas yang sama: menukar syarat input, menerangkan satu cabang atau menyesuaikan pelaksanaan dengan antara muka sedia ada. Simpan dan jalankan kod yang terhasil dalam persekitaran pembangunan aplikasi untuk memeriksa tingkah laku yang diminta.
Untuk penaakulan kod, bekalkan petikan berkaitan dan tanya tentang hubungan tertentu: cara data bergerak antara fungsi, syarat yang mengubah output atau sebab nilai mencapai keadaan tidak dijangka. Untuk pembaikan, padankan kod dengan ralat yang diperhatikan, input yang mencetuskannya dan hasil yang dimaksudkan. Minta pembetulan secara berasingan daripada penjelasan supaya setiap satunya boleh disemak berdasarkan tingkah laku asal.
Bahan latihan keluarga ini merangkumi kod sumber, teks yang dipasangkan dengan kod dan bahan sintetik. Skala latihan yang diterbitkan ialah 5.5 trilion token. Ini ialah latar belakang pengkhususan pengaturcaraan; ia tidak membuktikan bahawa pelaksanaan yang dicadangkan telah dilaksanakan atau lulus pemeriksaan projek anda.
Kad model tepat menetapkan 131,072 token konteks penuh. Konfigurasi asal ditetapkan kepada 32,768 token; input lebih panjang memerlukan konfigurasi YaRN yang diterangkan dalam runtime yang menyokongnya. Pengeluar menyatakan bahawa penskalaan statik boleh menjejaskan input lebih pendek dan mengesyorkan pendayaannya apabila pemprosesan konteks panjang diperlukan. Ini ialah syarat pelaksanaan model, maka angka konteks penuh sendiri tidak menetapkan had antara muka API tertentu.
Model ini mempunyai 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan embedding, dan 48 lapisan. Ia menggunakan perhatian pertanyaan berkumpulan dengan 40 kepala pertanyaan dan lapan kepala kunci/nilai. Kekalkan identiti 14B-Instruct apabila memilihnya untuk tugas: edisi Base dan ahli keluarga lebih besar mempunyai spesifikasi berasingan. Artifak siap yang berguna ialah kod yang dicadangkan, penjelasannya dan kes yang diperlukan untuk mengesahkannya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-coder-14b-instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000572 / 1K token Output · Token output $0.00172 / 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-coder-14b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-coder-14b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-coder-14b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen2.5-coder-14b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
qwen2.5-coder-14b-instructQwen2.5-Coder-14B-Instruct ialah model pengaturcaraan 14.7 bilion parameter untuk menjana, menerangkan dan membaiki kod. Reka bentuknya yang ditala mengikut arahan menyokong tugas perbualan; konteks 131,072 token yang didokumenkan memerlukan konfigurasi konteks panjang di luar tetapan asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-Coder-14B-Instruct ialah edisi 14B yang ditala mengikut arahan dalam keluarga model Qwen berfokus kod. Ia menerima arahan bertulis dan kod sumber serta mengembalikan teks, termasuk pelaksanaan, penjelasan dan cadangan pembaikan. Keupayaan utamanya ialah penjanaan kod, penaakulan kod dan pembaikan kod, dengan asas dalam matematik dan tugas bahasa umum.
Berikan bahasa pengaturcaraan, tingkah laku yang diperlukan dan antara muka di sekelilingnya kepada model. Permintaan tertumpu boleh meminta fungsi penghuraian yang menerima input yang ditetapkan dan mengekalkan format pulangan sedia ada. Sertakan kes pinggir dan kenal pasti nama atau kebergantungan yang mesti kekal utuh. Hasil boleh berupa fungsi atau tampalan kecil dengan penjelasan cara ia memenuhi keperluan.
Panduan mula pantas pengeluar menunjukkan perbualan yang diikuti oleh kod yang dijana. Instruct ialah edisi yang dijajarkan untuk bentuk interaksi ini. Susulan boleh memperhalus tugas yang sama: menukar syarat input, menerangkan satu cabang atau menyesuaikan pelaksanaan dengan antara muka sedia ada. Simpan dan jalankan kod yang terhasil dalam persekitaran pembangunan aplikasi untuk memeriksa tingkah laku yang diminta.
Untuk penaakulan kod, bekalkan petikan berkaitan dan tanya tentang hubungan tertentu: cara data bergerak antara fungsi, syarat yang mengubah output atau sebab nilai mencapai keadaan tidak dijangka. Untuk pembaikan, padankan kod dengan ralat yang diperhatikan, input yang mencetuskannya dan hasil yang dimaksudkan. Minta pembetulan secara berasingan daripada penjelasan supaya setiap satunya boleh disemak berdasarkan tingkah laku asal.
Bahan latihan keluarga ini merangkumi kod sumber, teks yang dipasangkan dengan kod dan bahan sintetik. Skala latihan yang diterbitkan ialah 5.5 trilion token. Ini ialah latar belakang pengkhususan pengaturcaraan; ia tidak membuktikan bahawa pelaksanaan yang dicadangkan telah dilaksanakan atau lulus pemeriksaan projek anda.
Kad model tepat menetapkan 131,072 token konteks penuh. Konfigurasi asal ditetapkan kepada 32,768 token; input lebih panjang memerlukan konfigurasi YaRN yang diterangkan dalam runtime yang menyokongnya. Pengeluar menyatakan bahawa penskalaan statik boleh menjejaskan input lebih pendek dan mengesyorkan pendayaannya apabila pemprosesan konteks panjang diperlukan. Ini ialah syarat pelaksanaan model, maka angka konteks penuh sendiri tidak menetapkan had antara muka API tertentu.
Model ini mempunyai 14.7 bilion parameter, termasuk 13.1 bilion parameter bukan embedding, dan 48 lapisan. Ia menggunakan perhatian pertanyaan berkumpulan dengan 40 kepala pertanyaan dan lapan kepala kunci/nilai. Kekalkan identiti 14B-Instruct apabila memilihnya untuk tugas: edisi Base dan ahli keluarga lebih besar mempunyai spesifikasi berasingan. Artifak siap yang berguna ialah kod yang dicadangkan, penjelasannya dan kes yang diperlukan untuk mengesahkannya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-coder-14b-instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000572 / 1K token Output · Token output $0.00172 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen2.5-coder-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen2.5-coder-14b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Implement a strict inventory-line parser\n\nWrite a Python function parse_line(text) for inventory lines formatted SKU|quantity. Trim surrounding spaces on both fields, reject an empty SKU, and require quantity to be a nonnegative integer. Return a tuple of SKU and quantity; raise ValueError for invalid input. Include tests for a valid line, zero quantity, an empty SKU and a negative quantity.A complete parser and four concrete tests preserving the specified tuple return format.Zero is accepted, a negative quantity is rejected, and invalid records raise ValueError rather than silently changing data.