Qwen2.5-Coder-7B-Instruct ialah keluaran bersaiz 7B yang ditala mengikut arahan dalam keluarga Qwen berfokus kod, yang dahulunya dikenali sebagai CodeQwen. Tugas utamanya ialah penjanaan kod, penaakulan tentang tingkah laku program dan pembaikan kod. Ia menerima teks, termasuk keperluan dan kod sumber, serta mengembalikan teks yang boleh mengandungi pelaksanaan, penjelasan atau cadangan perubahan.
Keupayaan pengekodan dan latihan
Pembuat menerangkan 5.5 trilion token latihan, termasuk kod sumber, bahan yang menghubungkan teks dengan kod dan contoh sintetik. Keluarga ini mengekalkan kebolehan matematik dan bahasa umum di samping pengkhususan pengaturcaraannya. Pengumuman keluaran membezakan penjanaan program, penaakulan tentang cara program berjalan dan pembaikan pelaksanaan sedia ada; perkara ini memerlukan input serta artifak akhir yang berbeza.
Untuk penjanaan, berikan bahasa pengaturcaraan, tandatangan fungsi, jenis input dan nilai pulangan yang dijangka. Sertakan kekangan seperti sama ada fungsi boleh mengubah inputnya atau menggunakan kebergantungan luaran. Minta pelaksanaan dan penjelasan pendek tentang cara ia memenuhi setiap keperluan. Sebagai contoh, permintaan pengisihan boleh menetapkan bahawa nilai pendua mesti dikekalkan dan senarai asal tidak diubah, kemudian meminta fungsi serta contoh panggilan bagi senarai kosong dan senarai yang mengandungi nilai berulang.
Untuk penaakulan kod, bekalkan fragmen tepat dan input tertentu yang perlu dijejaki. Tanya cabang yang dilaksanakan, perubahan nilai perantaraan dan nilai yang dikembalikan fungsi. Ini lebih berguna daripada permintaan tanpa arah untuk menerangkan seluruh fail: jawapan menghubungkan input konkrit dengan laluan konkrit melalui program. Simpan sebarang fungsi pembantu yang dipanggil atau definisi jenis berkaitan bersama fragmen.
Untuk pembaikan, berikan tingkah laku yang gagal, tingkah laku yang dijangka dan kod yang menentukan perbezaannya. Mesej ralat sahaja mungkin membiarkan syarat penting tidak dinyatakan. Minta cadangan pembetulan, penjelasan punca dan contoh yang membezakan tingkah laku lama dengan yang dimaksudkan. Tampalan yang dikembalikan ialah artifak teks; mengkompil, melaksanakan atau menerapkannya pada repositori memerlukan persekitaran pembangunan di sekelilingnya.
Edisi 7B yang dinamakan
Model yang dikeluarkan mempunyai 7.61 bilion parameter, termasuk 6.53 bilion parameter bukan embedding, dan 28 lapisan Transformer. Ia menggunakan embedding kedudukan putaran, SwiGLU, RMSNorm dan bias QKV dalam mekanisme perhatian. Perhatian pertanyaan berkumpulannya mempunyai 28 kepala pertanyaan dan 4 kepala kunci/nilai. Butiran ini menerangkan keluaran ini, bukannya edisi Coder yang lebih besar.
Keluarga ini menyediakan model Base dan Instruct yang berasingan. Instruct dijajarkan untuk permintaan perbualan; Base ialah asas pelengkapan dan penalaan lanjut. Entri ini berkaitan model 7B yang ditala mengikut arahan. Contoh keluaran dan hasil utama bagi saiz lain tidak mentakrifkan keupayaan atau keperluan sumber edisi ini.
Menyediakan arahan
Kad model menunjukkan perbualan dengan mesej sistem dan pengguna berasingan serta templat sembang yang sepadan. Letakkan peraturan respons berterusan, seperti cara membentangkan pelaksanaan dan penjelasan, secara berasingan daripada kod dan tugas. Tandakan fragmen yang merupakan sumber sedia ada, teks yang merupakan keperluan dan output yang mesti dikembalikan. Ini membantu mengekalkan pengecam, antara muka dan tingkah laku yang wajib dikekalkan oleh perubahan yang diminta.
Input pembantu pembangun yang berguna boleh mengandungi modul pendek, pemanggilnya dan perubahan yang dimaksudkan. Minta fungsi yang disemak, senarai andaian dan contoh input dengan output yang dijangka. Untuk artifak visual yang dijana, nyatakan data serta interaksi yang perlu dilaksanakan dan minta teks sumber yang terhasil; keluarga berfokus kod ini turut menunjukkan pembantu kod dan artifak visual. Pengerenderan artifak kekal sebagai langkah berasingan daripada penjanaan sumbernya.
Pemprosesan teks panjang
Kad model menyenaraikan konteks penuh 131,072 token, manakala konfigurasi yang dikeluarkan pada awalnya ditetapkan untuk 32,768 token. Pemprosesan input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan. Contohnya menetapkan faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat menyatakan bahawa penskalaan statik boleh menjejaskan tingkah laku teks lebih pendek dan mengesyorkan penambahan peluasan apabila konteks panjang diperlukan.
Gunakan konteks lebih besar untuk mengekalkan kod dan keperluan berkaitan bersama-sama, tetapi kenal pasti soalan sebenar: mencari panggilan tidak serasi, menerangkan laluan data atau mencadangkan perubahan dalam antara muka yang ditetapkan. Sertakan bahagian yang menentukan tingkah laku, bukannya bahan projek tidak berkaitan. 512 token yang dijana dalam panduan mula pantas ialah tetapan contoh; kad ini tidak menetapkan kapasiti output maksimum yang berasingan daripada nilai itu.
Hasil model yang didokumenkan ialah teks. Peranannya dalam ejen kod bergantung pada aplikasi yang menyediakan akses repositori, pelaksanaan dan maklum balas. Asingkan operasi itu daripada kebolehan model mencadangkan kod dan menerangkan tingkah lakunya, serta nyatakan edisi tepat 7B-Instruct dan tetapan konteks panjang secara eksplisit apabila merancang tugas yang boleh diulang.
", "aboutText": "Qwen2.5-Coder-7B-Instruct ialah keluaran bersaiz 7B yang ditala mengikut arahan dalam keluarga Qwen berfokus kod, yang dahulunya dikenali sebagai CodeQwen. Tugas utamanya ialah penjanaan kod, penaakulan tentang tingkah laku program dan pembaikan kod. Ia menerima teks, termasuk keperluan dan kod sumber, serta mengembalikan teks yang boleh mengandungi pelaksanaan, penjelasan atau cadangan perubahan.\n\nKeupayaan pengekodan dan latihan\n\nPembuat menerangkan 5.5 trilion token latihan, termasuk kod sumber, bahan yang menghubungkan teks dengan kod dan contoh sintetik. Keluarga ini mengekalkan kebolehan matematik dan bahasa umum di samping pengkhususan pengaturcaraannya. Pengumuman keluaran membezakan penjanaan program, penaakulan tentang cara program berjalan dan pembaikan pelaksanaan sedia ada; perkara ini memerlukan input serta artifak akhir yang berbeza.\n\nUntuk penjanaan, berikan bahasa pengaturcaraan, tandatangan fungsi, jenis input dan nilai pulangan yang dijangka. Sertakan kekangan seperti sama ada fungsi boleh mengubah inputnya atau menggunakan kebergantungan luaran. Minta pelaksanaan dan penjelasan pendek tentang cara ia memenuhi setiap keperluan. Sebagai contoh, permintaan pengisihan boleh menetapkan bahawa nilai pendua mesti dikekalkan dan senarai asal tidak diubah, kemudian meminta fungsi serta contoh panggilan bagi senarai kosong dan senarai yang mengandungi nilai berulang.\n\nUntuk penaakulan kod, bekalkan fragmen tepat dan input tertentu yang perlu dijejaki. Tanya cabang yang dilaksanakan, perubahan nilai perantaraan dan nilai yang dikembalikan fungsi. Ini lebih berguna daripada permintaan tanpa arah untuk menerangkan seluruh fail: jawapan menghubungkan input konkrit dengan laluan konkrit melalui program. Simpan sebarang fungsi pembantu yang dipanggil atau definisi jenis berkaitan bersama fragmen.\n\nUntuk pembaikan, berikan tingkah laku yang gagal, tingkah laku yang dijangka dan kod yang menentukan perbezaannya. Mesej ralat sahaja mungkin membiarkan syarat penting tidak dinyatakan. Minta cadangan pembetulan, penjelasan punca dan contoh yang membezakan tingkah laku lama dengan yang dimaksudkan. Tampalan yang dikembalikan ialah artifak teks; mengkompil, melaksanakan atau menerapkannya pada repositori memerlukan persekitaran pembangunan di sekelilingnya.\n\nEdisi 7B yang dinamakan\n\nModel yang dikeluarkan mempunyai 7.61 bilion parameter, termasuk 6.53 bilion parameter bukan embedding, dan 28 lapisan Transformer. Ia menggunakan embedding kedudukan putaran, SwiGLU, RMSNorm dan bias QKV dalam mekanisme perhatian. Perhatian pertanyaan berkumpulannya mempunyai 28 kepala pertanyaan dan 4 kepala kunci/nilai. Butiran ini menerangkan keluaran ini, bukannya edisi Coder yang lebih besar.\n\nKeluarga ini menyediakan model Base dan Instruct yang berasingan. Instruct dijajarkan untuk permintaan perbualan; Base ialah asas pelengkapan dan penalaan lanjut. Entri ini berkaitan model 7B yang ditala mengikut arahan. Contoh keluaran dan hasil utama bagi saiz lain tidak mentakrifkan keupayaan atau keperluan sumber edisi ini.\n\nMenyediakan arahan\n\nKad model menunjukkan perbualan dengan mesej sistem dan pengguna berasingan serta templat sembang yang sepadan. Letakkan peraturan respons berterusan, seperti cara membentangkan pelaksanaan dan penjelasan, secara berasingan daripada kod dan tugas. Tandakan fragmen yang merupakan sumber sedia ada, teks yang merupakan keperluan dan output yang mesti dikembalikan. Ini membantu mengekalkan pengecam, antara muka dan tingkah laku yang wajib dikekalkan oleh perubahan yang diminta.\n\nInput pembantu pembangun yang berguna boleh mengandungi modul pendek, pemanggilnya dan perubahan yang dimaksudkan. Minta fungsi yang disemak, senarai andaian dan contoh input dengan output yang dijangka. Untuk artifak visual yang dijana, nyatakan data serta interaksi yang perlu dilaksanakan dan minta teks sumber yang terhasil; keluarga berfokus kod ini turut menunjukkan pembantu kod dan artifak visual. Pengerenderan artifak kekal sebagai langkah berasingan daripada penjanaan sumbernya.\n\nPemprosesan teks panjang\n\nKad model menyenaraikan konteks penuh 131,072 token, manakala konfigurasi yang dikeluarkan pada awalnya ditetapkan untuk 32,768 token. Pemprosesan input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan. Contohnya menetapkan faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat menyatakan bahawa penskalaan statik boleh menjejaskan tingkah laku teks lebih pendek dan mengesyorkan penambahan peluasan apabila konteks panjang diperlukan.\n\nGunakan konteks lebih besar untuk mengekalkan kod dan keperluan berkaitan bersama-sama, tetapi kenal pasti soalan sebenar: mencari panggilan tidak serasi, menerangkan laluan data atau mencadangkan perubahan dalam antara muka yang ditetapkan. Sertakan bahagian yang menentukan tingkah laku, bukannya bahan projek tidak berkaitan. 512 token yang dijana dalam panduan mula pantas ialah tetapan contoh; kad ini tidak menetapkan kapasiti output maksimum yang berasingan daripada nilai itu.\n\nHasil model yang didokumenkan ialah teks. Peranannya dalam ejen kod bergantung pada aplikasi yang menyediakan akses repositori, pelaksanaan dan maklum balas. Asingkan operasi itu daripada kebolehan model mencadangkan kod dan menerangkan tingkah lakunya, serta nyatakan edisi tepat 7B-Instruct dan tetapan konteks panjang secara eksplisit apabila merancang tugas yang boleh diulang.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct ialah model teks untuk menjana, menerangkan dan membaiki kod berdasarkan arahan. Keluaran 7.61 bilion parameternya menyokong konteks diperluas sehingga 131,072 token dengan konfigurasi konteks panjang yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-Coder-7B-Instruct ialah keluaran bersaiz 7B yang ditala mengikut arahan dalam keluarga Qwen berfokus kod, yang dahulunya dikenali sebagai CodeQwen. Tugas utamanya ialah penjanaan kod, penaakulan tentang tingkah laku program dan pembaikan kod. Ia menerima teks, termasuk keperluan dan kod sumber, serta mengembalikan teks yang boleh mengandungi pelaksanaan, penjelasan atau cadangan perubahan.
Keupayaan pengekodan dan latihan
Pembuat menerangkan 5.5 trilion token latihan, termasuk kod sumber, bahan yang menghubungkan teks dengan kod dan contoh sintetik. Keluarga ini mengekalkan kebolehan matematik dan bahasa umum di samping pengkhususan pengaturcaraannya. Pengumuman keluaran membezakan penjanaan program, penaakulan tentang cara program berjalan dan pembaikan pelaksanaan sedia ada; perkara ini memerlukan input serta artifak akhir yang berbeza.
Untuk penjanaan, berikan bahasa pengaturcaraan, tandatangan fungsi, jenis input dan nilai pulangan yang dijangka. Sertakan kekangan seperti sama ada fungsi boleh mengubah inputnya atau menggunakan kebergantungan luaran. Minta pelaksanaan dan penjelasan pendek tentang cara ia memenuhi setiap keperluan. Sebagai contoh, permintaan pengisihan boleh menetapkan bahawa nilai pendua mesti dikekalkan dan senarai asal tidak diubah, kemudian meminta fungsi serta contoh panggilan bagi senarai kosong dan senarai yang mengandungi nilai berulang.
Untuk penaakulan kod, bekalkan fragmen tepat dan input tertentu yang perlu dijejaki. Tanya cabang yang dilaksanakan, perubahan nilai perantaraan dan nilai yang dikembalikan fungsi. Ini lebih berguna daripada permintaan tanpa arah untuk menerangkan seluruh fail: jawapan menghubungkan input konkrit dengan laluan konkrit melalui program. Simpan sebarang fungsi pembantu yang dipanggil atau definisi jenis berkaitan bersama fragmen.
Untuk pembaikan, berikan tingkah laku yang gagal, tingkah laku yang dijangka dan kod yang menentukan perbezaannya. Mesej ralat sahaja mungkin membiarkan syarat penting tidak dinyatakan. Minta cadangan pembetulan, penjelasan punca dan contoh yang membezakan tingkah laku lama dengan yang dimaksudkan. Tampalan yang dikembalikan ialah artifak teks; mengkompil, melaksanakan atau menerapkannya pada repositori memerlukan persekitaran pembangunan di sekelilingnya.
Edisi 7B yang dinamakan
Model yang dikeluarkan mempunyai 7.61 bilion parameter, termasuk 6.53 bilion parameter bukan embedding, dan 28 lapisan Transformer. Ia menggunakan embedding kedudukan putaran, SwiGLU, RMSNorm dan bias QKV dalam mekanisme perhatian. Perhatian pertanyaan berkumpulannya mempunyai 28 kepala pertanyaan dan 4 kepala kunci/nilai. Butiran ini menerangkan keluaran ini, bukannya edisi Coder yang lebih besar.
Keluarga ini menyediakan model Base dan Instruct yang berasingan. Instruct dijajarkan untuk permintaan perbualan; Base ialah asas pelengkapan dan penalaan lanjut. Entri ini berkaitan model 7B yang ditala mengikut arahan. Contoh keluaran dan hasil utama bagi saiz lain tidak mentakrifkan keupayaan atau keperluan sumber edisi ini.
Menyediakan arahan
Kad model menunjukkan perbualan dengan mesej sistem dan pengguna berasingan serta templat sembang yang sepadan. Letakkan peraturan respons berterusan, seperti cara membentangkan pelaksanaan dan penjelasan, secara berasingan daripada kod dan tugas. Tandakan fragmen yang merupakan sumber sedia ada, teks yang merupakan keperluan dan output yang mesti dikembalikan. Ini membantu mengekalkan pengecam, antara muka dan tingkah laku yang wajib dikekalkan oleh perubahan yang diminta.
Input pembantu pembangun yang berguna boleh mengandungi modul pendek, pemanggilnya dan perubahan yang dimaksudkan. Minta fungsi yang disemak, senarai andaian dan contoh input dengan output yang dijangka. Untuk artifak visual yang dijana, nyatakan data serta interaksi yang perlu dilaksanakan dan minta teks sumber yang terhasil; keluarga berfokus kod ini turut menunjukkan pembantu kod dan artifak visual. Pengerenderan artifak kekal sebagai langkah berasingan daripada penjanaan sumbernya.
Pemprosesan teks panjang
Kad model menyenaraikan konteks penuh 131,072 token, manakala konfigurasi yang dikeluarkan pada awalnya ditetapkan untuk 32,768 token. Pemprosesan input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan. Contohnya menetapkan faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat menyatakan bahawa penskalaan statik boleh menjejaskan tingkah laku teks lebih pendek dan mengesyorkan penambahan peluasan apabila konteks panjang diperlukan.
Gunakan konteks lebih besar untuk mengekalkan kod dan keperluan berkaitan bersama-sama, tetapi kenal pasti soalan sebenar: mencari panggilan tidak serasi, menerangkan laluan data atau mencadangkan perubahan dalam antara muka yang ditetapkan. Sertakan bahagian yang menentukan tingkah laku, bukannya bahan projek tidak berkaitan. 512 token yang dijana dalam panduan mula pantas ialah tetapan contoh; kad ini tidak menetapkan kapasiti output maksimum yang berasingan daripada nilai itu.
Hasil model yang didokumenkan ialah teks. Peranannya dalam ejen kod bergantung pada aplikasi yang menyediakan akses repositori, pelaksanaan dan maklum balas. Asingkan operasi itu daripada kebolehan model mencadangkan kod dan menerangkan tingkah lakunya, serta nyatakan edisi tepat 7B-Instruct dan tetapan konteks panjang secara eksplisit apabila merancang tugas yang boleh diulang.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-coder-7b-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 $0.0001 / 1K token Output · Token output $0.0001 / 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-7b-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-7b-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-7b-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-7b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct ialah model teks untuk menjana, menerangkan dan membaiki kod berdasarkan arahan. Keluaran 7.61 bilion parameternya menyokong konteks diperluas sehingga 131,072 token dengan konfigurasi konteks panjang yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-Coder-7B-Instruct ialah keluaran bersaiz 7B yang ditala mengikut arahan dalam keluarga Qwen berfokus kod, yang dahulunya dikenali sebagai CodeQwen. Tugas utamanya ialah penjanaan kod, penaakulan tentang tingkah laku program dan pembaikan kod. Ia menerima teks, termasuk keperluan dan kod sumber, serta mengembalikan teks yang boleh mengandungi pelaksanaan, penjelasan atau cadangan perubahan.
Keupayaan pengekodan dan latihan
Pembuat menerangkan 5.5 trilion token latihan, termasuk kod sumber, bahan yang menghubungkan teks dengan kod dan contoh sintetik. Keluarga ini mengekalkan kebolehan matematik dan bahasa umum di samping pengkhususan pengaturcaraannya. Pengumuman keluaran membezakan penjanaan program, penaakulan tentang cara program berjalan dan pembaikan pelaksanaan sedia ada; perkara ini memerlukan input serta artifak akhir yang berbeza.
Untuk penjanaan, berikan bahasa pengaturcaraan, tandatangan fungsi, jenis input dan nilai pulangan yang dijangka. Sertakan kekangan seperti sama ada fungsi boleh mengubah inputnya atau menggunakan kebergantungan luaran. Minta pelaksanaan dan penjelasan pendek tentang cara ia memenuhi setiap keperluan. Sebagai contoh, permintaan pengisihan boleh menetapkan bahawa nilai pendua mesti dikekalkan dan senarai asal tidak diubah, kemudian meminta fungsi serta contoh panggilan bagi senarai kosong dan senarai yang mengandungi nilai berulang.
Untuk penaakulan kod, bekalkan fragmen tepat dan input tertentu yang perlu dijejaki. Tanya cabang yang dilaksanakan, perubahan nilai perantaraan dan nilai yang dikembalikan fungsi. Ini lebih berguna daripada permintaan tanpa arah untuk menerangkan seluruh fail: jawapan menghubungkan input konkrit dengan laluan konkrit melalui program. Simpan sebarang fungsi pembantu yang dipanggil atau definisi jenis berkaitan bersama fragmen.
Untuk pembaikan, berikan tingkah laku yang gagal, tingkah laku yang dijangka dan kod yang menentukan perbezaannya. Mesej ralat sahaja mungkin membiarkan syarat penting tidak dinyatakan. Minta cadangan pembetulan, penjelasan punca dan contoh yang membezakan tingkah laku lama dengan yang dimaksudkan. Tampalan yang dikembalikan ialah artifak teks; mengkompil, melaksanakan atau menerapkannya pada repositori memerlukan persekitaran pembangunan di sekelilingnya.
Edisi 7B yang dinamakan
Model yang dikeluarkan mempunyai 7.61 bilion parameter, termasuk 6.53 bilion parameter bukan embedding, dan 28 lapisan Transformer. Ia menggunakan embedding kedudukan putaran, SwiGLU, RMSNorm dan bias QKV dalam mekanisme perhatian. Perhatian pertanyaan berkumpulannya mempunyai 28 kepala pertanyaan dan 4 kepala kunci/nilai. Butiran ini menerangkan keluaran ini, bukannya edisi Coder yang lebih besar.
Keluarga ini menyediakan model Base dan Instruct yang berasingan. Instruct dijajarkan untuk permintaan perbualan; Base ialah asas pelengkapan dan penalaan lanjut. Entri ini berkaitan model 7B yang ditala mengikut arahan. Contoh keluaran dan hasil utama bagi saiz lain tidak mentakrifkan keupayaan atau keperluan sumber edisi ini.
Menyediakan arahan
Kad model menunjukkan perbualan dengan mesej sistem dan pengguna berasingan serta templat sembang yang sepadan. Letakkan peraturan respons berterusan, seperti cara membentangkan pelaksanaan dan penjelasan, secara berasingan daripada kod dan tugas. Tandakan fragmen yang merupakan sumber sedia ada, teks yang merupakan keperluan dan output yang mesti dikembalikan. Ini membantu mengekalkan pengecam, antara muka dan tingkah laku yang wajib dikekalkan oleh perubahan yang diminta.
Input pembantu pembangun yang berguna boleh mengandungi modul pendek, pemanggilnya dan perubahan yang dimaksudkan. Minta fungsi yang disemak, senarai andaian dan contoh input dengan output yang dijangka. Untuk artifak visual yang dijana, nyatakan data serta interaksi yang perlu dilaksanakan dan minta teks sumber yang terhasil; keluarga berfokus kod ini turut menunjukkan pembantu kod dan artifak visual. Pengerenderan artifak kekal sebagai langkah berasingan daripada penjanaan sumbernya.
Pemprosesan teks panjang
Kad model menyenaraikan konteks penuh 131,072 token, manakala konfigurasi yang dikeluarkan pada awalnya ditetapkan untuk 32,768 token. Pemprosesan input melebihi tetapan itu memerlukan peluasan YaRN yang didokumenkan. Contohnya menetapkan faktor penskalaan 4.0 dan tetapan kedudukan maksimum asal 32,768. Pembuat menyatakan bahawa penskalaan statik boleh menjejaskan tingkah laku teks lebih pendek dan mengesyorkan penambahan peluasan apabila konteks panjang diperlukan.
Gunakan konteks lebih besar untuk mengekalkan kod dan keperluan berkaitan bersama-sama, tetapi kenal pasti soalan sebenar: mencari panggilan tidak serasi, menerangkan laluan data atau mencadangkan perubahan dalam antara muka yang ditetapkan. Sertakan bahagian yang menentukan tingkah laku, bukannya bahan projek tidak berkaitan. 512 token yang dijana dalam panduan mula pantas ialah tetapan contoh; kad ini tidak menetapkan kapasiti output maksimum yang berasingan daripada nilai itu.
Hasil model yang didokumenkan ialah teks. Peranannya dalam ejen kod bergantung pada aplikasi yang menyediakan akses repositori, pelaksanaan dan maklum balas. Asingkan operasi itu daripada kebolehan model mencadangkan kod dan menerangkan tingkah lakunya, serta nyatakan edisi tepat 7B-Instruct dan tetapan konteks panjang secara eksplisit apabila merancang tugas yang boleh diulang.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-coder-7b-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 $0.0001 / 1K token Output · Token output $0.0001 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen2.5-coder-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-7b-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-7b-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-7b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.