Qwen2.5-7B-Instruct er den instruksjonstilpassede 7B-tekstmodellen i Qwen2.5s generelle språkmodellfamilie. Qwen fremhever koding og matematikk, instruksjonsfølging, skriving av lange tekster, tabellforståelse og strukturerte utdata, særlig JSON. Det er en tett modell med bare dekoder og totalt 7,61 milliarder parametere, inkludert 6,53 milliarder utenom embedding-parametere. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse kan be den om å gjøre oppgitt informasjon om til en tydelig forklaring, en strukturert post, et revidert utkast eller et foreslått program.
Modellen støtter mer enn 29 språk, inkludert kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Produsenten fremhever også robusthet ved ulike systeminstrukser, nyttig for å definere en samtalerolle og betingelsene for den. Oppgi rolle, publikum, terminologi og utdataspråk direkte. En redigeringsforespørsel kan for eksempel gi en teknisk tekst, angi den tiltenkte leseren og be om en kortere forklaring som beholder navngitte begreper og oppgitte betingelser. Den instruksjonstilpassede utgaven er samtalemodellen og er forskjellig fra den tilsvarende forhåndstrente basismodellen.
Forståelse av strukturerte data og JSON-generering er sentrale forbedringer i Qwen2.5. Når du skal trekke ut eller omforme en tabell, beholder du overskrifter og enheter og forklarer hvilke rader eller forhold som er viktige. Definer de ønskede nøklene, verditypene og håndteringen av manglende informasjon i stedet for bare å be om et generelt sammendrag. Et eksempel på en oppgave kan gi en liste med problemer og be om ett objekt per problem med kildeidentifikator, kategori og en kort forklaring. Et slikt resultat er fortsatt generert tekst: Å kontrollere strukturen og verdiene mot inndata er en del av bruken i en videre arbeidsflyt.
Det nøyaktige kortet beskriver en full kontekstlengde på 131 072 tokener og generering av opptil 8 192 tokener. Den medfølgende konfigurasjonen er satt til 32 768 konteksttokener; behandling av lengre materiale bruker det dokumenterte YaRN-oppsettet. Produsenten advarer om at statisk skalering kan påvirke ytelsen på kortere inndata og anbefaler å legge den til når langkontekstbehandling trengs. Hold inndata og det etterspurte svaret innenfor den relevante konfigurerte plassen. For en lang rapport beholder du deloverskriftene, prioriterer avsnittene som er knyttet til spørsmålet og ber om nødvendig utdatalengde, i stedet for å bruke det større konteksttallet som grunn til å ta med irrelevant materiale.
Den offisielle hurtigstarten bruker system- og brukerbeskjeder med modellens samtalemal og dekoder deretter den genererte fortsettelsen. Forbered kodearbeid med relevant kildekode, språk, forventet oppførsel og begrensninger. Forbered et matematisk spørsmål med de gitte forutsetningene og formatet på resultatet. Den generelle modellens dokumenterte forbedringer på disse områdene gjør den ikke til den separat trente Qwen2.5-Coder- eller Qwen2.5-Math-utgaven. Et kodeeksempel kan be om en forklaring av en funksjon, en foreslått rettelse og hvorfor den oppfyller betingelsene; utførelse og verifikasjon er fortsatt separate trinn.
Qwens utgivelsesdokumentasjon beskriver også verktøykall og en verktøybevisst samtalemal, inkludert kompatibilitet med Qwen-Agent. Definer tilgjengelige verktøy og argumentene deres, oppgi målet og gi returnerte resultater som modellen skal tolke. En dokumentassistent kan be om relevant informasjon før den setter sammen et endelig svar, mens en kodeassistent kan resonnere om utdata fra en kontroll som applikasjonen har utført. Den nyttige leveransen er da et svar knyttet til det oppgitte grunnlaget og ønsket format. Dette er en tekstmodellprofil; visuelle funksjoner, lydfunksjoner og videogenerering fra andre Qwen-modeller er separate.
", "aboutText": "Qwen2.5-7B-Instruct er den instruksjonstilpassede 7B-tekstmodellen i Qwen2.5s generelle språkmodellfamilie. Qwen fremhever koding og matematikk, instruksjonsfølging, skriving av lange tekster, tabellforståelse og strukturerte utdata, særlig JSON. Det er en tett modell med bare dekoder og totalt 7,61 milliarder parametere, inkludert 6,53 milliarder utenom embedding-parametere. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse kan be den om å gjøre oppgitt informasjon om til en tydelig forklaring, en strukturert post, et revidert utkast eller et foreslått program.\n\nModellen støtter mer enn 29 språk, inkludert kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Produsenten fremhever også robusthet ved ulike systeminstrukser, nyttig for å definere en samtalerolle og betingelsene for den. Oppgi rolle, publikum, terminologi og utdataspråk direkte. En redigeringsforespørsel kan for eksempel gi en teknisk tekst, angi den tiltenkte leseren og be om en kortere forklaring som beholder navngitte begreper og oppgitte betingelser. Den instruksjonstilpassede utgaven er samtalemodellen og er forskjellig fra den tilsvarende forhåndstrente basismodellen.\n\nForståelse av strukturerte data og JSON-generering er sentrale forbedringer i Qwen2.5. Når du skal trekke ut eller omforme en tabell, beholder du overskrifter og enheter og forklarer hvilke rader eller forhold som er viktige. Definer de ønskede nøklene, verditypene og håndteringen av manglende informasjon i stedet for bare å be om et generelt sammendrag. Et eksempel på en oppgave kan gi en liste med problemer og be om ett objekt per problem med kildeidentifikator, kategori og en kort forklaring. Et slikt resultat er fortsatt generert tekst: Å kontrollere strukturen og verdiene mot inndata er en del av bruken i en videre arbeidsflyt.\n\nDet nøyaktige kortet beskriver en full kontekstlengde på 131 072 tokener og generering av opptil 8 192 tokener. Den medfølgende konfigurasjonen er satt til 32 768 konteksttokener; behandling av lengre materiale bruker det dokumenterte YaRN-oppsettet. Produsenten advarer om at statisk skalering kan påvirke ytelsen på kortere inndata og anbefaler å legge den til når langkontekstbehandling trengs. Hold inndata og det etterspurte svaret innenfor den relevante konfigurerte plassen. For en lang rapport beholder du deloverskriftene, prioriterer avsnittene som er knyttet til spørsmålet og ber om nødvendig utdatalengde, i stedet for å bruke det større konteksttallet som grunn til å ta med irrelevant materiale.\n\nDen offisielle hurtigstarten bruker system- og brukerbeskjeder med modellens samtalemal og dekoder deretter den genererte fortsettelsen. Forbered kodearbeid med relevant kildekode, språk, forventet oppførsel og begrensninger. Forbered et matematisk spørsmål med de gitte forutsetningene og formatet på resultatet. Den generelle modellens dokumenterte forbedringer på disse områdene gjør den ikke til den separat trente Qwen2.5-Coder- eller Qwen2.5-Math-utgaven. Et kodeeksempel kan be om en forklaring av en funksjon, en foreslått rettelse og hvorfor den oppfyller betingelsene; utførelse og verifikasjon er fortsatt separate trinn.\n\nQwens utgivelsesdokumentasjon beskriver også verktøykall og en verktøybevisst samtalemal, inkludert kompatibilitet med Qwen-Agent. Definer tilgjengelige verktøy og argumentene deres, oppgi målet og gi returnerte resultater som modellen skal tolke. En dokumentassistent kan be om relevant informasjon før den setter sammen et endelig svar, mens en kodeassistent kan resonnere om utdata fra en kontroll som applikasjonen har utført. Den nyttige leveransen er da et svar knyttet til det oppgitte grunnlaget og ønsket format. Dette er en tekstmodellprofil; visuelle funksjoner, lydfunksjoner og videogenerering fra andre Qwen-modeller er separate.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct er Qwens kompakte, instruksjonstilpassede tekstmodell for flerspråklig skriving, koding, matematikk og strukturerte data. Produsenten dokumenterer opptil 131 072 konteksttokener med langkontekstoppsettet og generering av opptil 8 192 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-7B-Instruct er den instruksjonstilpassede 7B-tekstmodellen i Qwen2.5s generelle språkmodellfamilie. Qwen fremhever koding og matematikk, instruksjonsfølging, skriving av lange tekster, tabellforståelse og strukturerte utdata, særlig JSON. Det er en tett modell med bare dekoder og totalt 7,61 milliarder parametere, inkludert 6,53 milliarder utenom embedding-parametere. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse kan be den om å gjøre oppgitt informasjon om til en tydelig forklaring, en strukturert post, et revidert utkast eller et foreslått program.
Modellen støtter mer enn 29 språk, inkludert kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Produsenten fremhever også robusthet ved ulike systeminstrukser, nyttig for å definere en samtalerolle og betingelsene for den. Oppgi rolle, publikum, terminologi og utdataspråk direkte. En redigeringsforespørsel kan for eksempel gi en teknisk tekst, angi den tiltenkte leseren og be om en kortere forklaring som beholder navngitte begreper og oppgitte betingelser. Den instruksjonstilpassede utgaven er samtalemodellen og er forskjellig fra den tilsvarende forhåndstrente basismodellen.
Forståelse av strukturerte data og JSON-generering er sentrale forbedringer i Qwen2.5. Når du skal trekke ut eller omforme en tabell, beholder du overskrifter og enheter og forklarer hvilke rader eller forhold som er viktige. Definer de ønskede nøklene, verditypene og håndteringen av manglende informasjon i stedet for bare å be om et generelt sammendrag. Et eksempel på en oppgave kan gi en liste med problemer og be om ett objekt per problem med kildeidentifikator, kategori og en kort forklaring. Et slikt resultat er fortsatt generert tekst: Å kontrollere strukturen og verdiene mot inndata er en del av bruken i en videre arbeidsflyt.
Det nøyaktige kortet beskriver en full kontekstlengde på 131 072 tokener og generering av opptil 8 192 tokener. Den medfølgende konfigurasjonen er satt til 32 768 konteksttokener; behandling av lengre materiale bruker det dokumenterte YaRN-oppsettet. Produsenten advarer om at statisk skalering kan påvirke ytelsen på kortere inndata og anbefaler å legge den til når langkontekstbehandling trengs. Hold inndata og det etterspurte svaret innenfor den relevante konfigurerte plassen. For en lang rapport beholder du deloverskriftene, prioriterer avsnittene som er knyttet til spørsmålet og ber om nødvendig utdatalengde, i stedet for å bruke det større konteksttallet som grunn til å ta med irrelevant materiale.
Den offisielle hurtigstarten bruker system- og brukerbeskjeder med modellens samtalemal og dekoder deretter den genererte fortsettelsen. Forbered kodearbeid med relevant kildekode, språk, forventet oppførsel og begrensninger. Forbered et matematisk spørsmål med de gitte forutsetningene og formatet på resultatet. Den generelle modellens dokumenterte forbedringer på disse områdene gjør den ikke til den separat trente Qwen2.5-Coder- eller Qwen2.5-Math-utgaven. Et kodeeksempel kan be om en forklaring av en funksjon, en foreslått rettelse og hvorfor den oppfyller betingelsene; utførelse og verifikasjon er fortsatt separate trinn.
Qwens utgivelsesdokumentasjon beskriver også verktøykall og en verktøybevisst samtalemal, inkludert kompatibilitet med Qwen-Agent. Definer tilgjengelige verktøy og argumentene deres, oppgi målet og gi returnerte resultater som modellen skal tolke. En dokumentassistent kan be om relevant informasjon før den setter sammen et endelig svar, mens en kodeassistent kan resonnere om utdata fra en kontroll som applikasjonen har utført. Den nyttige leveransen er da et svar knyttet til det oppgitte grunnlaget og ønsket format. Dette er en tekstmodellprofil; visuelle funksjoner, lydfunksjoner og videogenerering fra andre Qwen-modeller er separate.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen-2.5-7b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-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='qwen/qwen-2.5-7b-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='qwen/qwen-2.5-7b-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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Bruk metodestiene som vises ovenfor.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct er Qwens kompakte, instruksjonstilpassede tekstmodell for flerspråklig skriving, koding, matematikk og strukturerte data. Produsenten dokumenterer opptil 131 072 konteksttokener med langkontekstoppsettet og generering av opptil 8 192 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-7B-Instruct er den instruksjonstilpassede 7B-tekstmodellen i Qwen2.5s generelle språkmodellfamilie. Qwen fremhever koding og matematikk, instruksjonsfølging, skriving av lange tekster, tabellforståelse og strukturerte utdata, særlig JSON. Det er en tett modell med bare dekoder og totalt 7,61 milliarder parametere, inkludert 6,53 milliarder utenom embedding-parametere. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse kan be den om å gjøre oppgitt informasjon om til en tydelig forklaring, en strukturert post, et revidert utkast eller et foreslått program.
Modellen støtter mer enn 29 språk, inkludert kinesisk, engelsk, fransk, spansk, portugisisk, tysk, italiensk, russisk, japansk, koreansk, vietnamesisk, thai og arabisk. Produsenten fremhever også robusthet ved ulike systeminstrukser, nyttig for å definere en samtalerolle og betingelsene for den. Oppgi rolle, publikum, terminologi og utdataspråk direkte. En redigeringsforespørsel kan for eksempel gi en teknisk tekst, angi den tiltenkte leseren og be om en kortere forklaring som beholder navngitte begreper og oppgitte betingelser. Den instruksjonstilpassede utgaven er samtalemodellen og er forskjellig fra den tilsvarende forhåndstrente basismodellen.
Forståelse av strukturerte data og JSON-generering er sentrale forbedringer i Qwen2.5. Når du skal trekke ut eller omforme en tabell, beholder du overskrifter og enheter og forklarer hvilke rader eller forhold som er viktige. Definer de ønskede nøklene, verditypene og håndteringen av manglende informasjon i stedet for bare å be om et generelt sammendrag. Et eksempel på en oppgave kan gi en liste med problemer og be om ett objekt per problem med kildeidentifikator, kategori og en kort forklaring. Et slikt resultat er fortsatt generert tekst: Å kontrollere strukturen og verdiene mot inndata er en del av bruken i en videre arbeidsflyt.
Det nøyaktige kortet beskriver en full kontekstlengde på 131 072 tokener og generering av opptil 8 192 tokener. Den medfølgende konfigurasjonen er satt til 32 768 konteksttokener; behandling av lengre materiale bruker det dokumenterte YaRN-oppsettet. Produsenten advarer om at statisk skalering kan påvirke ytelsen på kortere inndata og anbefaler å legge den til når langkontekstbehandling trengs. Hold inndata og det etterspurte svaret innenfor den relevante konfigurerte plassen. For en lang rapport beholder du deloverskriftene, prioriterer avsnittene som er knyttet til spørsmålet og ber om nødvendig utdatalengde, i stedet for å bruke det større konteksttallet som grunn til å ta med irrelevant materiale.
Den offisielle hurtigstarten bruker system- og brukerbeskjeder med modellens samtalemal og dekoder deretter den genererte fortsettelsen. Forbered kodearbeid med relevant kildekode, språk, forventet oppførsel og begrensninger. Forbered et matematisk spørsmål med de gitte forutsetningene og formatet på resultatet. Den generelle modellens dokumenterte forbedringer på disse områdene gjør den ikke til den separat trente Qwen2.5-Coder- eller Qwen2.5-Math-utgaven. Et kodeeksempel kan be om en forklaring av en funksjon, en foreslått rettelse og hvorfor den oppfyller betingelsene; utførelse og verifikasjon er fortsatt separate trinn.
Qwens utgivelsesdokumentasjon beskriver også verktøykall og en verktøybevisst samtalemal, inkludert kompatibilitet med Qwen-Agent. Definer tilgjengelige verktøy og argumentene deres, oppgi målet og gi returnerte resultater som modellen skal tolke. En dokumentassistent kan be om relevant informasjon før den setter sammen et endelig svar, mens en kodeassistent kan resonnere om utdata fra en kontroll som applikasjonen har utført. Den nyttige leveransen er da et svar knyttet til det oppgitte grunnlaget og ønsket format. Dette er en tekstmodellprofil; visuelle funksjoner, lydfunksjoner og videogenerering fra andre Qwen-modeller er separate.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen-2.5-7b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen-2.5-7b-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': 'qwen/qwen-2.5-7b-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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.