Qwen2.5-14B-Instruct er den instruksjonstilpassede utgaven i 14B-størrelse i den generelle Qwen2.5-familien. Den tar imot en tekstsamtale og returnerer tekst: en forklaring, et dokument, programkode eller strukturerte felt. Produsenten fremhever instruksjonsfølging, koding, matematikk, forståelse av strukturerte data som tabeller og generering av strukturerte svar, særlig JSON.
Hva familien forbedrer
Produsenten beskriver bredere kunnskap og sterkere kode- og matematikkferdigheter enn den foregående Qwen2-generasjonen, sammen med generering av lange svar og bedre håndtering av ulike systeminstruksjoner. Familien bruker et korpus for forhåndstrening beskrevet som opptil 18 billioner tokener. Disse funksjonene støtter en fagspesifikk assistent der rolle og utdata defineres av oppgaven. Modellen er fortsatt den generelle Instruct-utgaven; de separat navngitte Qwen2.5-Coder- og Qwen2.5-Math-seriene har sine egne spesialiseringer.
En prosessassistent kan få en prosedyre og et spørsmål om ett trinn. Definer leserens rolle, be om handlingene som er relevante for trinnet og krev at svaret beholder prosedyrens opprinnelige betingelser. Nyttige utdata kan skille neste handling, betingelsen som gjør den aktuell og informasjonen som fortsatt trengs. Dette gjør en bred forespørsel om råd om til et svar knyttet til den oppgitte prosessen.
For en kodeforklaring gir du funksjonen, relevante hjelpefunksjonsdefinisjoner og inndataene som skaper forvirring. Be om operasjonsrekkefølgen og verdien som returneres for disse inndataene. For en matematisk forklaring oppgir du symbolene, forutsetningene og måluttrykket før du ber om utledningen. Begge oppgavene bruker tekst; å kjøre programmet eller gjøre et separat numerisk verktøy tilgjengelig er arbeid for applikasjonen rundt modellen.
Tabeller og JSON
For et tabellspørsmål beholder du kolonneoverskrifter og enheter, angir relevante rader og spesifiserer sammenligningen. Ønskede utdata kan liste identifikatorene til samsvarende rader og forklare hvilken oppgitt betingelse hver rad oppfyller. Hvis tabellen har manglende verdier, angir du om svaret skal la dem være fraværende eller representere dem eksplisitt.
For strukturert uttrekk viser du feltnavnene og de nødvendige typene. Inndata som en vareidentifikator, en lagerbeholdning og en lageretikett kan gjøres om til en post med de samme feltene. Be bare om posten når en applikasjon skal tolke den; be om en separat forklaring i prosa når brukeren må undersøke kildetolkningen. Modellens dokumenterte JSON-generering er noe annet enn at et bestemt grensesnitt håndhever et skjema.
Flerspråklige samtaler støttes i mer enn 29 språk, inkludert engelsk, kinesisk, russisk, tysk, fransk, spansk, portugisisk, italiensk, japansk, koreansk, vietnamesisk, thai og arabisk. Angi sluttspråket og gi terminologien som skal forbli uendret. For en oversatt teknisk forklaring ber du modellen beholde variabelnavn, siterte etiketter og enheter, samtidig som den tilpasser den omkringliggende teksten til leseren.
Den konkrete 14B-utgaven
Kortet oppgir 14,7 milliarder parametere, inkludert 13,1 milliarder utenom embedding-parametere, og 48 Transformer-lag. Arkitekturen bruker roterende posisjonsrepresentasjoner, SwiGLU, RMSNorm og attention-QKV-bias, med 40 query-hoder og 8 key/value-hoder i grouped-query attention. Forhåndstrening og ettertrening produserer denne Instruct-utgaven. Parameter- og lagantallet er forskjellig fra 32B-utgaven selv når familiens funksjoner og publiserte konteksttall er like.
Modellkortet oppgir en full kontekst på 131 072 tokener og generering av opptil 8 192 tokener. Det første gjelder samtalen og materialet som beholdes for en oppgave; det andre gjelder det genererte svaret. Hurtigstartens genereringsinnstilling på 512 tokener er bare et eksempel og erstatter ikke kortets oppgitte svarkapasitet. Bilde-, video- og lydforståelse hører til separat navngitte multimodale utgivelser, ikke denne tekstmodellen.
Inndataformat og verktøyassisterte oppgaver
Produsentens eksempel bruker den tilhørende samtalemalen på separate system- og brukerbeskjeder. Definer assistentens rolle og svarregler separat fra materialet som undersøkes. Gi et fullstendig spørsmål og merk kildeteksten slik at en instruksjon sitert i kilden ikke forveksles med oppgaven gitt av applikasjonen.
Den offisielle Qwen2.5-kunngjøringen beskriver også maler for verktøykall og kompatible integrasjoner. En verktøyassistert oppgave krever at den omkringliggende applikasjonen gir funksjonsbeskrivelser, utfører den valgte operasjonen og gir resultatet for neste svar. En samtale kan for eksempel be om en beregning med et oppgitt beregningsverktøy; funksjonsresultatet blir da informasjon modellen kan forklare. Verktøytilgjengelighet og utførelse kommer fra integrasjonen, mens denne utgaven gir den tekstlige samtaleoppførselen.
Konfigurasjon for lang tekst
Den publiserte konfigurasjonen dekker opprinnelig 32 768 tokener. Den dokumenterte utvidelsen for lengre inndata bruker YaRN, med en eksempel-skaleringsfaktor på 4,0 og en opprinnelig maksimal posisjonsinnstilling på 32 768. Statisk skalering kan påvirke oppførselen på kortere tekst, så produsenten anbefaler å legge den til når lang kontekst trengs.
Når du forbereder en lang kilde, angir du delen som skal revideres eller spørsmålet som skal besvares og beholder støttedelene samlet. En tydelig forespørsel kan be om en korrigert tekst, en endringstabell og referanser til opprinnelige deler. Dette bruker den utvidede konteksten til en konkret leveranse samtidig som svaret holdes innenfor den separate genereringsgrensen.
", "aboutText": "Qwen2.5-14B-Instruct er den instruksjonstilpassede utgaven i 14B-størrelse i den generelle Qwen2.5-familien. Den tar imot en tekstsamtale og returnerer tekst: en forklaring, et dokument, programkode eller strukturerte felt. Produsenten fremhever instruksjonsfølging, koding, matematikk, forståelse av strukturerte data som tabeller og generering av strukturerte svar, særlig JSON.\n\nHva familien forbedrer\n\nProdusenten beskriver bredere kunnskap og sterkere kode- og matematikkferdigheter enn den foregående Qwen2-generasjonen, sammen med generering av lange svar og bedre håndtering av ulike systeminstruksjoner. Familien bruker et korpus for forhåndstrening beskrevet som opptil 18 billioner tokener. Disse funksjonene støtter en fagspesifikk assistent der rolle og utdata defineres av oppgaven. Modellen er fortsatt den generelle Instruct-utgaven; de separat navngitte Qwen2.5-Coder- og Qwen2.5-Math-seriene har sine egne spesialiseringer.\n\nEn prosessassistent kan få en prosedyre og et spørsmål om ett trinn. Definer leserens rolle, be om handlingene som er relevante for trinnet og krev at svaret beholder prosedyrens opprinnelige betingelser. Nyttige utdata kan skille neste handling, betingelsen som gjør den aktuell og informasjonen som fortsatt trengs. Dette gjør en bred forespørsel om råd om til et svar knyttet til den oppgitte prosessen.\n\nFor en kodeforklaring gir du funksjonen, relevante hjelpefunksjonsdefinisjoner og inndataene som skaper forvirring. Be om operasjonsrekkefølgen og verdien som returneres for disse inndataene. For en matematisk forklaring oppgir du symbolene, forutsetningene og måluttrykket før du ber om utledningen. Begge oppgavene bruker tekst; å kjøre programmet eller gjøre et separat numerisk verktøy tilgjengelig er arbeid for applikasjonen rundt modellen.\n\nTabeller og JSON\n\nFor et tabellspørsmål beholder du kolonneoverskrifter og enheter, angir relevante rader og spesifiserer sammenligningen. Ønskede utdata kan liste identifikatorene til samsvarende rader og forklare hvilken oppgitt betingelse hver rad oppfyller. Hvis tabellen har manglende verdier, angir du om svaret skal la dem være fraværende eller representere dem eksplisitt.\n\nFor strukturert uttrekk viser du feltnavnene og de nødvendige typene. Inndata som en vareidentifikator, en lagerbeholdning og en lageretikett kan gjøres om til en post med de samme feltene. Be bare om posten når en applikasjon skal tolke den; be om en separat forklaring i prosa når brukeren må undersøke kildetolkningen. Modellens dokumenterte JSON-generering er noe annet enn at et bestemt grensesnitt håndhever et skjema.\n\nFlerspråklige samtaler støttes i mer enn 29 språk, inkludert engelsk, kinesisk, russisk, tysk, fransk, spansk, portugisisk, italiensk, japansk, koreansk, vietnamesisk, thai og arabisk. Angi sluttspråket og gi terminologien som skal forbli uendret. For en oversatt teknisk forklaring ber du modellen beholde variabelnavn, siterte etiketter og enheter, samtidig som den tilpasser den omkringliggende teksten til leseren.\n\nDen konkrete 14B-utgaven\n\nKortet oppgir 14,7 milliarder parametere, inkludert 13,1 milliarder utenom embedding-parametere, og 48 Transformer-lag. Arkitekturen bruker roterende posisjonsrepresentasjoner, SwiGLU, RMSNorm og attention-QKV-bias, med 40 query-hoder og 8 key/value-hoder i grouped-query attention. Forhåndstrening og ettertrening produserer denne Instruct-utgaven. Parameter- og lagantallet er forskjellig fra 32B-utgaven selv når familiens funksjoner og publiserte konteksttall er like.\n\nModellkortet oppgir en full kontekst på 131 072 tokener og generering av opptil 8 192 tokener. Det første gjelder samtalen og materialet som beholdes for en oppgave; det andre gjelder det genererte svaret. Hurtigstartens genereringsinnstilling på 512 tokener er bare et eksempel og erstatter ikke kortets oppgitte svarkapasitet. Bilde-, video- og lydforståelse hører til separat navngitte multimodale utgivelser, ikke denne tekstmodellen.\n\nInndataformat og verktøyassisterte oppgaver\n\nProdusentens eksempel bruker den tilhørende samtalemalen på separate system- og brukerbeskjeder. Definer assistentens rolle og svarregler separat fra materialet som undersøkes. Gi et fullstendig spørsmål og merk kildeteksten slik at en instruksjon sitert i kilden ikke forveksles med oppgaven gitt av applikasjonen.\n\nDen offisielle Qwen2.5-kunngjøringen beskriver også maler for verktøykall og kompatible integrasjoner. En verktøyassistert oppgave krever at den omkringliggende applikasjonen gir funksjonsbeskrivelser, utfører den valgte operasjonen og gir resultatet for neste svar. En samtale kan for eksempel be om en beregning med et oppgitt beregningsverktøy; funksjonsresultatet blir da informasjon modellen kan forklare. Verktøytilgjengelighet og utførelse kommer fra integrasjonen, mens denne utgaven gir den tekstlige samtaleoppførselen.\n\nKonfigurasjon for lang tekst\n\nDen publiserte konfigurasjonen dekker opprinnelig 32 768 tokener. Den dokumenterte utvidelsen for lengre inndata bruker YaRN, med en eksempel-skaleringsfaktor på 4,0 og en opprinnelig maksimal posisjonsinnstilling på 32 768. Statisk skalering kan påvirke oppførselen på kortere tekst, så produsenten anbefaler å legge den til når lang kontekst trengs.\n\nNår du forbereder en lang kilde, angir du delen som skal revideres eller spørsmålet som skal besvares og beholder støttedelene samlet. En tydelig forespørsel kan be om en korrigert tekst, en endringstabell og referanser til opprinnelige deler. Dette bruker den utvidede konteksten til en konkret leveranse samtidig som svaret holdes innenfor den separate genereringsgrensen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct er en flerspråklig tekstmodell for instruksjonsbaserte assistenter, kode og matematikk. Denne utgaven med 14,7 milliarder parametere støtter tabelltolkning, JSON-generering og en svargrense på 8 192 tokener, med utvidet kontekstkonfigurasjon for lange inndata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-14B-Instruct er den instruksjonstilpassede utgaven i 14B-størrelse i den generelle Qwen2.5-familien. Den tar imot en tekstsamtale og returnerer tekst: en forklaring, et dokument, programkode eller strukturerte felt. Produsenten fremhever instruksjonsfølging, koding, matematikk, forståelse av strukturerte data som tabeller og generering av strukturerte svar, særlig JSON.
Hva familien forbedrer
Produsenten beskriver bredere kunnskap og sterkere kode- og matematikkferdigheter enn den foregående Qwen2-generasjonen, sammen med generering av lange svar og bedre håndtering av ulike systeminstruksjoner. Familien bruker et korpus for forhåndstrening beskrevet som opptil 18 billioner tokener. Disse funksjonene støtter en fagspesifikk assistent der rolle og utdata defineres av oppgaven. Modellen er fortsatt den generelle Instruct-utgaven; de separat navngitte Qwen2.5-Coder- og Qwen2.5-Math-seriene har sine egne spesialiseringer.
En prosessassistent kan få en prosedyre og et spørsmål om ett trinn. Definer leserens rolle, be om handlingene som er relevante for trinnet og krev at svaret beholder prosedyrens opprinnelige betingelser. Nyttige utdata kan skille neste handling, betingelsen som gjør den aktuell og informasjonen som fortsatt trengs. Dette gjør en bred forespørsel om råd om til et svar knyttet til den oppgitte prosessen.
For en kodeforklaring gir du funksjonen, relevante hjelpefunksjonsdefinisjoner og inndataene som skaper forvirring. Be om operasjonsrekkefølgen og verdien som returneres for disse inndataene. For en matematisk forklaring oppgir du symbolene, forutsetningene og måluttrykket før du ber om utledningen. Begge oppgavene bruker tekst; å kjøre programmet eller gjøre et separat numerisk verktøy tilgjengelig er arbeid for applikasjonen rundt modellen.
Tabeller og JSON
For et tabellspørsmål beholder du kolonneoverskrifter og enheter, angir relevante rader og spesifiserer sammenligningen. Ønskede utdata kan liste identifikatorene til samsvarende rader og forklare hvilken oppgitt betingelse hver rad oppfyller. Hvis tabellen har manglende verdier, angir du om svaret skal la dem være fraværende eller representere dem eksplisitt.
For strukturert uttrekk viser du feltnavnene og de nødvendige typene. Inndata som en vareidentifikator, en lagerbeholdning og en lageretikett kan gjøres om til en post med de samme feltene. Be bare om posten når en applikasjon skal tolke den; be om en separat forklaring i prosa når brukeren må undersøke kildetolkningen. Modellens dokumenterte JSON-generering er noe annet enn at et bestemt grensesnitt håndhever et skjema.
Flerspråklige samtaler støttes i mer enn 29 språk, inkludert engelsk, kinesisk, russisk, tysk, fransk, spansk, portugisisk, italiensk, japansk, koreansk, vietnamesisk, thai og arabisk. Angi sluttspråket og gi terminologien som skal forbli uendret. For en oversatt teknisk forklaring ber du modellen beholde variabelnavn, siterte etiketter og enheter, samtidig som den tilpasser den omkringliggende teksten til leseren.
Den konkrete 14B-utgaven
Kortet oppgir 14,7 milliarder parametere, inkludert 13,1 milliarder utenom embedding-parametere, og 48 Transformer-lag. Arkitekturen bruker roterende posisjonsrepresentasjoner, SwiGLU, RMSNorm og attention-QKV-bias, med 40 query-hoder og 8 key/value-hoder i grouped-query attention. Forhåndstrening og ettertrening produserer denne Instruct-utgaven. Parameter- og lagantallet er forskjellig fra 32B-utgaven selv når familiens funksjoner og publiserte konteksttall er like.
Modellkortet oppgir en full kontekst på 131 072 tokener og generering av opptil 8 192 tokener. Det første gjelder samtalen og materialet som beholdes for en oppgave; det andre gjelder det genererte svaret. Hurtigstartens genereringsinnstilling på 512 tokener er bare et eksempel og erstatter ikke kortets oppgitte svarkapasitet. Bilde-, video- og lydforståelse hører til separat navngitte multimodale utgivelser, ikke denne tekstmodellen.
Inndataformat og verktøyassisterte oppgaver
Produsentens eksempel bruker den tilhørende samtalemalen på separate system- og brukerbeskjeder. Definer assistentens rolle og svarregler separat fra materialet som undersøkes. Gi et fullstendig spørsmål og merk kildeteksten slik at en instruksjon sitert i kilden ikke forveksles med oppgaven gitt av applikasjonen.
Den offisielle Qwen2.5-kunngjøringen beskriver også maler for verktøykall og kompatible integrasjoner. En verktøyassistert oppgave krever at den omkringliggende applikasjonen gir funksjonsbeskrivelser, utfører den valgte operasjonen og gir resultatet for neste svar. En samtale kan for eksempel be om en beregning med et oppgitt beregningsverktøy; funksjonsresultatet blir da informasjon modellen kan forklare. Verktøytilgjengelighet og utførelse kommer fra integrasjonen, mens denne utgaven gir den tekstlige samtaleoppførselen.
Konfigurasjon for lang tekst
Den publiserte konfigurasjonen dekker opprinnelig 32 768 tokener. Den dokumenterte utvidelsen for lengre inndata bruker YaRN, med en eksempel-skaleringsfaktor på 4,0 og en opprinnelig maksimal posisjonsinnstilling på 32 768. Statisk skalering kan påvirke oppførselen på kortere tekst, så produsenten anbefaler å legge den til når lang kontekst trengs.
Når du forbereder en lang kilde, angir du delen som skal revideres eller spørsmålet som skal besvares og beholder støttedelene samlet. En tydelig forespørsel kan be om en korrigert tekst, en endringstabell og referanser til opprinnelige deler. Dette bruker den utvidede konteksten til en konkret leveranse samtidig som svaret holdes innenfor den separate genereringsgrensen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen2.5-14B-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0002 / 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/Qwen2.5-14B-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='Qwen/Qwen2.5-14B-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='Qwen/Qwen2.5-14B-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 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct er en flerspråklig tekstmodell for instruksjonsbaserte assistenter, kode og matematikk. Denne utgaven med 14,7 milliarder parametere støtter tabelltolkning, JSON-generering og en svargrense på 8 192 tokener, med utvidet kontekstkonfigurasjon for lange inndata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-14B-Instruct er den instruksjonstilpassede utgaven i 14B-størrelse i den generelle Qwen2.5-familien. Den tar imot en tekstsamtale og returnerer tekst: en forklaring, et dokument, programkode eller strukturerte felt. Produsenten fremhever instruksjonsfølging, koding, matematikk, forståelse av strukturerte data som tabeller og generering av strukturerte svar, særlig JSON.
Hva familien forbedrer
Produsenten beskriver bredere kunnskap og sterkere kode- og matematikkferdigheter enn den foregående Qwen2-generasjonen, sammen med generering av lange svar og bedre håndtering av ulike systeminstruksjoner. Familien bruker et korpus for forhåndstrening beskrevet som opptil 18 billioner tokener. Disse funksjonene støtter en fagspesifikk assistent der rolle og utdata defineres av oppgaven. Modellen er fortsatt den generelle Instruct-utgaven; de separat navngitte Qwen2.5-Coder- og Qwen2.5-Math-seriene har sine egne spesialiseringer.
En prosessassistent kan få en prosedyre og et spørsmål om ett trinn. Definer leserens rolle, be om handlingene som er relevante for trinnet og krev at svaret beholder prosedyrens opprinnelige betingelser. Nyttige utdata kan skille neste handling, betingelsen som gjør den aktuell og informasjonen som fortsatt trengs. Dette gjør en bred forespørsel om råd om til et svar knyttet til den oppgitte prosessen.
For en kodeforklaring gir du funksjonen, relevante hjelpefunksjonsdefinisjoner og inndataene som skaper forvirring. Be om operasjonsrekkefølgen og verdien som returneres for disse inndataene. For en matematisk forklaring oppgir du symbolene, forutsetningene og måluttrykket før du ber om utledningen. Begge oppgavene bruker tekst; å kjøre programmet eller gjøre et separat numerisk verktøy tilgjengelig er arbeid for applikasjonen rundt modellen.
Tabeller og JSON
For et tabellspørsmål beholder du kolonneoverskrifter og enheter, angir relevante rader og spesifiserer sammenligningen. Ønskede utdata kan liste identifikatorene til samsvarende rader og forklare hvilken oppgitt betingelse hver rad oppfyller. Hvis tabellen har manglende verdier, angir du om svaret skal la dem være fraværende eller representere dem eksplisitt.
For strukturert uttrekk viser du feltnavnene og de nødvendige typene. Inndata som en vareidentifikator, en lagerbeholdning og en lageretikett kan gjøres om til en post med de samme feltene. Be bare om posten når en applikasjon skal tolke den; be om en separat forklaring i prosa når brukeren må undersøke kildetolkningen. Modellens dokumenterte JSON-generering er noe annet enn at et bestemt grensesnitt håndhever et skjema.
Flerspråklige samtaler støttes i mer enn 29 språk, inkludert engelsk, kinesisk, russisk, tysk, fransk, spansk, portugisisk, italiensk, japansk, koreansk, vietnamesisk, thai og arabisk. Angi sluttspråket og gi terminologien som skal forbli uendret. For en oversatt teknisk forklaring ber du modellen beholde variabelnavn, siterte etiketter og enheter, samtidig som den tilpasser den omkringliggende teksten til leseren.
Den konkrete 14B-utgaven
Kortet oppgir 14,7 milliarder parametere, inkludert 13,1 milliarder utenom embedding-parametere, og 48 Transformer-lag. Arkitekturen bruker roterende posisjonsrepresentasjoner, SwiGLU, RMSNorm og attention-QKV-bias, med 40 query-hoder og 8 key/value-hoder i grouped-query attention. Forhåndstrening og ettertrening produserer denne Instruct-utgaven. Parameter- og lagantallet er forskjellig fra 32B-utgaven selv når familiens funksjoner og publiserte konteksttall er like.
Modellkortet oppgir en full kontekst på 131 072 tokener og generering av opptil 8 192 tokener. Det første gjelder samtalen og materialet som beholdes for en oppgave; det andre gjelder det genererte svaret. Hurtigstartens genereringsinnstilling på 512 tokener er bare et eksempel og erstatter ikke kortets oppgitte svarkapasitet. Bilde-, video- og lydforståelse hører til separat navngitte multimodale utgivelser, ikke denne tekstmodellen.
Inndataformat og verktøyassisterte oppgaver
Produsentens eksempel bruker den tilhørende samtalemalen på separate system- og brukerbeskjeder. Definer assistentens rolle og svarregler separat fra materialet som undersøkes. Gi et fullstendig spørsmål og merk kildeteksten slik at en instruksjon sitert i kilden ikke forveksles med oppgaven gitt av applikasjonen.
Den offisielle Qwen2.5-kunngjøringen beskriver også maler for verktøykall og kompatible integrasjoner. En verktøyassistert oppgave krever at den omkringliggende applikasjonen gir funksjonsbeskrivelser, utfører den valgte operasjonen og gir resultatet for neste svar. En samtale kan for eksempel be om en beregning med et oppgitt beregningsverktøy; funksjonsresultatet blir da informasjon modellen kan forklare. Verktøytilgjengelighet og utførelse kommer fra integrasjonen, mens denne utgaven gir den tekstlige samtaleoppførselen.
Konfigurasjon for lang tekst
Den publiserte konfigurasjonen dekker opprinnelig 32 768 tokener. Den dokumenterte utvidelsen for lengre inndata bruker YaRN, med en eksempel-skaleringsfaktor på 4,0 og en opprinnelig maksimal posisjonsinnstilling på 32 768. Statisk skalering kan påvirke oppførselen på kortere tekst, så produsenten anbefaler å legge den til når lang kontekst trengs.
Når du forbereder en lang kilde, angir du delen som skal revideres eller spørsmålet som skal besvares og beholder støttedelene samlet. En tydelig forespørsel kan be om en korrigert tekst, en endringstabell og referanser til opprinnelige deler. Dette bruker den utvidede konteksten til en konkret leveranse samtidig som svaret holdes innenfor den separate genereringsgrensen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen2.5-14B-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Qwen/Qwen2.5-14B-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': 'Qwen/Qwen2.5-14B-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 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct er en flerspråklig tekstmodell for instruksjonsbaserte assistenter, kode og matematikk. Denne utgaven med 14,7 milliarder parametere støtter tabelltolkning, JSON-generering og en svargrense på 8 192 tokener, med utvidet kontekstkonfigurasjon for lange inndata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-14B-Instruct er den instruksjonstilpassede utgaven i 14B-størrelse i den generelle Qwen2.5-familien. Den tar imot en tekstsamtale og returnerer tekst: en forklaring, et dokument, programkode eller strukturerte felt. Produsenten fremhever instruksjonsfølging, koding, matematikk, forståelse av strukturerte data som tabeller og generering av strukturerte svar, særlig JSON.
Hva familien forbedrer
Produsenten beskriver bredere kunnskap og sterkere kode- og matematikkferdigheter enn den foregående Qwen2-generasjonen, sammen med generering av lange svar og bedre håndtering av ulike systeminstruksjoner. Familien bruker et korpus for forhåndstrening beskrevet som opptil 18 billioner tokener. Disse funksjonene støtter en fagspesifikk assistent der rolle og utdata defineres av oppgaven. Modellen er fortsatt den generelle Instruct-utgaven; de separat navngitte Qwen2.5-Coder- og Qwen2.5-Math-seriene har sine egne spesialiseringer.
En prosessassistent kan få en prosedyre og et spørsmål om ett trinn. Definer leserens rolle, be om handlingene som er relevante for trinnet og krev at svaret beholder prosedyrens opprinnelige betingelser. Nyttige utdata kan skille neste handling, betingelsen som gjør den aktuell og informasjonen som fortsatt trengs. Dette gjør en bred forespørsel om råd om til et svar knyttet til den oppgitte prosessen.
For en kodeforklaring gir du funksjonen, relevante hjelpefunksjonsdefinisjoner og inndataene som skaper forvirring. Be om operasjonsrekkefølgen og verdien som returneres for disse inndataene. For en matematisk forklaring oppgir du symbolene, forutsetningene og måluttrykket før du ber om utledningen. Begge oppgavene bruker tekst; å kjøre programmet eller gjøre et separat numerisk verktøy tilgjengelig er arbeid for applikasjonen rundt modellen.
Tabeller og JSON
For et tabellspørsmål beholder du kolonneoverskrifter og enheter, angir relevante rader og spesifiserer sammenligningen. Ønskede utdata kan liste identifikatorene til samsvarende rader og forklare hvilken oppgitt betingelse hver rad oppfyller. Hvis tabellen har manglende verdier, angir du om svaret skal la dem være fraværende eller representere dem eksplisitt.
For strukturert uttrekk viser du feltnavnene og de nødvendige typene. Inndata som en vareidentifikator, en lagerbeholdning og en lageretikett kan gjøres om til en post med de samme feltene. Be bare om posten når en applikasjon skal tolke den; be om en separat forklaring i prosa når brukeren må undersøke kildetolkningen. Modellens dokumenterte JSON-generering er noe annet enn at et bestemt grensesnitt håndhever et skjema.
Flerspråklige samtaler støttes i mer enn 29 språk, inkludert engelsk, kinesisk, russisk, tysk, fransk, spansk, portugisisk, italiensk, japansk, koreansk, vietnamesisk, thai og arabisk. Angi sluttspråket og gi terminologien som skal forbli uendret. For en oversatt teknisk forklaring ber du modellen beholde variabelnavn, siterte etiketter og enheter, samtidig som den tilpasser den omkringliggende teksten til leseren.
Den konkrete 14B-utgaven
Kortet oppgir 14,7 milliarder parametere, inkludert 13,1 milliarder utenom embedding-parametere, og 48 Transformer-lag. Arkitekturen bruker roterende posisjonsrepresentasjoner, SwiGLU, RMSNorm og attention-QKV-bias, med 40 query-hoder og 8 key/value-hoder i grouped-query attention. Forhåndstrening og ettertrening produserer denne Instruct-utgaven. Parameter- og lagantallet er forskjellig fra 32B-utgaven selv når familiens funksjoner og publiserte konteksttall er like.
Modellkortet oppgir en full kontekst på 131 072 tokener og generering av opptil 8 192 tokener. Det første gjelder samtalen og materialet som beholdes for en oppgave; det andre gjelder det genererte svaret. Hurtigstartens genereringsinnstilling på 512 tokener er bare et eksempel og erstatter ikke kortets oppgitte svarkapasitet. Bilde-, video- og lydforståelse hører til separat navngitte multimodale utgivelser, ikke denne tekstmodellen.
Inndataformat og verktøyassisterte oppgaver
Produsentens eksempel bruker den tilhørende samtalemalen på separate system- og brukerbeskjeder. Definer assistentens rolle og svarregler separat fra materialet som undersøkes. Gi et fullstendig spørsmål og merk kildeteksten slik at en instruksjon sitert i kilden ikke forveksles med oppgaven gitt av applikasjonen.
Den offisielle Qwen2.5-kunngjøringen beskriver også maler for verktøykall og kompatible integrasjoner. En verktøyassistert oppgave krever at den omkringliggende applikasjonen gir funksjonsbeskrivelser, utfører den valgte operasjonen og gir resultatet for neste svar. En samtale kan for eksempel be om en beregning med et oppgitt beregningsverktøy; funksjonsresultatet blir da informasjon modellen kan forklare. Verktøytilgjengelighet og utførelse kommer fra integrasjonen, mens denne utgaven gir den tekstlige samtaleoppførselen.
Konfigurasjon for lang tekst
Den publiserte konfigurasjonen dekker opprinnelig 32 768 tokener. Den dokumenterte utvidelsen for lengre inndata bruker YaRN, med en eksempel-skaleringsfaktor på 4,0 og en opprinnelig maksimal posisjonsinnstilling på 32 768. Statisk skalering kan påvirke oppførselen på kortere tekst, så produsenten anbefaler å legge den til når lang kontekst trengs.
Når du forbereder en lang kilde, angir du delen som skal revideres eller spørsmålet som skal besvares og beholder støttedelene samlet. En tydelig forespørsel kan be om en korrigert tekst, en endringstabell og referanser til opprinnelige deler. Dette bruker den utvidede konteksten til en konkret leveranse samtidig som svaret holdes innenfor den separate genereringsgrensen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-14b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0002 / 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":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct er en flerspråklig tekstmodell for instruksjonsbaserte assistenter, kode og matematikk. Denne utgaven med 14,7 milliarder parametere støtter tabelltolkning, JSON-generering og en svargrense på 8 192 tokener, med utvidet kontekstkonfigurasjon for lange inndata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-14B-Instruct er den instruksjonstilpassede utgaven i 14B-størrelse i den generelle Qwen2.5-familien. Den tar imot en tekstsamtale og returnerer tekst: en forklaring, et dokument, programkode eller strukturerte felt. Produsenten fremhever instruksjonsfølging, koding, matematikk, forståelse av strukturerte data som tabeller og generering av strukturerte svar, særlig JSON.
Hva familien forbedrer
Produsenten beskriver bredere kunnskap og sterkere kode- og matematikkferdigheter enn den foregående Qwen2-generasjonen, sammen med generering av lange svar og bedre håndtering av ulike systeminstruksjoner. Familien bruker et korpus for forhåndstrening beskrevet som opptil 18 billioner tokener. Disse funksjonene støtter en fagspesifikk assistent der rolle og utdata defineres av oppgaven. Modellen er fortsatt den generelle Instruct-utgaven; de separat navngitte Qwen2.5-Coder- og Qwen2.5-Math-seriene har sine egne spesialiseringer.
En prosessassistent kan få en prosedyre og et spørsmål om ett trinn. Definer leserens rolle, be om handlingene som er relevante for trinnet og krev at svaret beholder prosedyrens opprinnelige betingelser. Nyttige utdata kan skille neste handling, betingelsen som gjør den aktuell og informasjonen som fortsatt trengs. Dette gjør en bred forespørsel om råd om til et svar knyttet til den oppgitte prosessen.
For en kodeforklaring gir du funksjonen, relevante hjelpefunksjonsdefinisjoner og inndataene som skaper forvirring. Be om operasjonsrekkefølgen og verdien som returneres for disse inndataene. For en matematisk forklaring oppgir du symbolene, forutsetningene og måluttrykket før du ber om utledningen. Begge oppgavene bruker tekst; å kjøre programmet eller gjøre et separat numerisk verktøy tilgjengelig er arbeid for applikasjonen rundt modellen.
Tabeller og JSON
For et tabellspørsmål beholder du kolonneoverskrifter og enheter, angir relevante rader og spesifiserer sammenligningen. Ønskede utdata kan liste identifikatorene til samsvarende rader og forklare hvilken oppgitt betingelse hver rad oppfyller. Hvis tabellen har manglende verdier, angir du om svaret skal la dem være fraværende eller representere dem eksplisitt.
For strukturert uttrekk viser du feltnavnene og de nødvendige typene. Inndata som en vareidentifikator, en lagerbeholdning og en lageretikett kan gjøres om til en post med de samme feltene. Be bare om posten når en applikasjon skal tolke den; be om en separat forklaring i prosa når brukeren må undersøke kildetolkningen. Modellens dokumenterte JSON-generering er noe annet enn at et bestemt grensesnitt håndhever et skjema.
Flerspråklige samtaler støttes i mer enn 29 språk, inkludert engelsk, kinesisk, russisk, tysk, fransk, spansk, portugisisk, italiensk, japansk, koreansk, vietnamesisk, thai og arabisk. Angi sluttspråket og gi terminologien som skal forbli uendret. For en oversatt teknisk forklaring ber du modellen beholde variabelnavn, siterte etiketter og enheter, samtidig som den tilpasser den omkringliggende teksten til leseren.
Den konkrete 14B-utgaven
Kortet oppgir 14,7 milliarder parametere, inkludert 13,1 milliarder utenom embedding-parametere, og 48 Transformer-lag. Arkitekturen bruker roterende posisjonsrepresentasjoner, SwiGLU, RMSNorm og attention-QKV-bias, med 40 query-hoder og 8 key/value-hoder i grouped-query attention. Forhåndstrening og ettertrening produserer denne Instruct-utgaven. Parameter- og lagantallet er forskjellig fra 32B-utgaven selv når familiens funksjoner og publiserte konteksttall er like.
Modellkortet oppgir en full kontekst på 131 072 tokener og generering av opptil 8 192 tokener. Det første gjelder samtalen og materialet som beholdes for en oppgave; det andre gjelder det genererte svaret. Hurtigstartens genereringsinnstilling på 512 tokener er bare et eksempel og erstatter ikke kortets oppgitte svarkapasitet. Bilde-, video- og lydforståelse hører til separat navngitte multimodale utgivelser, ikke denne tekstmodellen.
Inndataformat og verktøyassisterte oppgaver
Produsentens eksempel bruker den tilhørende samtalemalen på separate system- og brukerbeskjeder. Definer assistentens rolle og svarregler separat fra materialet som undersøkes. Gi et fullstendig spørsmål og merk kildeteksten slik at en instruksjon sitert i kilden ikke forveksles med oppgaven gitt av applikasjonen.
Den offisielle Qwen2.5-kunngjøringen beskriver også maler for verktøykall og kompatible integrasjoner. En verktøyassistert oppgave krever at den omkringliggende applikasjonen gir funksjonsbeskrivelser, utfører den valgte operasjonen og gir resultatet for neste svar. En samtale kan for eksempel be om en beregning med et oppgitt beregningsverktøy; funksjonsresultatet blir da informasjon modellen kan forklare. Verktøytilgjengelighet og utførelse kommer fra integrasjonen, mens denne utgaven gir den tekstlige samtaleoppførselen.
Konfigurasjon for lang tekst
Den publiserte konfigurasjonen dekker opprinnelig 32 768 tokener. Den dokumenterte utvidelsen for lengre inndata bruker YaRN, med en eksempel-skaleringsfaktor på 4,0 og en opprinnelig maksimal posisjonsinnstilling på 32 768. Statisk skalering kan påvirke oppførselen på kortere tekst, så produsenten anbefaler å legge den til når lang kontekst trengs.
Når du forbereder en lang kilde, angir du delen som skal revideres eller spørsmålet som skal besvares og beholder støttedelene samlet. En tydelig forespørsel kan be om en korrigert tekst, en endringstabell og referanser til opprinnelige deler. Dette bruker den utvidede konteksten til en konkret leveranse samtidig som svaret holdes innenfor den separate genereringsgrensen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-14b-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-14b-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': 'qwen2.5-14b-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 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Teknisk eksempel på engelsk
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.