Qwen2.5-Coder-7B-Instruct er den instruksjonsjusterte utgivelsen i 7B-størrelse av Qwens kodeorienterte familie, tidligere kjent som CodeQwen. De sentrale oppgavene er kodegenerering, resonnement om programoppførsel og koderetting. Den mottar tekst, inkludert krav og kildekode, og returnerer tekst som kan inneholde en implementasjon, forklaring eller foreslått endring.
Kodeegenskaper og trening
Produsenten beskriver 5,5 billioner treningstokener, blant annet kildekode, materiale som knytter tekst til kode, og syntetiske eksempler. Familien beholder matematiske og generelle språkferdigheter ved siden av programmeringsspesialiseringen. Utgivelseskunngjøringen skiller mellom å generere et program, resonnere om hvordan et program kjører, og rette en eksisterende implementasjon; disse krever forskjellige inndata og forskjellige sluttresultater.
For generering oppgir du programmeringsspråk, funksjonssignatur, inndatatyper og forventet returverdi. Ta med begrensninger, som om funksjonen kan endre inndataene eller bruke en ekstern avhengighet. Be om implementasjonen og en kort forklaring på hvordan den oppfyller hvert krav. En sorteringsforespørsel kan for eksempel angi at duplikatverdier må beholdes og den opprinnelige listen være uendret, og deretter be om en funksjon med eksempelkall for en tom liste og en liste som inneholder gjentatte verdier.
For koderesonnement oppgir du det nøyaktige utdraget og de bestemte inndataene som skal spores. Spør hvilke grener som kjøres, hvordan mellomverdiene endrer seg, og hva funksjonen returnerer. Dette er mer nyttig enn en umålrettet forespørsel om å forklare en hel fil: svaret knytter konkrete inndata til en konkret kjørevei gjennom programmet. Behold eventuelle kalte hjelpefunksjoner eller relevante typedefinisjoner sammen med utdraget.
For retting oppgir du oppførselen som feiler, den forventede oppførselen og koden som bestemmer forskjellen. En feilmelding alene kan la den viktige betingelsen forbli uspesifisert. Be om en foreslått rettelse, en forklaring på årsaken og eksempler som skiller mellom gammel og tiltenkt oppførsel. Den returnerte kodeendringen er et tekstresultat; kompilering, kjøring eller anvendelse i et kodelager krever utviklingsmiljøet rundt modellen.
Den navngitte 7B-utgaven
Den utgitte modellen har 7,61 milliarder parametere, inkludert 6,53 milliarder parametere utenom embeddings, og 28 Transformer-lag. Den bruker roterende posisjonsembeddings, SwiGLU, RMSNorm og QKV-bias i oppmerksomhet. Oppmerksomheten med grupperte spørringer har 28 spørringshoder og 4 nøkkel-/verdihoder. Disse detaljene beskriver denne utgivelsen fremfor en større Coder-utgave.
Familien tilbyr separate Base- og Instruct-modeller. Instruct er tilpasset samtaleforespørsler; Base er et grunnlag for fullføring og videre justering. Denne oppføringen gjelder den instruksjonsjusterte modellen på 7B. Utgivelsens eksempler og fremhevede resultater for andre størrelser definerer ikke denne utgavens egenskaper eller ressurskrav.
Klargjøring av instruksjonen
Modellkortet demonstrerer en samtale med separate system- og brukermeldinger og den tilhørende samtalemalen. Plasser varige svarregler, som hvordan implementasjonen og forklaringen skal presenteres, separat fra koden og oppgaven. Marker hvilket utdrag som er eksisterende kildekode, hvilken tekst som er et krav, og hvilke utdata som skal returneres. Dette bidrar til å bevare identifikatorer, grensesnitt og oppførsel som den etterspurte endringen må beholde.
Nyttige inndata til en utviklerassistent kan inneholde en kort modul, kode som kaller den, og den tiltenkte endringen. Be om en revidert funksjon, en liste over forutsetninger og eksempelinndata med forventede utdata. For et generert visuelt resultat angir du dataene og samhandlingene som skal implementeres, og ber om den resulterende kildekodeteksten; den kodeorienterte familien illustrerer også kodeassistenter og visuelle resultater. Gjengivelse av resultatet er fortsatt et separat trinn fra generering av kildekoden.
Behandling av lang tekst
Modellkortet oppgir en full kontekst på 131 072 tokener, mens den utgitte konfigurasjonen i utgangspunktet er satt til 32 768 tokener. Behandling av inndata utover denne innstillingen krever den dokumenterte YaRN-utvidelsen. Eksempelet angir en skaleringsfaktor på 4,0 og en opprinnelig maksimumsposisjonsinnstilling på 32 768. Produsenten påpeker at statisk skalering kan påvirke oppførselen ved kortere tekst og anbefaler å legge til utvidelsen når lang kontekst er nødvendig.
Bruk den større konteksten til å holde sammenhengende kode og krav samlet, men identifiser det faktiske spørsmålet: finn et uforenlig kall, forklar en databane eller foreslå en endring innenfor et angitt grensesnitt. Ta med delene som bestemmer oppførselen, fremfor uvedkommende prosjektmateriale. Hurtigstartens 512 genererte tokener er en eksempelinnstilling; kortet etablerer ikke en egen maksimal utdatakapasitet fra denne verdien.
Modellens dokumenterte resultat er tekst. Rollen i en kodeagent avhenger av at applikasjonen stiller tilgang til kodelager, kjøring og tilbakemeldinger til rådighet. Hold disse operasjonene adskilt fra modellens evne til å foreslå kode og forklare oppførselen, og hold den nøyaktige utgaven 7B-Instruct og innstillingene for lang kontekst uttrykkelige når du planlegger en repeterbar oppgave.
", "aboutText": "Qwen2.5-Coder-7B-Instruct er den instruksjonsjusterte utgivelsen i 7B-størrelse av Qwens kodeorienterte familie, tidligere kjent som CodeQwen. De sentrale oppgavene er kodegenerering, resonnement om programoppførsel og koderetting. Den mottar tekst, inkludert krav og kildekode, og returnerer tekst som kan inneholde en implementasjon, forklaring eller foreslått endring.\n\nKodeegenskaper og trening\n\nProdusenten beskriver 5,5 billioner treningstokener, blant annet kildekode, materiale som knytter tekst til kode, og syntetiske eksempler. Familien beholder matematiske og generelle språkferdigheter ved siden av programmeringsspesialiseringen. Utgivelseskunngjøringen skiller mellom å generere et program, resonnere om hvordan et program kjører, og rette en eksisterende implementasjon; disse krever forskjellige inndata og forskjellige sluttresultater.\n\nFor generering oppgir du programmeringsspråk, funksjonssignatur, inndatatyper og forventet returverdi. Ta med begrensninger, som om funksjonen kan endre inndataene eller bruke en ekstern avhengighet. Be om implementasjonen og en kort forklaring på hvordan den oppfyller hvert krav. En sorteringsforespørsel kan for eksempel angi at duplikatverdier må beholdes og den opprinnelige listen være uendret, og deretter be om en funksjon med eksempelkall for en tom liste og en liste som inneholder gjentatte verdier.\n\nFor koderesonnement oppgir du det nøyaktige utdraget og de bestemte inndataene som skal spores. Spør hvilke grener som kjøres, hvordan mellomverdiene endrer seg, og hva funksjonen returnerer. Dette er mer nyttig enn en umålrettet forespørsel om å forklare en hel fil: svaret knytter konkrete inndata til en konkret kjørevei gjennom programmet. Behold eventuelle kalte hjelpefunksjoner eller relevante typedefinisjoner sammen med utdraget.\n\nFor retting oppgir du oppførselen som feiler, den forventede oppførselen og koden som bestemmer forskjellen. En feilmelding alene kan la den viktige betingelsen forbli uspesifisert. Be om en foreslått rettelse, en forklaring på årsaken og eksempler som skiller mellom gammel og tiltenkt oppførsel. Den returnerte kodeendringen er et tekstresultat; kompilering, kjøring eller anvendelse i et kodelager krever utviklingsmiljøet rundt modellen.\n\nDen navngitte 7B-utgaven\n\nDen utgitte modellen har 7,61 milliarder parametere, inkludert 6,53 milliarder parametere utenom embeddings, og 28 Transformer-lag. Den bruker roterende posisjonsembeddings, SwiGLU, RMSNorm og QKV-bias i oppmerksomhet. Oppmerksomheten med grupperte spørringer har 28 spørringshoder og 4 nøkkel-/verdihoder. Disse detaljene beskriver denne utgivelsen fremfor en større Coder-utgave.\n\nFamilien tilbyr separate Base- og Instruct-modeller. Instruct er tilpasset samtaleforespørsler; Base er et grunnlag for fullføring og videre justering. Denne oppføringen gjelder den instruksjonsjusterte modellen på 7B. Utgivelsens eksempler og fremhevede resultater for andre størrelser definerer ikke denne utgavens egenskaper eller ressurskrav.\n\nKlargjøring av instruksjonen\n\nModellkortet demonstrerer en samtale med separate system- og brukermeldinger og den tilhørende samtalemalen. Plasser varige svarregler, som hvordan implementasjonen og forklaringen skal presenteres, separat fra koden og oppgaven. Marker hvilket utdrag som er eksisterende kildekode, hvilken tekst som er et krav, og hvilke utdata som skal returneres. Dette bidrar til å bevare identifikatorer, grensesnitt og oppførsel som den etterspurte endringen må beholde.\n\nNyttige inndata til en utviklerassistent kan inneholde en kort modul, kode som kaller den, og den tiltenkte endringen. Be om en revidert funksjon, en liste over forutsetninger og eksempelinndata med forventede utdata. For et generert visuelt resultat angir du dataene og samhandlingene som skal implementeres, og ber om den resulterende kildekodeteksten; den kodeorienterte familien illustrerer også kodeassistenter og visuelle resultater. Gjengivelse av resultatet er fortsatt et separat trinn fra generering av kildekoden.\n\nBehandling av lang tekst\n\nModellkortet oppgir en full kontekst på 131 072 tokener, mens den utgitte konfigurasjonen i utgangspunktet er satt til 32 768 tokener. Behandling av inndata utover denne innstillingen krever den dokumenterte YaRN-utvidelsen. Eksempelet angir en skaleringsfaktor på 4,0 og en opprinnelig maksimumsposisjonsinnstilling på 32 768. Produsenten påpeker at statisk skalering kan påvirke oppførselen ved kortere tekst og anbefaler å legge til utvidelsen når lang kontekst er nødvendig.\n\nBruk den større konteksten til å holde sammenhengende kode og krav samlet, men identifiser det faktiske spørsmålet: finn et uforenlig kall, forklar en databane eller foreslå en endring innenfor et angitt grensesnitt. Ta med delene som bestemmer oppførselen, fremfor uvedkommende prosjektmateriale. Hurtigstartens 512 genererte tokener er en eksempelinnstilling; kortet etablerer ikke en egen maksimal utdatakapasitet fra denne verdien.\n\nModellens dokumenterte resultat er tekst. Rollen i en kodeagent avhenger av at applikasjonen stiller tilgang til kodelager, kjøring og tilbakemeldinger til rådighet. Hold disse operasjonene adskilt fra modellens evne til å foreslå kode og forklare oppførselen, og hold den nøyaktige utgaven 7B-Instruct og innstillingene for lang kontekst uttrykkelige når du planlegger en repeterbar oppgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct er en tekstmodell for å generere, forklare og rette kode fra instruksjoner. Utgivelsen med 7,61 milliarder parametere støtter utvidet kontekst opptil 131 072 tokener med den dokumenterte konfigurasjonen for lang kontekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-Coder-7B-Instruct er den instruksjonsjusterte utgivelsen i 7B-størrelse av Qwens kodeorienterte familie, tidligere kjent som CodeQwen. De sentrale oppgavene er kodegenerering, resonnement om programoppførsel og koderetting. Den mottar tekst, inkludert krav og kildekode, og returnerer tekst som kan inneholde en implementasjon, forklaring eller foreslått endring.
Kodeegenskaper og trening
Produsenten beskriver 5,5 billioner treningstokener, blant annet kildekode, materiale som knytter tekst til kode, og syntetiske eksempler. Familien beholder matematiske og generelle språkferdigheter ved siden av programmeringsspesialiseringen. Utgivelseskunngjøringen skiller mellom å generere et program, resonnere om hvordan et program kjører, og rette en eksisterende implementasjon; disse krever forskjellige inndata og forskjellige sluttresultater.
For generering oppgir du programmeringsspråk, funksjonssignatur, inndatatyper og forventet returverdi. Ta med begrensninger, som om funksjonen kan endre inndataene eller bruke en ekstern avhengighet. Be om implementasjonen og en kort forklaring på hvordan den oppfyller hvert krav. En sorteringsforespørsel kan for eksempel angi at duplikatverdier må beholdes og den opprinnelige listen være uendret, og deretter be om en funksjon med eksempelkall for en tom liste og en liste som inneholder gjentatte verdier.
For koderesonnement oppgir du det nøyaktige utdraget og de bestemte inndataene som skal spores. Spør hvilke grener som kjøres, hvordan mellomverdiene endrer seg, og hva funksjonen returnerer. Dette er mer nyttig enn en umålrettet forespørsel om å forklare en hel fil: svaret knytter konkrete inndata til en konkret kjørevei gjennom programmet. Behold eventuelle kalte hjelpefunksjoner eller relevante typedefinisjoner sammen med utdraget.
For retting oppgir du oppførselen som feiler, den forventede oppførselen og koden som bestemmer forskjellen. En feilmelding alene kan la den viktige betingelsen forbli uspesifisert. Be om en foreslått rettelse, en forklaring på årsaken og eksempler som skiller mellom gammel og tiltenkt oppførsel. Den returnerte kodeendringen er et tekstresultat; kompilering, kjøring eller anvendelse i et kodelager krever utviklingsmiljøet rundt modellen.
Den navngitte 7B-utgaven
Den utgitte modellen har 7,61 milliarder parametere, inkludert 6,53 milliarder parametere utenom embeddings, og 28 Transformer-lag. Den bruker roterende posisjonsembeddings, SwiGLU, RMSNorm og QKV-bias i oppmerksomhet. Oppmerksomheten med grupperte spørringer har 28 spørringshoder og 4 nøkkel-/verdihoder. Disse detaljene beskriver denne utgivelsen fremfor en større Coder-utgave.
Familien tilbyr separate Base- og Instruct-modeller. Instruct er tilpasset samtaleforespørsler; Base er et grunnlag for fullføring og videre justering. Denne oppføringen gjelder den instruksjonsjusterte modellen på 7B. Utgivelsens eksempler og fremhevede resultater for andre størrelser definerer ikke denne utgavens egenskaper eller ressurskrav.
Klargjøring av instruksjonen
Modellkortet demonstrerer en samtale med separate system- og brukermeldinger og den tilhørende samtalemalen. Plasser varige svarregler, som hvordan implementasjonen og forklaringen skal presenteres, separat fra koden og oppgaven. Marker hvilket utdrag som er eksisterende kildekode, hvilken tekst som er et krav, og hvilke utdata som skal returneres. Dette bidrar til å bevare identifikatorer, grensesnitt og oppførsel som den etterspurte endringen må beholde.
Nyttige inndata til en utviklerassistent kan inneholde en kort modul, kode som kaller den, og den tiltenkte endringen. Be om en revidert funksjon, en liste over forutsetninger og eksempelinndata med forventede utdata. For et generert visuelt resultat angir du dataene og samhandlingene som skal implementeres, og ber om den resulterende kildekodeteksten; den kodeorienterte familien illustrerer også kodeassistenter og visuelle resultater. Gjengivelse av resultatet er fortsatt et separat trinn fra generering av kildekoden.
Behandling av lang tekst
Modellkortet oppgir en full kontekst på 131 072 tokener, mens den utgitte konfigurasjonen i utgangspunktet er satt til 32 768 tokener. Behandling av inndata utover denne innstillingen krever den dokumenterte YaRN-utvidelsen. Eksempelet angir en skaleringsfaktor på 4,0 og en opprinnelig maksimumsposisjonsinnstilling på 32 768. Produsenten påpeker at statisk skalering kan påvirke oppførselen ved kortere tekst og anbefaler å legge til utvidelsen når lang kontekst er nødvendig.
Bruk den større konteksten til å holde sammenhengende kode og krav samlet, men identifiser det faktiske spørsmålet: finn et uforenlig kall, forklar en databane eller foreslå en endring innenfor et angitt grensesnitt. Ta med delene som bestemmer oppførselen, fremfor uvedkommende prosjektmateriale. Hurtigstartens 512 genererte tokener er en eksempelinnstilling; kortet etablerer ikke en egen maksimal utdatakapasitet fra denne verdien.
Modellens dokumenterte resultat er tekst. Rollen i en kodeagent avhenger av at applikasjonen stiller tilgang til kodelager, kjøring og tilbakemeldinger til rådighet. Hold disse operasjonene adskilt fra modellens evne til å foreslå kode og forklare oppførselen, og hold den nøyaktige utgaven 7B-Instruct og innstillingene for lang kontekst uttrykkelige når du planlegger en repeterbar oppgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-coder-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0001 / 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-coder-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-coder-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-coder-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen2.5-coder-7b-instruct
Bruk metodestiene som vises ovenfor.
qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct er en tekstmodell for å generere, forklare og rette kode fra instruksjoner. Utgivelsen med 7,61 milliarder parametere støtter utvidet kontekst opptil 131 072 tokener med den dokumenterte konfigurasjonen for lang kontekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-Coder-7B-Instruct er den instruksjonsjusterte utgivelsen i 7B-størrelse av Qwens kodeorienterte familie, tidligere kjent som CodeQwen. De sentrale oppgavene er kodegenerering, resonnement om programoppførsel og koderetting. Den mottar tekst, inkludert krav og kildekode, og returnerer tekst som kan inneholde en implementasjon, forklaring eller foreslått endring.
Kodeegenskaper og trening
Produsenten beskriver 5,5 billioner treningstokener, blant annet kildekode, materiale som knytter tekst til kode, og syntetiske eksempler. Familien beholder matematiske og generelle språkferdigheter ved siden av programmeringsspesialiseringen. Utgivelseskunngjøringen skiller mellom å generere et program, resonnere om hvordan et program kjører, og rette en eksisterende implementasjon; disse krever forskjellige inndata og forskjellige sluttresultater.
For generering oppgir du programmeringsspråk, funksjonssignatur, inndatatyper og forventet returverdi. Ta med begrensninger, som om funksjonen kan endre inndataene eller bruke en ekstern avhengighet. Be om implementasjonen og en kort forklaring på hvordan den oppfyller hvert krav. En sorteringsforespørsel kan for eksempel angi at duplikatverdier må beholdes og den opprinnelige listen være uendret, og deretter be om en funksjon med eksempelkall for en tom liste og en liste som inneholder gjentatte verdier.
For koderesonnement oppgir du det nøyaktige utdraget og de bestemte inndataene som skal spores. Spør hvilke grener som kjøres, hvordan mellomverdiene endrer seg, og hva funksjonen returnerer. Dette er mer nyttig enn en umålrettet forespørsel om å forklare en hel fil: svaret knytter konkrete inndata til en konkret kjørevei gjennom programmet. Behold eventuelle kalte hjelpefunksjoner eller relevante typedefinisjoner sammen med utdraget.
For retting oppgir du oppførselen som feiler, den forventede oppførselen og koden som bestemmer forskjellen. En feilmelding alene kan la den viktige betingelsen forbli uspesifisert. Be om en foreslått rettelse, en forklaring på årsaken og eksempler som skiller mellom gammel og tiltenkt oppførsel. Den returnerte kodeendringen er et tekstresultat; kompilering, kjøring eller anvendelse i et kodelager krever utviklingsmiljøet rundt modellen.
Den navngitte 7B-utgaven
Den utgitte modellen har 7,61 milliarder parametere, inkludert 6,53 milliarder parametere utenom embeddings, og 28 Transformer-lag. Den bruker roterende posisjonsembeddings, SwiGLU, RMSNorm og QKV-bias i oppmerksomhet. Oppmerksomheten med grupperte spørringer har 28 spørringshoder og 4 nøkkel-/verdihoder. Disse detaljene beskriver denne utgivelsen fremfor en større Coder-utgave.
Familien tilbyr separate Base- og Instruct-modeller. Instruct er tilpasset samtaleforespørsler; Base er et grunnlag for fullføring og videre justering. Denne oppføringen gjelder den instruksjonsjusterte modellen på 7B. Utgivelsens eksempler og fremhevede resultater for andre størrelser definerer ikke denne utgavens egenskaper eller ressurskrav.
Klargjøring av instruksjonen
Modellkortet demonstrerer en samtale med separate system- og brukermeldinger og den tilhørende samtalemalen. Plasser varige svarregler, som hvordan implementasjonen og forklaringen skal presenteres, separat fra koden og oppgaven. Marker hvilket utdrag som er eksisterende kildekode, hvilken tekst som er et krav, og hvilke utdata som skal returneres. Dette bidrar til å bevare identifikatorer, grensesnitt og oppførsel som den etterspurte endringen må beholde.
Nyttige inndata til en utviklerassistent kan inneholde en kort modul, kode som kaller den, og den tiltenkte endringen. Be om en revidert funksjon, en liste over forutsetninger og eksempelinndata med forventede utdata. For et generert visuelt resultat angir du dataene og samhandlingene som skal implementeres, og ber om den resulterende kildekodeteksten; den kodeorienterte familien illustrerer også kodeassistenter og visuelle resultater. Gjengivelse av resultatet er fortsatt et separat trinn fra generering av kildekoden.
Behandling av lang tekst
Modellkortet oppgir en full kontekst på 131 072 tokener, mens den utgitte konfigurasjonen i utgangspunktet er satt til 32 768 tokener. Behandling av inndata utover denne innstillingen krever den dokumenterte YaRN-utvidelsen. Eksempelet angir en skaleringsfaktor på 4,0 og en opprinnelig maksimumsposisjonsinnstilling på 32 768. Produsenten påpeker at statisk skalering kan påvirke oppførselen ved kortere tekst og anbefaler å legge til utvidelsen når lang kontekst er nødvendig.
Bruk den større konteksten til å holde sammenhengende kode og krav samlet, men identifiser det faktiske spørsmålet: finn et uforenlig kall, forklar en databane eller foreslå en endring innenfor et angitt grensesnitt. Ta med delene som bestemmer oppførselen, fremfor uvedkommende prosjektmateriale. Hurtigstartens 512 genererte tokener er en eksempelinnstilling; kortet etablerer ikke en egen maksimal utdatakapasitet fra denne verdien.
Modellens dokumenterte resultat er tekst. Rollen i en kodeagent avhenger av at applikasjonen stiller tilgang til kodelager, kjøring og tilbakemeldinger til rådighet. Hold disse operasjonene adskilt fra modellens evne til å foreslå kode og forklare oppførselen, og hold den nøyaktige utgaven 7B-Instruct og innstillingene for lang kontekst uttrykkelige når du planlegger en repeterbar oppgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-coder-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen2.5-coder-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2.5-coder-7b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.