Qwen2 72B Instruct er den instruksjonstilpassede 72B-utgaven i språkmodellserien Qwen2. Produsentens modellkort dekker språkforståelse og -generering, flerspråklig tekst, programmering, matematikk og resonnering. Den konkrete vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32,000 tokener.
Oppgi den relevante teksten og angi hvilket resultat du trenger. En dokumentoppgave kan be om kravene i et avsnitt, en sammenligning mellom to merkede utdrag eller en forklaring for en bestemt målgruppe. Spesifiser detaljene som må bevares uendret, for eksempel mengder, navn og kildeidentifikatorer.
Ved omskriving legger du ved det opprinnelige avsnittet og beskriver endringen: kortere formuleringer, tydeligere struktur eller en annen tone. Be om den reviderte teksten etterfulgt av eventuelle endringer som påvirker meningen. En presis avgrensning av redigeringen gjør resultatet enklere å sammenligne med originalen.
En kodeprompt kan inneholde grensesnittet, representative inndata og forventede utdata. Be om implementasjonen og tester for tilfellene du angir. Ved en rettelse oppgir du den nøyaktige feilen og spør hvilken del av den vedlagte koden som forklarer den, før du ber om en endring.
For en beregning eller et logisk problem angir du forutsetningene og ønsket presisjon. Be om resultatet med sammenhengene eller dokumentasjonen som trengs for å kontrollere det. Svaret som returneres, er fortsatt et forslag som må vurderes opp mot oppgavens faktiske inndata og akseptvilkår.
Utvikleren beskriver støtte for opptil 131,072 tokener gjennom et driftsoppsett for lang tekst. Dette oppsettet bruker YaRN-skalering for inndata over 32,768 tokener. Modellkortet bemerker også at statisk skalering kan påvirke ytelsen på kortere tekst, og anbefaler å aktivere den når lang kontekst er nødvendig.
Dette er produsentens driftsdetaljer; forbered en forespørsel til denne vertsbaserte profilen ut fra dens egen oppgitte kontekst på 32,000 tokener. Velg avsnittene og koden som er relevante for det aktuelle spørsmålet, behold tidligere beslutninger som påvirker det, og la det være plass til svaret. Et oppsett med lengre kontekst bør planlegges etter konfigurasjonen som faktisk brukes.
", "aboutText": "Qwen2 72B Instruct er den instruksjonstilpassede 72B-utgaven i språkmodellserien Qwen2. Produsentens modellkort dekker språkforståelse og -generering, flerspråklig tekst, programmering, matematikk og resonnering. Den konkrete vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32,000 tokener.\n\n### Gi samtalen et definert formål\n\nOppgi den relevante teksten og angi hvilket resultat du trenger. En dokumentoppgave kan be om kravene i et avsnitt, en sammenligning mellom to merkede utdrag eller en forklaring for en bestemt målgruppe. Spesifiser detaljene som må bevares uendret, for eksempel mengder, navn og kildeidentifikatorer.\n\nVed omskriving legger du ved det opprinnelige avsnittet og beskriver endringen: kortere formuleringer, tydeligere struktur eller en annen tone. Be om den reviderte teksten etterfulgt av eventuelle endringer som påvirker meningen. En presis avgrensning av redigeringen gjør resultatet enklere å sammenligne med originalen.\n\n### Forbered et spørsmål om kode eller resonnering\n\nEn kodeprompt kan inneholde grensesnittet, representative inndata og forventede utdata. Be om implementasjonen og tester for tilfellene du angir. Ved en rettelse oppgir du den nøyaktige feilen og spør hvilken del av den vedlagte koden som forklarer den, før du ber om en endring.\n\nFor en beregning eller et logisk problem angir du forutsetningene og ønsket presisjon. Be om resultatet med sammenhengene eller dokumentasjonen som trengs for å kontrollere det. Svaret som returneres, er fortsatt et forslag som må vurderes opp mot oppgavens faktiske inndata og akseptvilkår.\n\n### Skill mellom vertsbasert og konfigurert lang kontekst\n\nUtvikleren beskriver støtte for opptil 131,072 tokener gjennom et driftsoppsett for lang tekst. Dette oppsettet bruker YaRN-skalering for inndata over 32,768 tokener. Modellkortet bemerker også at statisk skalering kan påvirke ytelsen på kortere tekst, og anbefaler å aktivere den når lang kontekst er nødvendig.\n\nDette er produsentens driftsdetaljer; forbered en forespørsel til denne vertsbaserte profilen ut fra dens egen oppgitte kontekst på 32,000 tokener. Velg avsnittene og koden som er relevante for det aktuelle spørsmålet, behold tidligere beslutninger som påvirker det, og la det være plass til svaret. Et oppsett med lengre kontekst bør planlegges etter konfigurasjonen som faktisk brukes.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Clarify a conditional policy notice\n\nRewrite this notice in plain English: “Requests received after 16:00 are processed on the next business day unless the team has confirmed an exception in writing.” Keep both the cutoff and the written-exception condition. Return the revised notice followed by one sentence explaining any change in meaning; say explicitly if there is none.A clearer notice and a separate meaning-change note.Check that the revision does not promise same-day processing or remove the requirement for a written exception.qwen2-72b-instructQwen2 72B Instruct er den instruksjonstilpassede 72B-tekstmodellen i Qwen2 for dialog, forklaringer og kodearbeid. Den navngitte vertsbaserte profilen oppgir en kontekst på 32,000 tokener; utviklerens oppsett for lengre kontekst er en separat driftskonfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2 72B Instruct er den instruksjonstilpassede 72B-utgaven i språkmodellserien Qwen2. Produsentens modellkort dekker språkforståelse og -generering, flerspråklig tekst, programmering, matematikk og resonnering. Den konkrete vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32,000 tokener.
Oppgi den relevante teksten og angi hvilket resultat du trenger. En dokumentoppgave kan be om kravene i et avsnitt, en sammenligning mellom to merkede utdrag eller en forklaring for en bestemt målgruppe. Spesifiser detaljene som må bevares uendret, for eksempel mengder, navn og kildeidentifikatorer.
Ved omskriving legger du ved det opprinnelige avsnittet og beskriver endringen: kortere formuleringer, tydeligere struktur eller en annen tone. Be om den reviderte teksten etterfulgt av eventuelle endringer som påvirker meningen. En presis avgrensning av redigeringen gjør resultatet enklere å sammenligne med originalen.
En kodeprompt kan inneholde grensesnittet, representative inndata og forventede utdata. Be om implementasjonen og tester for tilfellene du angir. Ved en rettelse oppgir du den nøyaktige feilen og spør hvilken del av den vedlagte koden som forklarer den, før du ber om en endring.
For en beregning eller et logisk problem angir du forutsetningene og ønsket presisjon. Be om resultatet med sammenhengene eller dokumentasjonen som trengs for å kontrollere det. Svaret som returneres, er fortsatt et forslag som må vurderes opp mot oppgavens faktiske inndata og akseptvilkår.
Utvikleren beskriver støtte for opptil 131,072 tokener gjennom et driftsoppsett for lang tekst. Dette oppsettet bruker YaRN-skalering for inndata over 32,768 tokener. Modellkortet bemerker også at statisk skalering kan påvirke ytelsen på kortere tekst, og anbefaler å aktivere den når lang kontekst er nødvendig.
Dette er produsentens driftsdetaljer; forbered en forespørsel til denne vertsbaserte profilen ut fra dens egen oppgitte kontekst på 32,000 tokener. Velg avsnittene og koden som er relevante for det aktuelle spørsmålet, behold tidligere beslutninger som påvirker det, og la det være plass til svaret. Et oppsett med lengre kontekst bør planlegges etter konfigurasjonen som faktisk brukes.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2-72b-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 $0.00116 / 1K tokener Utdata · Utgående tokener $0.00344 / 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": "qwen2-72b-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='qwen2-72b-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='qwen2-72b-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 qwen2-72b-instruct
Bruk metodestiene som vises ovenfor.
qwen2-72b-instructQwen2 72B Instruct er den instruksjonstilpassede 72B-tekstmodellen i Qwen2 for dialog, forklaringer og kodearbeid. Den navngitte vertsbaserte profilen oppgir en kontekst på 32,000 tokener; utviklerens oppsett for lengre kontekst er en separat driftskonfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2 72B Instruct er den instruksjonstilpassede 72B-utgaven i språkmodellserien Qwen2. Produsentens modellkort dekker språkforståelse og -generering, flerspråklig tekst, programmering, matematikk og resonnering. Den konkrete vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32,000 tokener.
Oppgi den relevante teksten og angi hvilket resultat du trenger. En dokumentoppgave kan be om kravene i et avsnitt, en sammenligning mellom to merkede utdrag eller en forklaring for en bestemt målgruppe. Spesifiser detaljene som må bevares uendret, for eksempel mengder, navn og kildeidentifikatorer.
Ved omskriving legger du ved det opprinnelige avsnittet og beskriver endringen: kortere formuleringer, tydeligere struktur eller en annen tone. Be om den reviderte teksten etterfulgt av eventuelle endringer som påvirker meningen. En presis avgrensning av redigeringen gjør resultatet enklere å sammenligne med originalen.
En kodeprompt kan inneholde grensesnittet, representative inndata og forventede utdata. Be om implementasjonen og tester for tilfellene du angir. Ved en rettelse oppgir du den nøyaktige feilen og spør hvilken del av den vedlagte koden som forklarer den, før du ber om en endring.
For en beregning eller et logisk problem angir du forutsetningene og ønsket presisjon. Be om resultatet med sammenhengene eller dokumentasjonen som trengs for å kontrollere det. Svaret som returneres, er fortsatt et forslag som må vurderes opp mot oppgavens faktiske inndata og akseptvilkår.
Utvikleren beskriver støtte for opptil 131,072 tokener gjennom et driftsoppsett for lang tekst. Dette oppsettet bruker YaRN-skalering for inndata over 32,768 tokener. Modellkortet bemerker også at statisk skalering kan påvirke ytelsen på kortere tekst, og anbefaler å aktivere den når lang kontekst er nødvendig.
Dette er produsentens driftsdetaljer; forbered en forespørsel til denne vertsbaserte profilen ut fra dens egen oppgitte kontekst på 32,000 tokener. Velg avsnittene og koden som er relevante for det aktuelle spørsmålet, behold tidligere beslutninger som påvirker det, og la det være plass til svaret. Et oppsett med lengre kontekst bør planlegges etter konfigurasjonen som faktisk brukes.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2-72b-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 $0.00116 / 1K tokener Utdata · Utgående tokener $0.00344 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen2-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2-72b-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': 'qwen2-72b-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 qwen2-72b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Clarify a conditional policy notice\n\nRewrite this notice in plain English: “Requests received after 16:00 are processed on the next business day unless the team has confirmed an exception in writing.” Keep both the cutoff and the written-exception condition. Return the revised notice followed by one sentence explaining any change in meaning; say explicitly if there is none.A clearer notice and a separate meaning-change note.Check that the revision does not promise same-day processing or remove the requirement for a written exception.