Qwen2.5-7B-Instruct is het op instructies afgestemde 7B-tekstmodel in de algemene Qwen2.5-taalmodelfamilie. Qwen benadrukt programmeren en wiskunde, instructies volgen, lange teksten schrijven, tabellen begrijpen en gestructureerde uitvoer, vooral JSON. Het is een dense model met alleen een decoder en in totaal 7,61 miljard parameters, waarvan 6,53 miljard geen embeddingparameters zijn. Het accepteert tekstgesprekken en genereert tekst. Een nuttige opdracht kan vragen om aangeleverde informatie om te zetten in een duidelijke uitleg, een gestructureerd record, een herziene concepttekst of een voorgesteld programma.
Het model ondersteunt meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. De ontwikkelaar benadrukt ook robuustheid bij uiteenlopende systeemprompts, wat nuttig is om een gespreksrol en de bijbehorende voorwaarden vast te leggen. Geef rol, doelgroep, terminologie en uitvoertaal rechtstreeks op. Een redactieopdracht kan bijvoorbeeld een technische passage bevatten, de beoogde lezer omschrijven en om een kortere uitleg vragen die benoemde termen en vermelde voorwaarden behoudt. De op instructies afgestemde editie is het gespreksmodel, onderscheiden van het overeenkomstige voorgetrainde basismodel.
Gestructureerde gegevens begrijpen en JSON genereren zijn centrale verbeteringen in Qwen2.5. Behoud bij het extraheren of omzetten van een tabel de koppen en eenheden en leg uit welke rijen of relaties van belang zijn. Definieer de gevraagde sleutels, waardetypen en omgang met ontbrekende informatie in plaats van alleen om een algemene samenvatting te vragen. Een voorbeeldopdracht kan een lijst van problemen aanleveren en per probleem om één object vragen met de bronidentificatie, categorie en een korte uitleg. Zo'n resultaat blijft gegenereerde tekst: de structuur en waarden aan de invoer toetsen maakt deel uit van het gebruik in een vervolgproces.
De specifieke modelkaart beschrijft een volledige contextlengte van 131.072 tokens en generatie van maximaal 8.192 tokens. De meegeleverde configuratie is ingesteld op 32.768 contexttokens; voor langer materiaal wordt de gedocumenteerde YaRN-configuratie gebruikt. De ontwikkelaar waarschuwt dat statische schaling de prestaties bij kortere invoer kan beïnvloeden en raadt aan die toe te voegen wanneer verwerking van lange context nodig is. Houd de invoer en het gevraagde antwoord binnen de relevante geconfigureerde ruimte. Behoud bij een lang rapport de onderdeeltitels, geef voorrang aan passages die bij de vraag horen en vraag de benodigde uitvoerlengte, in plaats van het hogere contextcijfer als reden te zien om niet-relevant materiaal toe te voegen.
De officiële snelstart gebruikt systeem- en gebruikersberichten met het chatsjabloon van het model en decodeert vervolgens de gegenereerde voortzetting. Bereid programmeerwerk voor met de relevante broncode, taal, verwacht gedrag en beperkingen. Geef bij een wiskundige vraag de gegevens en het resultaatformaat mee. De gedocumenteerde verbeteringen van het algemene model maken het niet tot de afzonderlijk getrainde Qwen2.5-Coder- of Qwen2.5-Math-editie. Een voorbeeldopdracht voor code kan om uitleg van een functie, een voorgestelde correctie en een onderbouwing vragen waarom dat voorstel aan de gestelde voorwaarden voldoet; uitvoering en verificatie blijven afzonderlijke stappen.
De releasedocumentatie van Qwen beschrijft ook toolaanroepen en een chatsjabloon dat rekening houdt met tools, waaronder compatibiliteit met Qwen-Agent. Definieer de beschikbare tools en hun argumenten, geef het doel op en lever geretourneerde resultaten aan die het model kan interpreteren. Een documentassistent kan relevante informatie opvragen voordat hij een definitief antwoord opstelt, terwijl een codeassistent over de uitvoer van een door de toepassing uitgevoerde controle kan redeneren. Het nuttige resultaat is dan een antwoord dat aan de aangeleverde bewijsstukken en het gevraagde formaat is gekoppeld. Dit is een tekstmodelprofiel; visuele mogelijkheden, audiomogelijkheden of videogeneratiemogelijkheden van andere Qwen-modellen zijn afzonderlijk.
", "aboutText": "Qwen2.5-7B-Instruct is het op instructies afgestemde 7B-tekstmodel in de algemene Qwen2.5-taalmodelfamilie. Qwen benadrukt programmeren en wiskunde, instructies volgen, lange teksten schrijven, tabellen begrijpen en gestructureerde uitvoer, vooral JSON. Het is een dense model met alleen een decoder en in totaal 7,61 miljard parameters, waarvan 6,53 miljard geen embeddingparameters zijn. Het accepteert tekstgesprekken en genereert tekst. Een nuttige opdracht kan vragen om aangeleverde informatie om te zetten in een duidelijke uitleg, een gestructureerd record, een herziene concepttekst of een voorgesteld programma.\n\nHet model ondersteunt meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. De ontwikkelaar benadrukt ook robuustheid bij uiteenlopende systeemprompts, wat nuttig is om een gespreksrol en de bijbehorende voorwaarden vast te leggen. Geef rol, doelgroep, terminologie en uitvoertaal rechtstreeks op. Een redactieopdracht kan bijvoorbeeld een technische passage bevatten, de beoogde lezer omschrijven en om een kortere uitleg vragen die benoemde termen en vermelde voorwaarden behoudt. De op instructies afgestemde editie is het gespreksmodel, onderscheiden van het overeenkomstige voorgetrainde basismodel.\n\nGestructureerde gegevens begrijpen en JSON genereren zijn centrale verbeteringen in Qwen2.5. Behoud bij het extraheren of omzetten van een tabel de koppen en eenheden en leg uit welke rijen of relaties van belang zijn. Definieer de gevraagde sleutels, waardetypen en omgang met ontbrekende informatie in plaats van alleen om een algemene samenvatting te vragen. Een voorbeeldopdracht kan een lijst van problemen aanleveren en per probleem om één object vragen met de bronidentificatie, categorie en een korte uitleg. Zo'n resultaat blijft gegenereerde tekst: de structuur en waarden aan de invoer toetsen maakt deel uit van het gebruik in een vervolgproces.\n\nDe specifieke modelkaart beschrijft een volledige contextlengte van 131.072 tokens en generatie van maximaal 8.192 tokens. De meegeleverde configuratie is ingesteld op 32.768 contexttokens; voor langer materiaal wordt de gedocumenteerde YaRN-configuratie gebruikt. De ontwikkelaar waarschuwt dat statische schaling de prestaties bij kortere invoer kan beïnvloeden en raadt aan die toe te voegen wanneer verwerking van lange context nodig is. Houd de invoer en het gevraagde antwoord binnen de relevante geconfigureerde ruimte. Behoud bij een lang rapport de onderdeeltitels, geef voorrang aan passages die bij de vraag horen en vraag de benodigde uitvoerlengte, in plaats van het hogere contextcijfer als reden te zien om niet-relevant materiaal toe te voegen.\n\nDe officiële snelstart gebruikt systeem- en gebruikersberichten met het chatsjabloon van het model en decodeert vervolgens de gegenereerde voortzetting. Bereid programmeerwerk voor met de relevante broncode, taal, verwacht gedrag en beperkingen. Geef bij een wiskundige vraag de gegevens en het resultaatformaat mee. De gedocumenteerde verbeteringen van het algemene model maken het niet tot de afzonderlijk getrainde Qwen2.5-Coder- of Qwen2.5-Math-editie. Een voorbeeldopdracht voor code kan om uitleg van een functie, een voorgestelde correctie en een onderbouwing vragen waarom dat voorstel aan de gestelde voorwaarden voldoet; uitvoering en verificatie blijven afzonderlijke stappen.\n\nDe releasedocumentatie van Qwen beschrijft ook toolaanroepen en een chatsjabloon dat rekening houdt met tools, waaronder compatibiliteit met Qwen-Agent. Definieer de beschikbare tools en hun argumenten, geef het doel op en lever geretourneerde resultaten aan die het model kan interpreteren. Een documentassistent kan relevante informatie opvragen voordat hij een definitief antwoord opstelt, terwijl een codeassistent over de uitvoer van een door de toepassing uitgevoerde controle kan redeneren. Het nuttige resultaat is dan een antwoord dat aan de aangeleverde bewijsstukken en het gevraagde formaat is gekoppeld. Dit is een tekstmodelprofiel; visuele mogelijkheden, audiomogelijkheden of videogeneratiemogelijkheden van andere Qwen-modellen zijn afzonderlijk.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct is het compacte tekstmodel van Qwen dat op instructies is afgestemd voor meertalig schrijven, programmeren, wiskunde en gestructureerde gegevens. De ontwikkelaar documenteert maximaal 131.072 contexttokens met de langcontextconfiguratie en generatie van maximaal 8.192 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-7B-Instruct is het op instructies afgestemde 7B-tekstmodel in de algemene Qwen2.5-taalmodelfamilie. Qwen benadrukt programmeren en wiskunde, instructies volgen, lange teksten schrijven, tabellen begrijpen en gestructureerde uitvoer, vooral JSON. Het is een dense model met alleen een decoder en in totaal 7,61 miljard parameters, waarvan 6,53 miljard geen embeddingparameters zijn. Het accepteert tekstgesprekken en genereert tekst. Een nuttige opdracht kan vragen om aangeleverde informatie om te zetten in een duidelijke uitleg, een gestructureerd record, een herziene concepttekst of een voorgesteld programma.
Het model ondersteunt meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. De ontwikkelaar benadrukt ook robuustheid bij uiteenlopende systeemprompts, wat nuttig is om een gespreksrol en de bijbehorende voorwaarden vast te leggen. Geef rol, doelgroep, terminologie en uitvoertaal rechtstreeks op. Een redactieopdracht kan bijvoorbeeld een technische passage bevatten, de beoogde lezer omschrijven en om een kortere uitleg vragen die benoemde termen en vermelde voorwaarden behoudt. De op instructies afgestemde editie is het gespreksmodel, onderscheiden van het overeenkomstige voorgetrainde basismodel.
Gestructureerde gegevens begrijpen en JSON genereren zijn centrale verbeteringen in Qwen2.5. Behoud bij het extraheren of omzetten van een tabel de koppen en eenheden en leg uit welke rijen of relaties van belang zijn. Definieer de gevraagde sleutels, waardetypen en omgang met ontbrekende informatie in plaats van alleen om een algemene samenvatting te vragen. Een voorbeeldopdracht kan een lijst van problemen aanleveren en per probleem om één object vragen met de bronidentificatie, categorie en een korte uitleg. Zo'n resultaat blijft gegenereerde tekst: de structuur en waarden aan de invoer toetsen maakt deel uit van het gebruik in een vervolgproces.
De specifieke modelkaart beschrijft een volledige contextlengte van 131.072 tokens en generatie van maximaal 8.192 tokens. De meegeleverde configuratie is ingesteld op 32.768 contexttokens; voor langer materiaal wordt de gedocumenteerde YaRN-configuratie gebruikt. De ontwikkelaar waarschuwt dat statische schaling de prestaties bij kortere invoer kan beïnvloeden en raadt aan die toe te voegen wanneer verwerking van lange context nodig is. Houd de invoer en het gevraagde antwoord binnen de relevante geconfigureerde ruimte. Behoud bij een lang rapport de onderdeeltitels, geef voorrang aan passages die bij de vraag horen en vraag de benodigde uitvoerlengte, in plaats van het hogere contextcijfer als reden te zien om niet-relevant materiaal toe te voegen.
De officiële snelstart gebruikt systeem- en gebruikersberichten met het chatsjabloon van het model en decodeert vervolgens de gegenereerde voortzetting. Bereid programmeerwerk voor met de relevante broncode, taal, verwacht gedrag en beperkingen. Geef bij een wiskundige vraag de gegevens en het resultaatformaat mee. De gedocumenteerde verbeteringen van het algemene model maken het niet tot de afzonderlijk getrainde Qwen2.5-Coder- of Qwen2.5-Math-editie. Een voorbeeldopdracht voor code kan om uitleg van een functie, een voorgestelde correctie en een onderbouwing vragen waarom dat voorstel aan de gestelde voorwaarden voldoet; uitvoering en verificatie blijven afzonderlijke stappen.
De releasedocumentatie van Qwen beschrijft ook toolaanroepen en een chatsjabloon dat rekening houdt met tools, waaronder compatibiliteit met Qwen-Agent. Definieer de beschikbare tools en hun argumenten, geef het doel op en lever geretourneerde resultaten aan die het model kan interpreteren. Een documentassistent kan relevante informatie opvragen voordat hij een definitief antwoord opstelt, terwijl een codeassistent over de uitvoer van een door de toepassing uitgevoerde controle kan redeneren. Het nuttige resultaat is dan een antwoord dat aan de aangeleverde bewijsstukken en het gevraagde formaat is gekoppeld. Dit is een tekstmodelprofiel; visuele mogelijkheden, audiomogelijkheden of videogeneratiemogelijkheden van andere Qwen-modellen zijn afzonderlijk.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen-2.5-7b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen-2.5-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Gebruik de hierboven getoonde methodepaden.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct is het compacte tekstmodel van Qwen dat op instructies is afgestemd voor meertalig schrijven, programmeren, wiskunde en gestructureerde gegevens. De ontwikkelaar documenteert maximaal 131.072 contexttokens met de langcontextconfiguratie en generatie van maximaal 8.192 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-7B-Instruct is het op instructies afgestemde 7B-tekstmodel in de algemene Qwen2.5-taalmodelfamilie. Qwen benadrukt programmeren en wiskunde, instructies volgen, lange teksten schrijven, tabellen begrijpen en gestructureerde uitvoer, vooral JSON. Het is een dense model met alleen een decoder en in totaal 7,61 miljard parameters, waarvan 6,53 miljard geen embeddingparameters zijn. Het accepteert tekstgesprekken en genereert tekst. Een nuttige opdracht kan vragen om aangeleverde informatie om te zetten in een duidelijke uitleg, een gestructureerd record, een herziene concepttekst of een voorgesteld programma.
Het model ondersteunt meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. De ontwikkelaar benadrukt ook robuustheid bij uiteenlopende systeemprompts, wat nuttig is om een gespreksrol en de bijbehorende voorwaarden vast te leggen. Geef rol, doelgroep, terminologie en uitvoertaal rechtstreeks op. Een redactieopdracht kan bijvoorbeeld een technische passage bevatten, de beoogde lezer omschrijven en om een kortere uitleg vragen die benoemde termen en vermelde voorwaarden behoudt. De op instructies afgestemde editie is het gespreksmodel, onderscheiden van het overeenkomstige voorgetrainde basismodel.
Gestructureerde gegevens begrijpen en JSON genereren zijn centrale verbeteringen in Qwen2.5. Behoud bij het extraheren of omzetten van een tabel de koppen en eenheden en leg uit welke rijen of relaties van belang zijn. Definieer de gevraagde sleutels, waardetypen en omgang met ontbrekende informatie in plaats van alleen om een algemene samenvatting te vragen. Een voorbeeldopdracht kan een lijst van problemen aanleveren en per probleem om één object vragen met de bronidentificatie, categorie en een korte uitleg. Zo'n resultaat blijft gegenereerde tekst: de structuur en waarden aan de invoer toetsen maakt deel uit van het gebruik in een vervolgproces.
De specifieke modelkaart beschrijft een volledige contextlengte van 131.072 tokens en generatie van maximaal 8.192 tokens. De meegeleverde configuratie is ingesteld op 32.768 contexttokens; voor langer materiaal wordt de gedocumenteerde YaRN-configuratie gebruikt. De ontwikkelaar waarschuwt dat statische schaling de prestaties bij kortere invoer kan beïnvloeden en raadt aan die toe te voegen wanneer verwerking van lange context nodig is. Houd de invoer en het gevraagde antwoord binnen de relevante geconfigureerde ruimte. Behoud bij een lang rapport de onderdeeltitels, geef voorrang aan passages die bij de vraag horen en vraag de benodigde uitvoerlengte, in plaats van het hogere contextcijfer als reden te zien om niet-relevant materiaal toe te voegen.
De officiële snelstart gebruikt systeem- en gebruikersberichten met het chatsjabloon van het model en decodeert vervolgens de gegenereerde voortzetting. Bereid programmeerwerk voor met de relevante broncode, taal, verwacht gedrag en beperkingen. Geef bij een wiskundige vraag de gegevens en het resultaatformaat mee. De gedocumenteerde verbeteringen van het algemene model maken het niet tot de afzonderlijk getrainde Qwen2.5-Coder- of Qwen2.5-Math-editie. Een voorbeeldopdracht voor code kan om uitleg van een functie, een voorgestelde correctie en een onderbouwing vragen waarom dat voorstel aan de gestelde voorwaarden voldoet; uitvoering en verificatie blijven afzonderlijke stappen.
De releasedocumentatie van Qwen beschrijft ook toolaanroepen en een chatsjabloon dat rekening houdt met tools, waaronder compatibiliteit met Qwen-Agent. Definieer de beschikbare tools en hun argumenten, geef het doel op en lever geretourneerde resultaten aan die het model kan interpreteren. Een documentassistent kan relevante informatie opvragen voordat hij een definitief antwoord opstelt, terwijl een codeassistent over de uitvoer van een door de toepassing uitgevoerde controle kan redeneren. Het nuttige resultaat is dan een antwoord dat aan de aangeleverde bewijsstukken en het gevraagde formaat is gekoppeld. Dit is een tekstmodelprofiel; visuele mogelijkheden, audiomogelijkheden of videogeneratiemogelijkheden van andere Qwen-modellen zijn afzonderlijk.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen-2.5-7b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen-2.5-7b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.