Qwen2.5-14B-Instruct is de op instructies afgestemde editie in 14B-formaat van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en retourneert tekst: een uitleg, document, programmacode of gestructureerde velden. De ontwikkelaar benadrukt instructies volgen, programmeren, wiskunde, het begrijpen van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Verbeteringen van de familie
De ontwikkelaar beschrijft bredere kennis en sterkere programmeer- en wiskundige vaardigheden dan bij de voorgaande Qwen2-generatie, samen met het genereren van lange antwoorden en een betere omgang met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat volgens de beschrijving 18 biljoen tokens bereikt. Deze mogelijkheden ondersteunen een vakspecifieke assistent waarvan de taak de rol en uitvoer bepaalt. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één fase ontvangen. Definieer de rol van de lezer, vraag de acties die voor die fase relevant zijn en eis dat het antwoord de oorspronkelijke voorwaarden van de procedure behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie afzonderlijk tonen. Zo wordt een breed verzoek om advies een antwoord dat aan het aangeleverde proces gekoppeld is.
Lever voor een code-uitleg de functie, relevante definities van hulpfuncties en de invoer die onduidelijkheid veroorzaakt. Vraag de opeenvolging van bewerkingen en de waarde die voor die invoer wordt geretourneerd. Geef voor een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat u om de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijk numeriek hulpmiddel beschikbaar stellen is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking op. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Als de tabel ontbrekende waarden heeft, geef dan aan of het antwoord die afwezig moet laten of expliciet moet representeren.
Toon bij gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, voorraadhoeveelheid en magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen het record als een toepassing het zal parsen; vraag een afzonderlijke uitleg in lopende tekst als de gebruiker de broninterpretatie moet onderzoeken. Het gedocumenteerde vermogen van het model om JSON te genereren is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal vast en lever terminologie aan die ongewijzigd moet blijven. Vraag het model voor een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst aan de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waarvan 13,1 miljard geen embeddingparameters zijn, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en QKV-bias in de attention, met 40 querykoppen en 8 sleutel/waarde-koppen in grouped-query attention. Pretraining en post-training leveren deze Instruct-editie op. Het aantal parameters en lagen verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextcijfers overeenkomen.
De modelkaart vermeldt een volledige context van 131.072 tokens en generatie van maximaal 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is slechts een voorbeeld en vervangt de opgegeven antwoordcapaciteit van de kaart niet. Het begrijpen van beelden, video en audio behoort tot afzonderlijk benoemde multimodale releases, niet tot dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de ontwikkelaar past het bijbehorende chatsjabloon toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Lever een volledige vraag aan en label de brontekst, zodat een in de bron geciteerde instructie niet wordt verward met de taak die de toepassing geeft.
De officiële Qwen2.5-aankondiging beschrijft ook sjablonen voor toolaanroepen en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen aanlevert, de geselecteerde bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld om een berekening vragen met een aangeleverde rekentool; het functieresultaat wordt vervolgens informatie die het model kan uitleggen. De beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag levert.
Configuratie voor lange teksten
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke instelling van 32.768 maximale posities. Statische schaling kan het gedrag bij kortere teksten beïnvloeden, dus de ontwikkelaar raadt aan die toe te voegen wanneer lange context nodig is.
Benoem bij de voorbereiding van een lange bron het onderdeel dat herzien moet worden of de vraag die beantwoord moet worden, en houd de ondersteunende delen samen. Een duidelijke aanvraag kan om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke onderdeelverwijzingen vragen. Zo wordt de uitgebreide context voor een concreet resultaat gebruikt, terwijl het antwoord binnen de afzonderlijke generatielimiet blijft.
", "aboutText": "Qwen2.5-14B-Instruct is de op instructies afgestemde editie in 14B-formaat van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en retourneert tekst: een uitleg, document, programmacode of gestructureerde velden. De ontwikkelaar benadrukt instructies volgen, programmeren, wiskunde, het begrijpen van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.\n\nVerbeteringen van de familie\n\nDe ontwikkelaar beschrijft bredere kennis en sterkere programmeer- en wiskundige vaardigheden dan bij de voorgaande Qwen2-generatie, samen met het genereren van lange antwoorden en een betere omgang met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat volgens de beschrijving 18 biljoen tokens bereikt. Deze mogelijkheden ondersteunen een vakspecifieke assistent waarvan de taak de rol en uitvoer bepaalt. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.\n\nEen procesassistent kan een procedure en een vraag over één fase ontvangen. Definieer de rol van de lezer, vraag de acties die voor die fase relevant zijn en eis dat het antwoord de oorspronkelijke voorwaarden van de procedure behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie afzonderlijk tonen. Zo wordt een breed verzoek om advies een antwoord dat aan het aangeleverde proces gekoppeld is.\n\nLever voor een code-uitleg de functie, relevante definities van hulpfuncties en de invoer die onduidelijkheid veroorzaakt. Vraag de opeenvolging van bewerkingen en de waarde die voor die invoer wordt geretourneerd. Geef voor een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat u om de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijk numeriek hulpmiddel beschikbaar stellen is werk voor de toepassing rond het model.\n\nTabellen en JSON\n\nBehoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking op. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Als de tabel ontbrekende waarden heeft, geef dan aan of het antwoord die afwezig moet laten of expliciet moet representeren.\n\nToon bij gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, voorraadhoeveelheid en magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen het record als een toepassing het zal parsen; vraag een afzonderlijke uitleg in lopende tekst als de gebruiker de broninterpretatie moet onderzoeken. Het gedocumenteerde vermogen van het model om JSON te genereren is iets anders dan een specifieke interface die een schema afdwingt.\n\nMeertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal vast en lever terminologie aan die ongewijzigd moet blijven. Vraag het model voor een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst aan de lezer wordt aangepast.\n\nDe specifieke 14B-release\n\nDe kaart vermeldt 14,7 miljard parameters, waarvan 13,1 miljard geen embeddingparameters zijn, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en QKV-bias in de attention, met 40 querykoppen en 8 sleutel/waarde-koppen in grouped-query attention. Pretraining en post-training leveren deze Instruct-editie op. Het aantal parameters en lagen verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextcijfers overeenkomen.\n\nDe modelkaart vermeldt een volledige context van 131.072 tokens en generatie van maximaal 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is slechts een voorbeeld en vervangt de opgegeven antwoordcapaciteit van de kaart niet. Het begrijpen van beelden, video en audio behoort tot afzonderlijk benoemde multimodale releases, niet tot dit tekstmodel.\n\nInvoerformaat en taken met tools\n\nHet voorbeeld van de ontwikkelaar past het bijbehorende chatsjabloon toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Lever een volledige vraag aan en label de brontekst, zodat een in de bron geciteerde instructie niet wordt verward met de taak die de toepassing geeft.\n\nDe officiële Qwen2.5-aankondiging beschrijft ook sjablonen voor toolaanroepen en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen aanlevert, de geselecteerde bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld om een berekening vragen met een aangeleverde rekentool; het functieresultaat wordt vervolgens informatie die het model kan uitleggen. De beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag levert.\n\nConfiguratie voor lange teksten\n\nDe gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke instelling van 32.768 maximale posities. Statische schaling kan het gedrag bij kortere teksten beïnvloeden, dus de ontwikkelaar raadt aan die toe te voegen wanneer lange context nodig is.\n\nBenoem bij de voorbereiding van een lange bron het onderdeel dat herzien moet worden of de vraag die beantwoord moet worden, en houd de ondersteunende delen samen. Een duidelijke aanvraag kan om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke onderdeelverwijzingen vragen. Zo wordt de uitgebreide context voor een concreet resultaat gebruikt, terwijl het antwoord binnen de afzonderlijke generatielimiet blijft.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct is een meertalig tekstmodel voor op instructies gebaseerde assistenten, code en wiskunde. De specifieke release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde editie in 14B-formaat van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en retourneert tekst: een uitleg, document, programmacode of gestructureerde velden. De ontwikkelaar benadrukt instructies volgen, programmeren, wiskunde, het begrijpen van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Verbeteringen van de familie
De ontwikkelaar beschrijft bredere kennis en sterkere programmeer- en wiskundige vaardigheden dan bij de voorgaande Qwen2-generatie, samen met het genereren van lange antwoorden en een betere omgang met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat volgens de beschrijving 18 biljoen tokens bereikt. Deze mogelijkheden ondersteunen een vakspecifieke assistent waarvan de taak de rol en uitvoer bepaalt. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één fase ontvangen. Definieer de rol van de lezer, vraag de acties die voor die fase relevant zijn en eis dat het antwoord de oorspronkelijke voorwaarden van de procedure behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie afzonderlijk tonen. Zo wordt een breed verzoek om advies een antwoord dat aan het aangeleverde proces gekoppeld is.
Lever voor een code-uitleg de functie, relevante definities van hulpfuncties en de invoer die onduidelijkheid veroorzaakt. Vraag de opeenvolging van bewerkingen en de waarde die voor die invoer wordt geretourneerd. Geef voor een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat u om de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijk numeriek hulpmiddel beschikbaar stellen is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking op. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Als de tabel ontbrekende waarden heeft, geef dan aan of het antwoord die afwezig moet laten of expliciet moet representeren.
Toon bij gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, voorraadhoeveelheid en magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen het record als een toepassing het zal parsen; vraag een afzonderlijke uitleg in lopende tekst als de gebruiker de broninterpretatie moet onderzoeken. Het gedocumenteerde vermogen van het model om JSON te genereren is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal vast en lever terminologie aan die ongewijzigd moet blijven. Vraag het model voor een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst aan de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waarvan 13,1 miljard geen embeddingparameters zijn, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en QKV-bias in de attention, met 40 querykoppen en 8 sleutel/waarde-koppen in grouped-query attention. Pretraining en post-training leveren deze Instruct-editie op. Het aantal parameters en lagen verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextcijfers overeenkomen.
De modelkaart vermeldt een volledige context van 131.072 tokens en generatie van maximaal 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is slechts een voorbeeld en vervangt de opgegeven antwoordcapaciteit van de kaart niet. Het begrijpen van beelden, video en audio behoort tot afzonderlijk benoemde multimodale releases, niet tot dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de ontwikkelaar past het bijbehorende chatsjabloon toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Lever een volledige vraag aan en label de brontekst, zodat een in de bron geciteerde instructie niet wordt verward met de taak die de toepassing geeft.
De officiële Qwen2.5-aankondiging beschrijft ook sjablonen voor toolaanroepen en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen aanlevert, de geselecteerde bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld om een berekening vragen met een aangeleverde rekentool; het functieresultaat wordt vervolgens informatie die het model kan uitleggen. De beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag levert.
Configuratie voor lange teksten
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke instelling van 32.768 maximale posities. Statische schaling kan het gedrag bij kortere teksten beïnvloeden, dus de ontwikkelaar raadt aan die toe te voegen wanneer lange context nodig is.
Benoem bij de voorbereiding van een lange bron het onderdeel dat herzien moet worden of de vraag die beantwoord moet worden, en houd de ondersteunende delen samen. Een duidelijke aanvraag kan om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke onderdeelverwijzingen vragen. Zo wordt de uitgebreide context voor een concreet resultaat gebruikt, terwijl het antwoord binnen de afzonderlijke generatielimiet blijft.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen2.5-14B-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 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/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct is een meertalig tekstmodel voor op instructies gebaseerde assistenten, code en wiskunde. De specifieke release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde editie in 14B-formaat van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en retourneert tekst: een uitleg, document, programmacode of gestructureerde velden. De ontwikkelaar benadrukt instructies volgen, programmeren, wiskunde, het begrijpen van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Verbeteringen van de familie
De ontwikkelaar beschrijft bredere kennis en sterkere programmeer- en wiskundige vaardigheden dan bij de voorgaande Qwen2-generatie, samen met het genereren van lange antwoorden en een betere omgang met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat volgens de beschrijving 18 biljoen tokens bereikt. Deze mogelijkheden ondersteunen een vakspecifieke assistent waarvan de taak de rol en uitvoer bepaalt. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één fase ontvangen. Definieer de rol van de lezer, vraag de acties die voor die fase relevant zijn en eis dat het antwoord de oorspronkelijke voorwaarden van de procedure behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie afzonderlijk tonen. Zo wordt een breed verzoek om advies een antwoord dat aan het aangeleverde proces gekoppeld is.
Lever voor een code-uitleg de functie, relevante definities van hulpfuncties en de invoer die onduidelijkheid veroorzaakt. Vraag de opeenvolging van bewerkingen en de waarde die voor die invoer wordt geretourneerd. Geef voor een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat u om de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijk numeriek hulpmiddel beschikbaar stellen is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking op. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Als de tabel ontbrekende waarden heeft, geef dan aan of het antwoord die afwezig moet laten of expliciet moet representeren.
Toon bij gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, voorraadhoeveelheid en magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen het record als een toepassing het zal parsen; vraag een afzonderlijke uitleg in lopende tekst als de gebruiker de broninterpretatie moet onderzoeken. Het gedocumenteerde vermogen van het model om JSON te genereren is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal vast en lever terminologie aan die ongewijzigd moet blijven. Vraag het model voor een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst aan de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waarvan 13,1 miljard geen embeddingparameters zijn, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en QKV-bias in de attention, met 40 querykoppen en 8 sleutel/waarde-koppen in grouped-query attention. Pretraining en post-training leveren deze Instruct-editie op. Het aantal parameters en lagen verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextcijfers overeenkomen.
De modelkaart vermeldt een volledige context van 131.072 tokens en generatie van maximaal 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is slechts een voorbeeld en vervangt de opgegeven antwoordcapaciteit van de kaart niet. Het begrijpen van beelden, video en audio behoort tot afzonderlijk benoemde multimodale releases, niet tot dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de ontwikkelaar past het bijbehorende chatsjabloon toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Lever een volledige vraag aan en label de brontekst, zodat een in de bron geciteerde instructie niet wordt verward met de taak die de toepassing geeft.
De officiële Qwen2.5-aankondiging beschrijft ook sjablonen voor toolaanroepen en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen aanlevert, de geselecteerde bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld om een berekening vragen met een aangeleverde rekentool; het functieresultaat wordt vervolgens informatie die het model kan uitleggen. De beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag levert.
Configuratie voor lange teksten
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke instelling van 32.768 maximale posities. Statische schaling kan het gedrag bij kortere teksten beïnvloeden, dus de ontwikkelaar raadt aan die toe te voegen wanneer lange context nodig is.
Benoem bij de voorbereiding van een lange bron het onderdeel dat herzien moet worden of de vraag die beantwoord moet worden, en houd de ondersteunende delen samen. Een duidelijke aanvraag kan om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke onderdeelverwijzingen vragen. Zo wordt de uitgebreide context voor een concreet resultaat gebruikt, terwijl het antwoord binnen de afzonderlijke generatielimiet blijft.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen2.5-14B-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct is een meertalig tekstmodel voor op instructies gebaseerde assistenten, code en wiskunde. De specifieke release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde editie in 14B-formaat van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en retourneert tekst: een uitleg, document, programmacode of gestructureerde velden. De ontwikkelaar benadrukt instructies volgen, programmeren, wiskunde, het begrijpen van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Verbeteringen van de familie
De ontwikkelaar beschrijft bredere kennis en sterkere programmeer- en wiskundige vaardigheden dan bij de voorgaande Qwen2-generatie, samen met het genereren van lange antwoorden en een betere omgang met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat volgens de beschrijving 18 biljoen tokens bereikt. Deze mogelijkheden ondersteunen een vakspecifieke assistent waarvan de taak de rol en uitvoer bepaalt. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één fase ontvangen. Definieer de rol van de lezer, vraag de acties die voor die fase relevant zijn en eis dat het antwoord de oorspronkelijke voorwaarden van de procedure behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie afzonderlijk tonen. Zo wordt een breed verzoek om advies een antwoord dat aan het aangeleverde proces gekoppeld is.
Lever voor een code-uitleg de functie, relevante definities van hulpfuncties en de invoer die onduidelijkheid veroorzaakt. Vraag de opeenvolging van bewerkingen en de waarde die voor die invoer wordt geretourneerd. Geef voor een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat u om de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijk numeriek hulpmiddel beschikbaar stellen is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking op. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Als de tabel ontbrekende waarden heeft, geef dan aan of het antwoord die afwezig moet laten of expliciet moet representeren.
Toon bij gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, voorraadhoeveelheid en magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen het record als een toepassing het zal parsen; vraag een afzonderlijke uitleg in lopende tekst als de gebruiker de broninterpretatie moet onderzoeken. Het gedocumenteerde vermogen van het model om JSON te genereren is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal vast en lever terminologie aan die ongewijzigd moet blijven. Vraag het model voor een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst aan de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waarvan 13,1 miljard geen embeddingparameters zijn, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en QKV-bias in de attention, met 40 querykoppen en 8 sleutel/waarde-koppen in grouped-query attention. Pretraining en post-training leveren deze Instruct-editie op. Het aantal parameters en lagen verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextcijfers overeenkomen.
De modelkaart vermeldt een volledige context van 131.072 tokens en generatie van maximaal 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is slechts een voorbeeld en vervangt de opgegeven antwoordcapaciteit van de kaart niet. Het begrijpen van beelden, video en audio behoort tot afzonderlijk benoemde multimodale releases, niet tot dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de ontwikkelaar past het bijbehorende chatsjabloon toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Lever een volledige vraag aan en label de brontekst, zodat een in de bron geciteerde instructie niet wordt verward met de taak die de toepassing geeft.
De officiële Qwen2.5-aankondiging beschrijft ook sjablonen voor toolaanroepen en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen aanlevert, de geselecteerde bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld om een berekening vragen met een aangeleverde rekentool; het functieresultaat wordt vervolgens informatie die het model kan uitleggen. De beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag levert.
Configuratie voor lange teksten
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke instelling van 32.768 maximale posities. Statische schaling kan het gedrag bij kortere teksten beïnvloeden, dus de ontwikkelaar raadt aan die toe te voegen wanneer lange context nodig is.
Benoem bij de voorbereiding van een lange bron het onderdeel dat herzien moet worden of de vraag die beantwoord moet worden, en houd de ondersteunende delen samen. Een duidelijke aanvraag kan om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke onderdeelverwijzingen vragen. Zo wordt de uitgebreide context voor een concreet resultaat gebruikt, terwijl het antwoord binnen de afzonderlijke generatielimiet blijft.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2.5-14b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 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":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct is een meertalig tekstmodel voor op instructies gebaseerde assistenten, code en wiskunde. De specifieke release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde editie in 14B-formaat van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en retourneert tekst: een uitleg, document, programmacode of gestructureerde velden. De ontwikkelaar benadrukt instructies volgen, programmeren, wiskunde, het begrijpen van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Verbeteringen van de familie
De ontwikkelaar beschrijft bredere kennis en sterkere programmeer- en wiskundige vaardigheden dan bij de voorgaande Qwen2-generatie, samen met het genereren van lange antwoorden en een betere omgang met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat volgens de beschrijving 18 biljoen tokens bereikt. Deze mogelijkheden ondersteunen een vakspecifieke assistent waarvan de taak de rol en uitvoer bepaalt. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één fase ontvangen. Definieer de rol van de lezer, vraag de acties die voor die fase relevant zijn en eis dat het antwoord de oorspronkelijke voorwaarden van de procedure behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie afzonderlijk tonen. Zo wordt een breed verzoek om advies een antwoord dat aan het aangeleverde proces gekoppeld is.
Lever voor een code-uitleg de functie, relevante definities van hulpfuncties en de invoer die onduidelijkheid veroorzaakt. Vraag de opeenvolging van bewerkingen en de waarde die voor die invoer wordt geretourneerd. Geef voor een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat u om de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijk numeriek hulpmiddel beschikbaar stellen is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking op. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Als de tabel ontbrekende waarden heeft, geef dan aan of het antwoord die afwezig moet laten of expliciet moet representeren.
Toon bij gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, voorraadhoeveelheid en magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen het record als een toepassing het zal parsen; vraag een afzonderlijke uitleg in lopende tekst als de gebruiker de broninterpretatie moet onderzoeken. Het gedocumenteerde vermogen van het model om JSON te genereren is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal vast en lever terminologie aan die ongewijzigd moet blijven. Vraag het model voor een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst aan de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waarvan 13,1 miljard geen embeddingparameters zijn, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en QKV-bias in de attention, met 40 querykoppen en 8 sleutel/waarde-koppen in grouped-query attention. Pretraining en post-training leveren deze Instruct-editie op. Het aantal parameters en lagen verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextcijfers overeenkomen.
De modelkaart vermeldt een volledige context van 131.072 tokens en generatie van maximaal 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is slechts een voorbeeld en vervangt de opgegeven antwoordcapaciteit van de kaart niet. Het begrijpen van beelden, video en audio behoort tot afzonderlijk benoemde multimodale releases, niet tot dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de ontwikkelaar past het bijbehorende chatsjabloon toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Lever een volledige vraag aan en label de brontekst, zodat een in de bron geciteerde instructie niet wordt verward met de taak die de toepassing geeft.
De officiële Qwen2.5-aankondiging beschrijft ook sjablonen voor toolaanroepen en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen aanlevert, de geselecteerde bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld om een berekening vragen met een aangeleverde rekentool; het functieresultaat wordt vervolgens informatie die het model kan uitleggen. De beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag levert.
Configuratie voor lange teksten
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke instelling van 32.768 maximale posities. Statische schaling kan het gedrag bij kortere teksten beïnvloeden, dus de ontwikkelaar raadt aan die toe te voegen wanneer lange context nodig is.
Benoem bij de voorbereiding van een lange bron het onderdeel dat herzien moet worden of de vraag die beantwoord moet worden, en houd de ondersteunende delen samen. Een duidelijke aanvraag kan om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke onderdeelverwijzingen vragen. Zo wordt de uitgebreide context voor een concreet resultaat gebruikt, terwijl het antwoord binnen de afzonderlijke generatielimiet blijft.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2.5-14b-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Technisch voorbeeld in het Engels
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.