Qwen2.5-Math-72B-Instruct is de op instructies afgestemde 72B-editie van de wiskundige Qwen2.5-Math-familie. De maker richt zich specifiek op wiskundige problemen in het Engels en Chinees en beschrijft twee aanpakken: chain-of-thought-redeneren en toolgeïntegreerd redeneren. Het model ontvangt een schriftelijke wiskundige voorwaarde en geeft tekst met een afleiding, uitleg of oplossing terug. De specialisatie is wiskunde en geen algemeen creatief schrijfwerk of documentverwerking.
Wiskundige mogelijkheden en redeneeraanpakken
Bij tekstueel redeneren vraagt de taak om de relevante definities, onderbouwde transformaties en een duidelijk gescheiden eindantwoord. De modelkaart beschrijft ook toolgeïntegreerd redeneren, waarbij redeneren in natuurlijke taal met programma’s wordt gecombineerd. De maker noemt het vinden van de wortels van een kwadratische vergelijking en het berekenen van de eigenwaarden van een matrix als voorbeelden waarbij precieze berekening en symbolische of algoritmische manipulatie van belang zijn.
Toolgeïntegreerd redeneren is niet hetzelfde als alleen code in een antwoord tonen. De wiskundige demo van de maker levert een omgeving die programma’s kan uitvoeren, waarna het berekeningsresultaat deel uitmaakt van de oplossing. Een op zichzelf staande tekstgeneratieaanvraag produceert tekst; een toepassing die een rekenworkflow gebruikt, moet de daadwerkelijke uitvoeringsstap leveren. Dat onderscheid houdt wiskundig redeneren, programmavoorstellen en teruggegeven numerieke resultaten gescheiden.
Base-, Instruct- en beloningsmodeledities
De familie omvat afzonderlijke basismodellen, op instructies afgestemde modellen en een wiskundig beloningsmodel. De 72B-Instruct-editie is bedoeld voor instructies in chatstijl. De basiseditie Qwen2.5-Math-72B wordt beschreven als een basis voor completion en few-shot-gebruik en als vertrekpunt voor verdere afstemming. Het afzonderlijk benoemde beloningsmodel heeft een eigen rol en mag niet als de gewone antwoordgenerator van dit model worden behandeld.
De releaseaankondiging beschrijft een wiskundig gespecialiseerde trainingspijplijn. De basismodellen gebruiken aanvullend gesynthetiseerd wiskundig materiaal, meer Chinese wiskundedata en initialisatie vanuit de Qwen2.5-basis. De Instruct-fase gebruikt supervised fine-tuning en reinforcement learning, met een wiskundespecifiek beloningsmodel dat rejection sampling en latere optimalisatie stuurt. De maker voegt data voor toolgeïntegreerd redeneren en Engelse en Chinese instructiedata toe. Dat verklaart de wiskundige focus van de editie; het impliceert niet dat voor elke gebruikersaanvraag automatisch een afzonderlijke verifier wordt aangeroepen.
De vraag voorbereiden
Houd de wiskundige opgave volledig. Definieer variabelen, domeinbeperkingen en de vast te stellen hoeveelheid of bewering. Gebruik notatie die consistent blijft tussen de oorspronkelijke voorwaarde en het gevraagde antwoord. Een bruikbare instructie kan om de methode, de belangrijke transformaties en het eindresultaat vragen, met een afzonderlijke toetsing aan de oorspronkelijke voorwaarden.
De snelstart van de maker onderscheidt de twee aanpakken via de instructies. Een aanvraag voor tekstueel redeneren vraagt om een stapsgewijze oplossing en een omkaderd eindantwoord. Een toolgeïntegreerde aanvraag vraagt het model redeneren in natuurlijke taal met programma’s te combineren en dezelfde eindantwoordconventie te behouden. Dit zijn gedocumenteerde wiskundige workflows, geen afzonderlijke belofte over tools die elke bedieningsinterface aanbiedt.
Ter illustratie is de eenvoudige vergelijking op de kaart 4x + 5 = 6x + 7. Een bruikbaar uitvoerontwerp scheidt het verzamelen van variabele termen, het isoleren van de variabele en de uiteindelijke uitdrukking; het wiskundige resultaat voor die illustratieve voorwaarde is x = -1. Substitutie geeft 4(-1) + 5 = 1 en 6(-1) + 7 = 1, dus beide zijden stemmen overeen. Een complexer verzoek kan een matrix aanleveren, om een symbolische eigenwaardenafleiding vragen en aangeven welke numerieke berekening aan de rekenomgeving zou worden gedelegeerd.
Context en configuratie
De gepubliceerde release beschrijft wiskundige pretraining met een context van 4K. De uitgebrachte modelconfiguratie stelt het maximum aantal posities in op 4,096, zodat de prompt en de uitgewerkte oplossing een compact lengteplan vereisen. Ken deze wiskundige editie niet de veel grotere context toe die voor de algemene Qwen2.5-lijn wordt geadverteerd. Houd relevante voorwaarden en wiskundige uitwerking samen en laat niet-gerelateerd materiaal dat die ruimte zou innemen weg.
De snelstartgeneratie op de modelkaart gebruikt een voorbeeldinstelling van 512 tokens. Die waarde wordt niet als maximale uitvoercapaciteit voorgesteld. Een gewenste antwoordlengte kan voor de taak worden opgegeven, maar een afzonderlijke uitvoerlimiet moet uit de daadwerkelijk toepasselijke configuratie komen en niet uit een voorbeeld of een andere Qwen-editie.
Inhoudelijke beperkingen en bruikbare resultaten
De maker beveelt deze reeks aan voor wiskundige taken in het Engels en Chinees en beveelt algemene taken buiten die specialisatie niet aan. De gewichten zijn tekstgeneratiemodellen; bij een wiskundige vraag in een afbeelding moeten de symbolen en voorwaarden via een afzonderlijke visuele of OCR-stap naar tekst worden omgezet. Een multimodale demonstratie die visuele en wiskundige modellen combineert, maakt de wiskundige editie zelf geen model met afbeeldingsinvoer.
Lever voor een begeleidingsworkflow de afleidingspoging van de lerende aan en markeer de overgang die uitleg vereist. Vraag om een correctie in de oorspronkelijke notatie en een eindantwoord op het gevraagde detailniveau. Specificeer voor een technische berekening exacte tegenover benaderende uitvoer, eenheden en afronding voordat je tekstueel redeneren of een rekenworkflow kiest. Die voorbereidingen verbinden de wiskundige specialisatie van het model met een concrete, inspecteerbare oplossing.
", "aboutText": "Qwen2.5-Math-72B-Instruct is de op instructies afgestemde 72B-editie van de wiskundige Qwen2.5-Math-familie. De maker richt zich specifiek op wiskundige problemen in het Engels en Chinees en beschrijft twee aanpakken: chain-of-thought-redeneren en toolgeïntegreerd redeneren. Het model ontvangt een schriftelijke wiskundige voorwaarde en geeft tekst met een afleiding, uitleg of oplossing terug. De specialisatie is wiskunde en geen algemeen creatief schrijfwerk of documentverwerking.\n\nWiskundige mogelijkheden en redeneeraanpakken\n\nBij tekstueel redeneren vraagt de taak om de relevante definities, onderbouwde transformaties en een duidelijk gescheiden eindantwoord. De modelkaart beschrijft ook toolgeïntegreerd redeneren, waarbij redeneren in natuurlijke taal met programma’s wordt gecombineerd. De maker noemt het vinden van de wortels van een kwadratische vergelijking en het berekenen van de eigenwaarden van een matrix als voorbeelden waarbij precieze berekening en symbolische of algoritmische manipulatie van belang zijn.\n\nToolgeïntegreerd redeneren is niet hetzelfde als alleen code in een antwoord tonen. De wiskundige demo van de maker levert een omgeving die programma’s kan uitvoeren, waarna het berekeningsresultaat deel uitmaakt van de oplossing. Een op zichzelf staande tekstgeneratieaanvraag produceert tekst; een toepassing die een rekenworkflow gebruikt, moet de daadwerkelijke uitvoeringsstap leveren. Dat onderscheid houdt wiskundig redeneren, programmavoorstellen en teruggegeven numerieke resultaten gescheiden.\n\nBase-, Instruct- en beloningsmodeledities\n\nDe familie omvat afzonderlijke basismodellen, op instructies afgestemde modellen en een wiskundig beloningsmodel. De 72B-Instruct-editie is bedoeld voor instructies in chatstijl. De basiseditie Qwen2.5-Math-72B wordt beschreven als een basis voor completion en few-shot-gebruik en als vertrekpunt voor verdere afstemming. Het afzonderlijk benoemde beloningsmodel heeft een eigen rol en mag niet als de gewone antwoordgenerator van dit model worden behandeld.\n\nDe releaseaankondiging beschrijft een wiskundig gespecialiseerde trainingspijplijn. De basismodellen gebruiken aanvullend gesynthetiseerd wiskundig materiaal, meer Chinese wiskundedata en initialisatie vanuit de Qwen2.5-basis. De Instruct-fase gebruikt supervised fine-tuning en reinforcement learning, met een wiskundespecifiek beloningsmodel dat rejection sampling en latere optimalisatie stuurt. De maker voegt data voor toolgeïntegreerd redeneren en Engelse en Chinese instructiedata toe. Dat verklaart de wiskundige focus van de editie; het impliceert niet dat voor elke gebruikersaanvraag automatisch een afzonderlijke verifier wordt aangeroepen.\n\nDe vraag voorbereiden\n\nHoud de wiskundige opgave volledig. Definieer variabelen, domeinbeperkingen en de vast te stellen hoeveelheid of bewering. Gebruik notatie die consistent blijft tussen de oorspronkelijke voorwaarde en het gevraagde antwoord. Een bruikbare instructie kan om de methode, de belangrijke transformaties en het eindresultaat vragen, met een afzonderlijke toetsing aan de oorspronkelijke voorwaarden.\n\nDe snelstart van de maker onderscheidt de twee aanpakken via de instructies. Een aanvraag voor tekstueel redeneren vraagt om een stapsgewijze oplossing en een omkaderd eindantwoord. Een toolgeïntegreerde aanvraag vraagt het model redeneren in natuurlijke taal met programma’s te combineren en dezelfde eindantwoordconventie te behouden. Dit zijn gedocumenteerde wiskundige workflows, geen afzonderlijke belofte over tools die elke bedieningsinterface aanbiedt.\n\nTer illustratie is de eenvoudige vergelijking op de kaart 4x + 5 = 6x + 7. Een bruikbaar uitvoerontwerp scheidt het verzamelen van variabele termen, het isoleren van de variabele en de uiteindelijke uitdrukking; het wiskundige resultaat voor die illustratieve voorwaarde is x = -1. Substitutie geeft 4(-1) + 5 = 1 en 6(-1) + 7 = 1, dus beide zijden stemmen overeen. Een complexer verzoek kan een matrix aanleveren, om een symbolische eigenwaardenafleiding vragen en aangeven welke numerieke berekening aan de rekenomgeving zou worden gedelegeerd.\n\nContext en configuratie\n\nDe gepubliceerde release beschrijft wiskundige pretraining met een context van 4K. De uitgebrachte modelconfiguratie stelt het maximum aantal posities in op 4,096, zodat de prompt en de uitgewerkte oplossing een compact lengteplan vereisen. Ken deze wiskundige editie niet de veel grotere context toe die voor de algemene Qwen2.5-lijn wordt geadverteerd. Houd relevante voorwaarden en wiskundige uitwerking samen en laat niet-gerelateerd materiaal dat die ruimte zou innemen weg.\n\nDe snelstartgeneratie op de modelkaart gebruikt een voorbeeldinstelling van 512 tokens. Die waarde wordt niet als maximale uitvoercapaciteit voorgesteld. Een gewenste antwoordlengte kan voor de taak worden opgegeven, maar een afzonderlijke uitvoerlimiet moet uit de daadwerkelijk toepasselijke configuratie komen en niet uit een voorbeeld of een andere Qwen-editie.\n\nInhoudelijke beperkingen en bruikbare resultaten\n\nDe maker beveelt deze reeks aan voor wiskundige taken in het Engels en Chinees en beveelt algemene taken buiten die specialisatie niet aan. De gewichten zijn tekstgeneratiemodellen; bij een wiskundige vraag in een afbeelding moeten de symbolen en voorwaarden via een afzonderlijke visuele of OCR-stap naar tekst worden omgezet. Een multimodale demonstratie die visuele en wiskundige modellen combineert, maakt de wiskundige editie zelf geen model met afbeeldingsinvoer.\n\nLever voor een begeleidingsworkflow de afleidingspoging van de lerende aan en markeer de overgang die uitleg vereist. Vraag om een correctie in de oorspronkelijke notatie en een eindantwoord op het gevraagde detailniveau. Specificeer voor een technische berekening exacte tegenover benaderende uitvoer, eenheden en afronding voordat je tekstueel redeneren of een rekenworkflow kiest. Die voorbereidingen verbinden de wiskundige specialisatie van het model met een concrete, inspecteerbare oplossing.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct is een wiskundig instructiemodel voor problemen in het Engels en Chinees. Het ondersteunt uitgewerkt tekstueel redeneren en toolgeïntegreerde wiskundige workflows, met een afzonderlijke 4K-releaseconfiguratie in plaats van de algemene Qwen2.5-specificaties voor lange context.
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-Math-72B-Instruct is de op instructies afgestemde 72B-editie van de wiskundige Qwen2.5-Math-familie. De maker richt zich specifiek op wiskundige problemen in het Engels en Chinees en beschrijft twee aanpakken: chain-of-thought-redeneren en toolgeïntegreerd redeneren. Het model ontvangt een schriftelijke wiskundige voorwaarde en geeft tekst met een afleiding, uitleg of oplossing terug. De specialisatie is wiskunde en geen algemeen creatief schrijfwerk of documentverwerking.
Wiskundige mogelijkheden en redeneeraanpakken
Bij tekstueel redeneren vraagt de taak om de relevante definities, onderbouwde transformaties en een duidelijk gescheiden eindantwoord. De modelkaart beschrijft ook toolgeïntegreerd redeneren, waarbij redeneren in natuurlijke taal met programma’s wordt gecombineerd. De maker noemt het vinden van de wortels van een kwadratische vergelijking en het berekenen van de eigenwaarden van een matrix als voorbeelden waarbij precieze berekening en symbolische of algoritmische manipulatie van belang zijn.
Toolgeïntegreerd redeneren is niet hetzelfde als alleen code in een antwoord tonen. De wiskundige demo van de maker levert een omgeving die programma’s kan uitvoeren, waarna het berekeningsresultaat deel uitmaakt van de oplossing. Een op zichzelf staande tekstgeneratieaanvraag produceert tekst; een toepassing die een rekenworkflow gebruikt, moet de daadwerkelijke uitvoeringsstap leveren. Dat onderscheid houdt wiskundig redeneren, programmavoorstellen en teruggegeven numerieke resultaten gescheiden.
Base-, Instruct- en beloningsmodeledities
De familie omvat afzonderlijke basismodellen, op instructies afgestemde modellen en een wiskundig beloningsmodel. De 72B-Instruct-editie is bedoeld voor instructies in chatstijl. De basiseditie Qwen2.5-Math-72B wordt beschreven als een basis voor completion en few-shot-gebruik en als vertrekpunt voor verdere afstemming. Het afzonderlijk benoemde beloningsmodel heeft een eigen rol en mag niet als de gewone antwoordgenerator van dit model worden behandeld.
De releaseaankondiging beschrijft een wiskundig gespecialiseerde trainingspijplijn. De basismodellen gebruiken aanvullend gesynthetiseerd wiskundig materiaal, meer Chinese wiskundedata en initialisatie vanuit de Qwen2.5-basis. De Instruct-fase gebruikt supervised fine-tuning en reinforcement learning, met een wiskundespecifiek beloningsmodel dat rejection sampling en latere optimalisatie stuurt. De maker voegt data voor toolgeïntegreerd redeneren en Engelse en Chinese instructiedata toe. Dat verklaart de wiskundige focus van de editie; het impliceert niet dat voor elke gebruikersaanvraag automatisch een afzonderlijke verifier wordt aangeroepen.
De vraag voorbereiden
Houd de wiskundige opgave volledig. Definieer variabelen, domeinbeperkingen en de vast te stellen hoeveelheid of bewering. Gebruik notatie die consistent blijft tussen de oorspronkelijke voorwaarde en het gevraagde antwoord. Een bruikbare instructie kan om de methode, de belangrijke transformaties en het eindresultaat vragen, met een afzonderlijke toetsing aan de oorspronkelijke voorwaarden.
De snelstart van de maker onderscheidt de twee aanpakken via de instructies. Een aanvraag voor tekstueel redeneren vraagt om een stapsgewijze oplossing en een omkaderd eindantwoord. Een toolgeïntegreerde aanvraag vraagt het model redeneren in natuurlijke taal met programma’s te combineren en dezelfde eindantwoordconventie te behouden. Dit zijn gedocumenteerde wiskundige workflows, geen afzonderlijke belofte over tools die elke bedieningsinterface aanbiedt.
Ter illustratie is de eenvoudige vergelijking op de kaart 4x + 5 = 6x + 7. Een bruikbaar uitvoerontwerp scheidt het verzamelen van variabele termen, het isoleren van de variabele en de uiteindelijke uitdrukking; het wiskundige resultaat voor die illustratieve voorwaarde is x = -1. Substitutie geeft 4(-1) + 5 = 1 en 6(-1) + 7 = 1, dus beide zijden stemmen overeen. Een complexer verzoek kan een matrix aanleveren, om een symbolische eigenwaardenafleiding vragen en aangeven welke numerieke berekening aan de rekenomgeving zou worden gedelegeerd.
Context en configuratie
De gepubliceerde release beschrijft wiskundige pretraining met een context van 4K. De uitgebrachte modelconfiguratie stelt het maximum aantal posities in op 4,096, zodat de prompt en de uitgewerkte oplossing een compact lengteplan vereisen. Ken deze wiskundige editie niet de veel grotere context toe die voor de algemene Qwen2.5-lijn wordt geadverteerd. Houd relevante voorwaarden en wiskundige uitwerking samen en laat niet-gerelateerd materiaal dat die ruimte zou innemen weg.
De snelstartgeneratie op de modelkaart gebruikt een voorbeeldinstelling van 512 tokens. Die waarde wordt niet als maximale uitvoercapaciteit voorgesteld. Een gewenste antwoordlengte kan voor de taak worden opgegeven, maar een afzonderlijke uitvoerlimiet moet uit de daadwerkelijk toepasselijke configuratie komen en niet uit een voorbeeld of een andere Qwen-editie.
Inhoudelijke beperkingen en bruikbare resultaten
De maker beveelt deze reeks aan voor wiskundige taken in het Engels en Chinees en beveelt algemene taken buiten die specialisatie niet aan. De gewichten zijn tekstgeneratiemodellen; bij een wiskundige vraag in een afbeelding moeten de symbolen en voorwaarden via een afzonderlijke visuele of OCR-stap naar tekst worden omgezet. Een multimodale demonstratie die visuele en wiskundige modellen combineert, maakt de wiskundige editie zelf geen model met afbeeldingsinvoer.
Lever voor een begeleidingsworkflow de afleidingspoging van de lerende aan en markeer de overgang die uitleg vereist. Vraag om een correctie in de oorspronkelijke notatie en een eindantwoord op het gevraagde detailniveau. Specificeer voor een technische berekening exacte tegenover benaderende uitvoer, eenheden en afronding voordat je tekstueel redeneren of een rekenworkflow kiest. Die voorbereidingen verbinden de wiskundige specialisatie van het model met een concrete, inspecteerbare oplossing.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2.5-math-72b-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 $0.001144 / 1K tokens Uitvoer · Uitvoertokens $0.00344 / 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-math-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-math-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-math-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen2.5-math-72b-instruct
Gebruik de hierboven getoonde methodepaden.
qwen2.5-math-72b-instructQwen2.5-Math-72B-Instruct is een wiskundig instructiemodel voor problemen in het Engels en Chinees. Het ondersteunt uitgewerkt tekstueel redeneren en toolgeïntegreerde wiskundige workflows, met een afzonderlijke 4K-releaseconfiguratie in plaats van de algemene Qwen2.5-specificaties voor lange context.
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-Math-72B-Instruct is de op instructies afgestemde 72B-editie van de wiskundige Qwen2.5-Math-familie. De maker richt zich specifiek op wiskundige problemen in het Engels en Chinees en beschrijft twee aanpakken: chain-of-thought-redeneren en toolgeïntegreerd redeneren. Het model ontvangt een schriftelijke wiskundige voorwaarde en geeft tekst met een afleiding, uitleg of oplossing terug. De specialisatie is wiskunde en geen algemeen creatief schrijfwerk of documentverwerking.
Wiskundige mogelijkheden en redeneeraanpakken
Bij tekstueel redeneren vraagt de taak om de relevante definities, onderbouwde transformaties en een duidelijk gescheiden eindantwoord. De modelkaart beschrijft ook toolgeïntegreerd redeneren, waarbij redeneren in natuurlijke taal met programma’s wordt gecombineerd. De maker noemt het vinden van de wortels van een kwadratische vergelijking en het berekenen van de eigenwaarden van een matrix als voorbeelden waarbij precieze berekening en symbolische of algoritmische manipulatie van belang zijn.
Toolgeïntegreerd redeneren is niet hetzelfde als alleen code in een antwoord tonen. De wiskundige demo van de maker levert een omgeving die programma’s kan uitvoeren, waarna het berekeningsresultaat deel uitmaakt van de oplossing. Een op zichzelf staande tekstgeneratieaanvraag produceert tekst; een toepassing die een rekenworkflow gebruikt, moet de daadwerkelijke uitvoeringsstap leveren. Dat onderscheid houdt wiskundig redeneren, programmavoorstellen en teruggegeven numerieke resultaten gescheiden.
Base-, Instruct- en beloningsmodeledities
De familie omvat afzonderlijke basismodellen, op instructies afgestemde modellen en een wiskundig beloningsmodel. De 72B-Instruct-editie is bedoeld voor instructies in chatstijl. De basiseditie Qwen2.5-Math-72B wordt beschreven als een basis voor completion en few-shot-gebruik en als vertrekpunt voor verdere afstemming. Het afzonderlijk benoemde beloningsmodel heeft een eigen rol en mag niet als de gewone antwoordgenerator van dit model worden behandeld.
De releaseaankondiging beschrijft een wiskundig gespecialiseerde trainingspijplijn. De basismodellen gebruiken aanvullend gesynthetiseerd wiskundig materiaal, meer Chinese wiskundedata en initialisatie vanuit de Qwen2.5-basis. De Instruct-fase gebruikt supervised fine-tuning en reinforcement learning, met een wiskundespecifiek beloningsmodel dat rejection sampling en latere optimalisatie stuurt. De maker voegt data voor toolgeïntegreerd redeneren en Engelse en Chinese instructiedata toe. Dat verklaart de wiskundige focus van de editie; het impliceert niet dat voor elke gebruikersaanvraag automatisch een afzonderlijke verifier wordt aangeroepen.
De vraag voorbereiden
Houd de wiskundige opgave volledig. Definieer variabelen, domeinbeperkingen en de vast te stellen hoeveelheid of bewering. Gebruik notatie die consistent blijft tussen de oorspronkelijke voorwaarde en het gevraagde antwoord. Een bruikbare instructie kan om de methode, de belangrijke transformaties en het eindresultaat vragen, met een afzonderlijke toetsing aan de oorspronkelijke voorwaarden.
De snelstart van de maker onderscheidt de twee aanpakken via de instructies. Een aanvraag voor tekstueel redeneren vraagt om een stapsgewijze oplossing en een omkaderd eindantwoord. Een toolgeïntegreerde aanvraag vraagt het model redeneren in natuurlijke taal met programma’s te combineren en dezelfde eindantwoordconventie te behouden. Dit zijn gedocumenteerde wiskundige workflows, geen afzonderlijke belofte over tools die elke bedieningsinterface aanbiedt.
Ter illustratie is de eenvoudige vergelijking op de kaart 4x + 5 = 6x + 7. Een bruikbaar uitvoerontwerp scheidt het verzamelen van variabele termen, het isoleren van de variabele en de uiteindelijke uitdrukking; het wiskundige resultaat voor die illustratieve voorwaarde is x = -1. Substitutie geeft 4(-1) + 5 = 1 en 6(-1) + 7 = 1, dus beide zijden stemmen overeen. Een complexer verzoek kan een matrix aanleveren, om een symbolische eigenwaardenafleiding vragen en aangeven welke numerieke berekening aan de rekenomgeving zou worden gedelegeerd.
Context en configuratie
De gepubliceerde release beschrijft wiskundige pretraining met een context van 4K. De uitgebrachte modelconfiguratie stelt het maximum aantal posities in op 4,096, zodat de prompt en de uitgewerkte oplossing een compact lengteplan vereisen. Ken deze wiskundige editie niet de veel grotere context toe die voor de algemene Qwen2.5-lijn wordt geadverteerd. Houd relevante voorwaarden en wiskundige uitwerking samen en laat niet-gerelateerd materiaal dat die ruimte zou innemen weg.
De snelstartgeneratie op de modelkaart gebruikt een voorbeeldinstelling van 512 tokens. Die waarde wordt niet als maximale uitvoercapaciteit voorgesteld. Een gewenste antwoordlengte kan voor de taak worden opgegeven, maar een afzonderlijke uitvoerlimiet moet uit de daadwerkelijk toepasselijke configuratie komen en niet uit een voorbeeld of een andere Qwen-editie.
Inhoudelijke beperkingen en bruikbare resultaten
De maker beveelt deze reeks aan voor wiskundige taken in het Engels en Chinees en beveelt algemene taken buiten die specialisatie niet aan. De gewichten zijn tekstgeneratiemodellen; bij een wiskundige vraag in een afbeelding moeten de symbolen en voorwaarden via een afzonderlijke visuele of OCR-stap naar tekst worden omgezet. Een multimodale demonstratie die visuele en wiskundige modellen combineert, maakt de wiskundige editie zelf geen model met afbeeldingsinvoer.
Lever voor een begeleidingsworkflow de afleidingspoging van de lerende aan en markeer de overgang die uitleg vereist. Vraag om een correctie in de oorspronkelijke notatie en een eindantwoord op het gevraagde detailniveau. Specificeer voor een technische berekening exacte tegenover benaderende uitvoer, eenheden en afronding voordat je tekstueel redeneren of een rekenworkflow kiest. Die voorbereidingen verbinden de wiskundige specialisatie van het model met een concrete, inspecteerbare oplossing.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2.5-math-72b-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 $0.001144 / 1K tokens Uitvoer · Uitvoertokens $0.00344 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen2.5-math-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-math-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-math-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2.5-math-72b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Solve a quadratic with a domain check\n\nSolve x squared minus 5x plus 6 = 0 over the real numbers, then apply the additional condition x greater than 2. Show the factorisation, list the equation's roots, and clearly separate the root that remains after the condition. Check the accepted value by substitution and put the final admissible set in boxed mathematical notation.A compact factorisation-based derivation, substitution check and boxed admissible solution set.Both equation roots are considered before the strict inequality excludes the boundary value 2.