Qwen2-7B-Instruct is de op instructies afgestemde editie van Qwen2 in 7B-formaat, voor gesprekken en taken die in natuurlijke taal worden uitgedrukt. Het is een model met tekstinvoer en tekstuitvoer: het antwoord kan een uitleg, vertaling, documentconcept of programmacode zijn. De ontwikkelaar noemt taalbegrip, generatie, meertalig werk, programmeren, wiskunde en redeneren als belangrijkste toepassingsgebieden.
Modeldetails
Qwen2 omvat afzonderlijke basisreleases en releases die op instructies zijn afgestemd. Deze kaart gaat over de Instruct-editie, niet over het Qwen2-7B-basismodel of de mixture-of-experts-release van de familie. De modelinformatietabel van de ontwikkelaar vermeldt 7,07 miljard parameters voor het model in 7B-formaat. De decoder-Transformer gebruikt SwiGLU, QKV-bias in de attention en grouped-query attention, met een tokenizer die voor natuurlijke talen en code is ontworpen. Dit zijn architectuur- en representatiekeuzes, geen aanvullende invoermodaliteiten.
De releaseaankondiging beschrijft training in Engels en Chinees, plus 27 bijkomende talen. Die omvatten Russisch, Tsjechisch en Pools; Duits, Frans en Spaans; Arabisch, Perzisch en Turks; Japans en Koreaans; en verdere talen uit Zuid- en Zuidoost-Azië. Een meertalige assistent kan daarom een instructie en bronmateriaal in verschillende talen ontvangen, maar de taal, terminologie en doelgroep van het eindresultaat zouden nog steeds moeten worden opgegeven.
Training en het onderscheid van Instruct
Na pretraining gebruikt de ontwikkelaar supervised fine-tuning en directe voorkeuroptimalisatie. De op instructies afgestemde editie is bedoeld om in een gesprek op een verzoek te reageren, terwijl de basiseditie een andere rol als taalmodelfundament heeft. Houd de editienaam expliciet wanneer u een model kiest of promptgedrag vergelijkt. Een model trainen om instructies te volgen en het bij gebruik een precieze instructie geven zijn complementaire onderdelen van die werkwijze.
Gespreksinvoer voorbereiden
De snelstart van de modelkaart scheidt een systeeminstructie van de gebruikersvraag en past vóór generatie het bijbehorende chatsjabloon toe. Voor een taak op toepassingsniveau is hetzelfde praktische onderscheid nuttig: definieer de rol en antwoordregels van de assistent afzonderlijk van de bronpassage of code waaraan die moet werken. Een tekstlabel binnen een document vervangt geen correct geformatteerde gespreksrollen in de omringende interface.
Een technische uitlegtaak kan een functie en één invoervoorbeeld aanleveren en vervolgens vragen wat elke vertakking doet en welke voorwaarden het resultaat beïnvloeden. Een programmeertaak kan de geaccepteerde invoer, verwachte retourwaarde en beperkingen voor het veranderen van bestaand gedrag opgeven. Vraag de implementatie gevolgd door voorbeelden voor een normaal geval en een randgeval. Dit zijn toepassingen van de gedocumenteerde taal- en programmeervaardigheden; code genereren levert tekst op, terwijl de uitvoering bij de toepassingsomgeving hoort.
Lever voor meertalige redactie de oorspronkelijke passage, de doelgroep en een kleine terminologielijst aan. Vraag een herziening die de oorspronkelijke namen en voorwaarden behoudt, gevolgd door een korte uitleg van de wijzigingen. Dat is specifieker dan een verzoek om de tekst te verbeteren: het definieert welke betekenis behouden moet blijven en welke bruikbare uitvoer moet worden teruggegeven.
Lange teksten verwerken
De ontwikkelaar documenteert contextondersteuning tot 131.072 tokens, maar de instructies voor lange context zijn belangrijk. Invoer boven 32.768 tokens vereist de gedocumenteerde YaRN-uitbreidingsconfiguratie. Het gepubliceerde voorbeeld gebruikt een schaalfactor van 4,0 met een oorspronkelijke positie-instelling van 32.768. De ontwikkelaar merkt op dat de statische uitbreiding het gedrag bij kortere teksten kan beïnvloeden en raadt aan die in te schakelen wanneer verwerking van lange context daadwerkelijk nodig is.
Bereid een taak met een lang document voor met een gerichte vraag, benoemde brononderdelen en een expliciete uitvoerstructuur. Lever bijvoorbeeld verschillende delen van een technische specificatie aan en vraag de vereisten die voor een bepaalde wijziging relevant zijn, met het brononderdeel naast elke bevinding. Een groot invoervenster is nuttig om die delen samen te houden; het antwoord kan toch een compacte tabel zijn in plaats van een hervertelling van het volledige document.
Belangrijke grenzen
Het cijfer van 131.072 tokens is ondersteuning voor uitgebreide context, geen toestemming om de langcontextconfiguratie te negeren. De 512 gegenereerde tokens in het snelstartvoorbeeld zijn een voorbeeldinstelling, geen gepubliceerde maximale uitvoercapaciteit. Deze Instruct-release is een tekstmodel en hoort geen beeld- of videomogelijkheden van Qwen-VL of de gespecialiseerde toolgeïntegreerde wiskundetraining van Qwen2.5-Math over te nemen. Kies de benoemde editie en bereid de tekst voor op de specifieke uitleg, code of het document dat u nodig hebt.
", "aboutText": "Qwen2-7B-Instruct is de op instructies afgestemde editie van Qwen2 in 7B-formaat, voor gesprekken en taken die in natuurlijke taal worden uitgedrukt. Het is een model met tekstinvoer en tekstuitvoer: het antwoord kan een uitleg, vertaling, documentconcept of programmacode zijn. De ontwikkelaar noemt taalbegrip, generatie, meertalig werk, programmeren, wiskunde en redeneren als belangrijkste toepassingsgebieden.\n\nModeldetails\n\nQwen2 omvat afzonderlijke basisreleases en releases die op instructies zijn afgestemd. Deze kaart gaat over de Instruct-editie, niet over het Qwen2-7B-basismodel of de mixture-of-experts-release van de familie. De modelinformatietabel van de ontwikkelaar vermeldt 7,07 miljard parameters voor het model in 7B-formaat. De decoder-Transformer gebruikt SwiGLU, QKV-bias in de attention en grouped-query attention, met een tokenizer die voor natuurlijke talen en code is ontworpen. Dit zijn architectuur- en representatiekeuzes, geen aanvullende invoermodaliteiten.\n\nDe releaseaankondiging beschrijft training in Engels en Chinees, plus 27 bijkomende talen. Die omvatten Russisch, Tsjechisch en Pools; Duits, Frans en Spaans; Arabisch, Perzisch en Turks; Japans en Koreaans; en verdere talen uit Zuid- en Zuidoost-Azië. Een meertalige assistent kan daarom een instructie en bronmateriaal in verschillende talen ontvangen, maar de taal, terminologie en doelgroep van het eindresultaat zouden nog steeds moeten worden opgegeven.\n\nTraining en het onderscheid van Instruct\n\nNa pretraining gebruikt de ontwikkelaar supervised fine-tuning en directe voorkeuroptimalisatie. De op instructies afgestemde editie is bedoeld om in een gesprek op een verzoek te reageren, terwijl de basiseditie een andere rol als taalmodelfundament heeft. Houd de editienaam expliciet wanneer u een model kiest of promptgedrag vergelijkt. Een model trainen om instructies te volgen en het bij gebruik een precieze instructie geven zijn complementaire onderdelen van die werkwijze.\n\nGespreksinvoer voorbereiden\n\nDe snelstart van de modelkaart scheidt een systeeminstructie van de gebruikersvraag en past vóór generatie het bijbehorende chatsjabloon toe. Voor een taak op toepassingsniveau is hetzelfde praktische onderscheid nuttig: definieer de rol en antwoordregels van de assistent afzonderlijk van de bronpassage of code waaraan die moet werken. Een tekstlabel binnen een document vervangt geen correct geformatteerde gespreksrollen in de omringende interface.\n\nEen technische uitlegtaak kan een functie en één invoervoorbeeld aanleveren en vervolgens vragen wat elke vertakking doet en welke voorwaarden het resultaat beïnvloeden. Een programmeertaak kan de geaccepteerde invoer, verwachte retourwaarde en beperkingen voor het veranderen van bestaand gedrag opgeven. Vraag de implementatie gevolgd door voorbeelden voor een normaal geval en een randgeval. Dit zijn toepassingen van de gedocumenteerde taal- en programmeervaardigheden; code genereren levert tekst op, terwijl de uitvoering bij de toepassingsomgeving hoort.\n\nLever voor meertalige redactie de oorspronkelijke passage, de doelgroep en een kleine terminologielijst aan. Vraag een herziening die de oorspronkelijke namen en voorwaarden behoudt, gevolgd door een korte uitleg van de wijzigingen. Dat is specifieker dan een verzoek om de tekst te verbeteren: het definieert welke betekenis behouden moet blijven en welke bruikbare uitvoer moet worden teruggegeven.\n\nLange teksten verwerken\n\nDe ontwikkelaar documenteert contextondersteuning tot 131.072 tokens, maar de instructies voor lange context zijn belangrijk. Invoer boven 32.768 tokens vereist de gedocumenteerde YaRN-uitbreidingsconfiguratie. Het gepubliceerde voorbeeld gebruikt een schaalfactor van 4,0 met een oorspronkelijke positie-instelling van 32.768. De ontwikkelaar merkt op dat de statische uitbreiding het gedrag bij kortere teksten kan beïnvloeden en raadt aan die in te schakelen wanneer verwerking van lange context daadwerkelijk nodig is.\n\nBereid een taak met een lang document voor met een gerichte vraag, benoemde brononderdelen en een expliciete uitvoerstructuur. Lever bijvoorbeeld verschillende delen van een technische specificatie aan en vraag de vereisten die voor een bepaalde wijziging relevant zijn, met het brononderdeel naast elke bevinding. Een groot invoervenster is nuttig om die delen samen te houden; het antwoord kan toch een compacte tabel zijn in plaats van een hervertelling van het volledige document.\n\nBelangrijke grenzen\n\nHet cijfer van 131.072 tokens is ondersteuning voor uitgebreide context, geen toestemming om de langcontextconfiguratie te negeren. De 512 gegenereerde tokens in het snelstartvoorbeeld zijn een voorbeeldinstelling, geen gepubliceerde maximale uitvoercapaciteit. Deze Instruct-release is een tekstmodel en hoort geen beeld- of videomogelijkheden van Qwen-VL of de gespecialiseerde toolgeïntegreerde wiskundetraining van Qwen2.5-Math over te nemen. Kies de benoemde editie en bereid de tekst voor op de specifieke uitleg, code of het document dat u nodig hebt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0462be966564e031cd25fec14042662ea1c2714ec932cd703c810ca834d60267", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "qwen2-7b-instructQwen2-7B-Instruct is een op instructies afgestemd tekstmodel voor meertalige dialoog, programmeren, wiskunde en redeneren. De ontwikkelaar documenteert een context van maximaal 131.072 tokens wanneer de langcontextconfiguratie is ingeschakeld.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2-7B-Instruct is de op instructies afgestemde editie van Qwen2 in 7B-formaat, voor gesprekken en taken die in natuurlijke taal worden uitgedrukt. Het is een model met tekstinvoer en tekstuitvoer: het antwoord kan een uitleg, vertaling, documentconcept of programmacode zijn. De ontwikkelaar noemt taalbegrip, generatie, meertalig werk, programmeren, wiskunde en redeneren als belangrijkste toepassingsgebieden.
Modeldetails
Qwen2 omvat afzonderlijke basisreleases en releases die op instructies zijn afgestemd. Deze kaart gaat over de Instruct-editie, niet over het Qwen2-7B-basismodel of de mixture-of-experts-release van de familie. De modelinformatietabel van de ontwikkelaar vermeldt 7,07 miljard parameters voor het model in 7B-formaat. De decoder-Transformer gebruikt SwiGLU, QKV-bias in de attention en grouped-query attention, met een tokenizer die voor natuurlijke talen en code is ontworpen. Dit zijn architectuur- en representatiekeuzes, geen aanvullende invoermodaliteiten.
De releaseaankondiging beschrijft training in Engels en Chinees, plus 27 bijkomende talen. Die omvatten Russisch, Tsjechisch en Pools; Duits, Frans en Spaans; Arabisch, Perzisch en Turks; Japans en Koreaans; en verdere talen uit Zuid- en Zuidoost-Azië. Een meertalige assistent kan daarom een instructie en bronmateriaal in verschillende talen ontvangen, maar de taal, terminologie en doelgroep van het eindresultaat zouden nog steeds moeten worden opgegeven.
Training en het onderscheid van Instruct
Na pretraining gebruikt de ontwikkelaar supervised fine-tuning en directe voorkeuroptimalisatie. De op instructies afgestemde editie is bedoeld om in een gesprek op een verzoek te reageren, terwijl de basiseditie een andere rol als taalmodelfundament heeft. Houd de editienaam expliciet wanneer u een model kiest of promptgedrag vergelijkt. Een model trainen om instructies te volgen en het bij gebruik een precieze instructie geven zijn complementaire onderdelen van die werkwijze.
Gespreksinvoer voorbereiden
De snelstart van de modelkaart scheidt een systeeminstructie van de gebruikersvraag en past vóór generatie het bijbehorende chatsjabloon toe. Voor een taak op toepassingsniveau is hetzelfde praktische onderscheid nuttig: definieer de rol en antwoordregels van de assistent afzonderlijk van de bronpassage of code waaraan die moet werken. Een tekstlabel binnen een document vervangt geen correct geformatteerde gespreksrollen in de omringende interface.
Een technische uitlegtaak kan een functie en één invoervoorbeeld aanleveren en vervolgens vragen wat elke vertakking doet en welke voorwaarden het resultaat beïnvloeden. Een programmeertaak kan de geaccepteerde invoer, verwachte retourwaarde en beperkingen voor het veranderen van bestaand gedrag opgeven. Vraag de implementatie gevolgd door voorbeelden voor een normaal geval en een randgeval. Dit zijn toepassingen van de gedocumenteerde taal- en programmeervaardigheden; code genereren levert tekst op, terwijl de uitvoering bij de toepassingsomgeving hoort.
Lever voor meertalige redactie de oorspronkelijke passage, de doelgroep en een kleine terminologielijst aan. Vraag een herziening die de oorspronkelijke namen en voorwaarden behoudt, gevolgd door een korte uitleg van de wijzigingen. Dat is specifieker dan een verzoek om de tekst te verbeteren: het definieert welke betekenis behouden moet blijven en welke bruikbare uitvoer moet worden teruggegeven.
Lange teksten verwerken
De ontwikkelaar documenteert contextondersteuning tot 131.072 tokens, maar de instructies voor lange context zijn belangrijk. Invoer boven 32.768 tokens vereist de gedocumenteerde YaRN-uitbreidingsconfiguratie. Het gepubliceerde voorbeeld gebruikt een schaalfactor van 4,0 met een oorspronkelijke positie-instelling van 32.768. De ontwikkelaar merkt op dat de statische uitbreiding het gedrag bij kortere teksten kan beïnvloeden en raadt aan die in te schakelen wanneer verwerking van lange context daadwerkelijk nodig is.
Bereid een taak met een lang document voor met een gerichte vraag, benoemde brononderdelen en een expliciete uitvoerstructuur. Lever bijvoorbeeld verschillende delen van een technische specificatie aan en vraag de vereisten die voor een bepaalde wijziging relevant zijn, met het brononderdeel naast elke bevinding. Een groot invoervenster is nuttig om die delen samen te houden; het antwoord kan toch een compacte tabel zijn in plaats van een hervertelling van het volledige document.
Belangrijke grenzen
Het cijfer van 131.072 tokens is ondersteuning voor uitgebreide context, geen toestemming om de langcontextconfiguratie te negeren. De 512 gegenereerde tokens in het snelstartvoorbeeld zijn een voorbeeldinstelling, geen gepubliceerde maximale uitvoercapaciteit. Deze Instruct-release is een tekstmodel en hoort geen beeld- of videomogelijkheden van Qwen-VL of de gespecialiseerde toolgeïntegreerde wiskundetraining van Qwen2.5-Math over te nemen. Kies de benoemde editie en bereid de tekst voor op de specifieke uitleg, code of het document dat u nodig hebt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2-7b-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 $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.00058 / 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":"qwen2-7b-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="qwen2-7b-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 qwen2-7b-instruct
/chat/completions
qwen2-7b-instructQwen2-7B-Instruct is een op instructies afgestemd tekstmodel voor meertalige dialoog, programmeren, wiskunde en redeneren. De ontwikkelaar documenteert een context van maximaal 131.072 tokens wanneer de langcontextconfiguratie is ingeschakeld.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2-7B-Instruct is de op instructies afgestemde editie van Qwen2 in 7B-formaat, voor gesprekken en taken die in natuurlijke taal worden uitgedrukt. Het is een model met tekstinvoer en tekstuitvoer: het antwoord kan een uitleg, vertaling, documentconcept of programmacode zijn. De ontwikkelaar noemt taalbegrip, generatie, meertalig werk, programmeren, wiskunde en redeneren als belangrijkste toepassingsgebieden.
Modeldetails
Qwen2 omvat afzonderlijke basisreleases en releases die op instructies zijn afgestemd. Deze kaart gaat over de Instruct-editie, niet over het Qwen2-7B-basismodel of de mixture-of-experts-release van de familie. De modelinformatietabel van de ontwikkelaar vermeldt 7,07 miljard parameters voor het model in 7B-formaat. De decoder-Transformer gebruikt SwiGLU, QKV-bias in de attention en grouped-query attention, met een tokenizer die voor natuurlijke talen en code is ontworpen. Dit zijn architectuur- en representatiekeuzes, geen aanvullende invoermodaliteiten.
De releaseaankondiging beschrijft training in Engels en Chinees, plus 27 bijkomende talen. Die omvatten Russisch, Tsjechisch en Pools; Duits, Frans en Spaans; Arabisch, Perzisch en Turks; Japans en Koreaans; en verdere talen uit Zuid- en Zuidoost-Azië. Een meertalige assistent kan daarom een instructie en bronmateriaal in verschillende talen ontvangen, maar de taal, terminologie en doelgroep van het eindresultaat zouden nog steeds moeten worden opgegeven.
Training en het onderscheid van Instruct
Na pretraining gebruikt de ontwikkelaar supervised fine-tuning en directe voorkeuroptimalisatie. De op instructies afgestemde editie is bedoeld om in een gesprek op een verzoek te reageren, terwijl de basiseditie een andere rol als taalmodelfundament heeft. Houd de editienaam expliciet wanneer u een model kiest of promptgedrag vergelijkt. Een model trainen om instructies te volgen en het bij gebruik een precieze instructie geven zijn complementaire onderdelen van die werkwijze.
Gespreksinvoer voorbereiden
De snelstart van de modelkaart scheidt een systeeminstructie van de gebruikersvraag en past vóór generatie het bijbehorende chatsjabloon toe. Voor een taak op toepassingsniveau is hetzelfde praktische onderscheid nuttig: definieer de rol en antwoordregels van de assistent afzonderlijk van de bronpassage of code waaraan die moet werken. Een tekstlabel binnen een document vervangt geen correct geformatteerde gespreksrollen in de omringende interface.
Een technische uitlegtaak kan een functie en één invoervoorbeeld aanleveren en vervolgens vragen wat elke vertakking doet en welke voorwaarden het resultaat beïnvloeden. Een programmeertaak kan de geaccepteerde invoer, verwachte retourwaarde en beperkingen voor het veranderen van bestaand gedrag opgeven. Vraag de implementatie gevolgd door voorbeelden voor een normaal geval en een randgeval. Dit zijn toepassingen van de gedocumenteerde taal- en programmeervaardigheden; code genereren levert tekst op, terwijl de uitvoering bij de toepassingsomgeving hoort.
Lever voor meertalige redactie de oorspronkelijke passage, de doelgroep en een kleine terminologielijst aan. Vraag een herziening die de oorspronkelijke namen en voorwaarden behoudt, gevolgd door een korte uitleg van de wijzigingen. Dat is specifieker dan een verzoek om de tekst te verbeteren: het definieert welke betekenis behouden moet blijven en welke bruikbare uitvoer moet worden teruggegeven.
Lange teksten verwerken
De ontwikkelaar documenteert contextondersteuning tot 131.072 tokens, maar de instructies voor lange context zijn belangrijk. Invoer boven 32.768 tokens vereist de gedocumenteerde YaRN-uitbreidingsconfiguratie. Het gepubliceerde voorbeeld gebruikt een schaalfactor van 4,0 met een oorspronkelijke positie-instelling van 32.768. De ontwikkelaar merkt op dat de statische uitbreiding het gedrag bij kortere teksten kan beïnvloeden en raadt aan die in te schakelen wanneer verwerking van lange context daadwerkelijk nodig is.
Bereid een taak met een lang document voor met een gerichte vraag, benoemde brononderdelen en een expliciete uitvoerstructuur. Lever bijvoorbeeld verschillende delen van een technische specificatie aan en vraag de vereisten die voor een bepaalde wijziging relevant zijn, met het brononderdeel naast elke bevinding. Een groot invoervenster is nuttig om die delen samen te houden; het antwoord kan toch een compacte tabel zijn in plaats van een hervertelling van het volledige document.
Belangrijke grenzen
Het cijfer van 131.072 tokens is ondersteuning voor uitgebreide context, geen toestemming om de langcontextconfiguratie te negeren. De 512 gegenereerde tokens in het snelstartvoorbeeld zijn een voorbeeldinstelling, geen gepubliceerde maximale uitvoercapaciteit. Deze Instruct-release is een tekstmodel en hoort geen beeld- of videomogelijkheden van Qwen-VL of de gespecialiseerde toolgeïntegreerde wiskundetraining van Qwen2.5-Math over te nemen. Kies de benoemde editie en bereid de tekst voor op de specifieke uitleg, code of het document dat u nodig hebt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2-7b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.00058 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen2-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen2-7b-instruct
/chat/completions