Qwen2.5 72B Instruct is het grote, op instructies afgestemde tekstmodel in Qwens algemene Qwen2.5-serie. Het produceert geschreven antwoorden, code en gestructureerde tekst uit instructies en gesprekken. De mogelijkheden omvatten algemene kennis, programmeren, wiskunde, het volgen van gedetailleerde instructies en werken met tabellen. Het blijft onderscheiden van het Qwen2.5-basischeckpoint en de afzonderlijke Coder-, Math- en visuele taalmodellen.
Het model is een dense decoder-only Transformer met in totaal 72,7 miljard parameters, waaronder 70 miljard niet-embeddingparameters. De gepubliceerde architectuur heeft 80 lagen en grouped-query attention met 64 queryheads en acht key/value-heads, naast roterende positie-embeddings, SwiGLU en RMSNorm. De pretrainingsgegevens van de serie omvatten tot 18 biljoen tokens, gevolgd door post-training voor instructiegestuurd gebruik.
De exacte modelkaart vermeldt een volledige context van 131.072 tokens en generatie tot 8.192 tokens. De gepubliceerde configuratie begint bij 32.768 posities; voor de uitgebreide context is de instelling voor lengteschaling van de producent nodig. De kaart waarschuwt dat statische schaling de prestaties bij kortere tekst kan beïnvloeden en beveelt aan deze in te schakelen wanneer lange invoer nodig is. Deze getallen onderscheiden de volledige modelmogelijkheden van de standaardcheckpointconfiguratie voor een bepaalde implementatie.
Geef voor lange documenten aan welke delen moeten worden onderzocht en welk resultaat moet worden teruggegeven: een vergelijking, een opzet, een samenvatting of een verzameling geëxtraheerde feiten. Houd de instructies, brontekst en het gevraagde antwoord binnen de beschikbare context. Een uitgebreid rapport heeft baat bij een sectieplan en expliciete prioriteiten, zodat de uitvoer de opdracht volgt in plaats van de generatielengte te besteden aan een ongerelateerde inleiding.
Begrip van gestructureerde gegevens en JSON-generatie zijn belangrijke onderdelen van de release. Geef tabelkoppen, eenheden en eventuele afspraken over ontbrekende waarden voordat je een transformatie vraagt. Definieer voor extractie de uitvoervelden en vraag het model onderscheid te maken tussen waarden die in de bron staan en informatie die ontbreekt. De toepassing kan het resultaat vervolgens parsen en controleren op de verwachte structuur. JSON produceren maakt een bepaald schema op zichzelf niet tot een gegarandeerd uitvoercontract.
Qwen documenteert ondersteuning voor toolaanroepen via gesprekstemplates en compatibele applicatie-integraties. Geef functiebeschrijvingen en de informatie die elke functie nodig heeft. Het model stelt een aanroep voor; de toepassing voert die uit en geeft het resultaat voor de volgende beurt terug. Een nuttige gegevenstaak kan een record ophalen, het met de vraag van de gebruiker vergelijken en een beknopte uitleg geven die aan de opgehaalde velden is gekoppeld. Uitvoering en toegang tot externe systemen worden door de omringende toepassing verzorgd.
De producent beschrijft ondersteuning voor meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. Flexibiliteit in systeemprompts ondersteunt ook het instellen van de rol en voorwaarden van een chatbot. Lever voor code of wiskunde de relevante implementatie of uitgangspunten aan en vraag om het antwoord met de controles of tussenstappen die nodig zijn om het te beoordelen. Geef bij meertalige uitvoer de doeltaal en te behouden terminologie aan, zodat het resultaat aansluit op het bedoelde publiek.
", "aboutText": "Qwen2.5 72B Instruct is het grote, op instructies afgestemde tekstmodel in Qwens algemene Qwen2.5-serie. Het produceert geschreven antwoorden, code en gestructureerde tekst uit instructies en gesprekken. De mogelijkheden omvatten algemene kennis, programmeren, wiskunde, het volgen van gedetailleerde instructies en werken met tabellen. Het blijft onderscheiden van het Qwen2.5-basischeckpoint en de afzonderlijke Coder-, Math- en visuele taalmodellen.\n\nHet model is een dense decoder-only Transformer met in totaal 72,7 miljard parameters, waaronder 70 miljard niet-embeddingparameters. De gepubliceerde architectuur heeft 80 lagen en grouped-query attention met 64 queryheads en acht key/value-heads, naast roterende positie-embeddings, SwiGLU en RMSNorm. De pretrainingsgegevens van de serie omvatten tot 18 biljoen tokens, gevolgd door post-training voor instructiegestuurd gebruik.\n\nDe exacte modelkaart vermeldt een volledige context van 131.072 tokens en generatie tot 8.192 tokens. De gepubliceerde configuratie begint bij 32.768 posities; voor de uitgebreide context is de instelling voor lengteschaling van de producent nodig. De kaart waarschuwt dat statische schaling de prestaties bij kortere tekst kan beïnvloeden en beveelt aan deze in te schakelen wanneer lange invoer nodig is. Deze getallen onderscheiden de volledige modelmogelijkheden van de standaardcheckpointconfiguratie voor een bepaalde implementatie.\n\nGeef voor lange documenten aan welke delen moeten worden onderzocht en welk resultaat moet worden teruggegeven: een vergelijking, een opzet, een samenvatting of een verzameling geëxtraheerde feiten. Houd de instructies, brontekst en het gevraagde antwoord binnen de beschikbare context. Een uitgebreid rapport heeft baat bij een sectieplan en expliciete prioriteiten, zodat de uitvoer de opdracht volgt in plaats van de generatielengte te besteden aan een ongerelateerde inleiding.\n\nBegrip van gestructureerde gegevens en JSON-generatie zijn belangrijke onderdelen van de release. Geef tabelkoppen, eenheden en eventuele afspraken over ontbrekende waarden voordat je een transformatie vraagt. Definieer voor extractie de uitvoervelden en vraag het model onderscheid te maken tussen waarden die in de bron staan en informatie die ontbreekt. De toepassing kan het resultaat vervolgens parsen en controleren op de verwachte structuur. JSON produceren maakt een bepaald schema op zichzelf niet tot een gegarandeerd uitvoercontract.\n\nQwen documenteert ondersteuning voor toolaanroepen via gesprekstemplates en compatibele applicatie-integraties. Geef functiebeschrijvingen en de informatie die elke functie nodig heeft. Het model stelt een aanroep voor; de toepassing voert die uit en geeft het resultaat voor de volgende beurt terug. Een nuttige gegevenstaak kan een record ophalen, het met de vraag van de gebruiker vergelijken en een beknopte uitleg geven die aan de opgehaalde velden is gekoppeld. Uitvoering en toegang tot externe systemen worden door de omringende toepassing verzorgd.\n\nDe producent beschrijft ondersteuning voor meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. Flexibiliteit in systeemprompts ondersteunt ook het instellen van de rol en voorwaarden van een chatbot. Lever voor code of wiskunde de relevante implementatie of uitgangspunten aan en vraag om het antwoord met de controles of tussenstappen die nodig zijn om het te beoordelen. Geef bij meertalige uitvoer de doeltaal en te behouden terminologie aan, zodat het resultaat aansluit op het bedoelde publiek.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct is Qwens dense, op instructies afgestemde tekstmodel voor meertalige gesprekken, code, wiskunde en gestructureerde gegevens. De producent documenteert een uitgebreide context van 131.072 tokens, generatie van 8.192 tokens en templates voor toolaanroepen.
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 72B Instruct is het grote, op instructies afgestemde tekstmodel in Qwens algemene Qwen2.5-serie. Het produceert geschreven antwoorden, code en gestructureerde tekst uit instructies en gesprekken. De mogelijkheden omvatten algemene kennis, programmeren, wiskunde, het volgen van gedetailleerde instructies en werken met tabellen. Het blijft onderscheiden van het Qwen2.5-basischeckpoint en de afzonderlijke Coder-, Math- en visuele taalmodellen.
Het model is een dense decoder-only Transformer met in totaal 72,7 miljard parameters, waaronder 70 miljard niet-embeddingparameters. De gepubliceerde architectuur heeft 80 lagen en grouped-query attention met 64 queryheads en acht key/value-heads, naast roterende positie-embeddings, SwiGLU en RMSNorm. De pretrainingsgegevens van de serie omvatten tot 18 biljoen tokens, gevolgd door post-training voor instructiegestuurd gebruik.
De exacte modelkaart vermeldt een volledige context van 131.072 tokens en generatie tot 8.192 tokens. De gepubliceerde configuratie begint bij 32.768 posities; voor de uitgebreide context is de instelling voor lengteschaling van de producent nodig. De kaart waarschuwt dat statische schaling de prestaties bij kortere tekst kan beïnvloeden en beveelt aan deze in te schakelen wanneer lange invoer nodig is. Deze getallen onderscheiden de volledige modelmogelijkheden van de standaardcheckpointconfiguratie voor een bepaalde implementatie.
Geef voor lange documenten aan welke delen moeten worden onderzocht en welk resultaat moet worden teruggegeven: een vergelijking, een opzet, een samenvatting of een verzameling geëxtraheerde feiten. Houd de instructies, brontekst en het gevraagde antwoord binnen de beschikbare context. Een uitgebreid rapport heeft baat bij een sectieplan en expliciete prioriteiten, zodat de uitvoer de opdracht volgt in plaats van de generatielengte te besteden aan een ongerelateerde inleiding.
Begrip van gestructureerde gegevens en JSON-generatie zijn belangrijke onderdelen van de release. Geef tabelkoppen, eenheden en eventuele afspraken over ontbrekende waarden voordat je een transformatie vraagt. Definieer voor extractie de uitvoervelden en vraag het model onderscheid te maken tussen waarden die in de bron staan en informatie die ontbreekt. De toepassing kan het resultaat vervolgens parsen en controleren op de verwachte structuur. JSON produceren maakt een bepaald schema op zichzelf niet tot een gegarandeerd uitvoercontract.
Qwen documenteert ondersteuning voor toolaanroepen via gesprekstemplates en compatibele applicatie-integraties. Geef functiebeschrijvingen en de informatie die elke functie nodig heeft. Het model stelt een aanroep voor; de toepassing voert die uit en geeft het resultaat voor de volgende beurt terug. Een nuttige gegevenstaak kan een record ophalen, het met de vraag van de gebruiker vergelijken en een beknopte uitleg geven die aan de opgehaalde velden is gekoppeld. Uitvoering en toegang tot externe systemen worden door de omringende toepassing verzorgd.
De producent beschrijft ondersteuning voor meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. Flexibiliteit in systeemprompts ondersteunt ook het instellen van de rol en voorwaarden van een chatbot. Lever voor code of wiskunde de relevante implementatie of uitgangspunten aan en vraag om het antwoord met de controles of tussenstappen die nodig zijn om het te beoordelen. Geef bij meertalige uitvoer de doeltaal en te behouden terminologie aan, zodat het resultaat aansluit op het bedoelde publiek.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen-2.5-72b-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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00118 / 1K tokens Uitvoer · Uitvoertokens $0.00118 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00118 / 1K tokens Uitvoer · Uitvoertokens $0.00118 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-72b-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='qwen/qwen-2.5-72b-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='qwen/qwen-2.5-72b-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 qwen/qwen-2.5-72b-instruct
Gebruik de hierboven getoonde methodepaden.
qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct is Qwens dense, op instructies afgestemde tekstmodel voor meertalige gesprekken, code, wiskunde en gestructureerde gegevens. De producent documenteert een uitgebreide context van 131.072 tokens, generatie van 8.192 tokens en templates voor toolaanroepen.
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 72B Instruct is het grote, op instructies afgestemde tekstmodel in Qwens algemene Qwen2.5-serie. Het produceert geschreven antwoorden, code en gestructureerde tekst uit instructies en gesprekken. De mogelijkheden omvatten algemene kennis, programmeren, wiskunde, het volgen van gedetailleerde instructies en werken met tabellen. Het blijft onderscheiden van het Qwen2.5-basischeckpoint en de afzonderlijke Coder-, Math- en visuele taalmodellen.
Het model is een dense decoder-only Transformer met in totaal 72,7 miljard parameters, waaronder 70 miljard niet-embeddingparameters. De gepubliceerde architectuur heeft 80 lagen en grouped-query attention met 64 queryheads en acht key/value-heads, naast roterende positie-embeddings, SwiGLU en RMSNorm. De pretrainingsgegevens van de serie omvatten tot 18 biljoen tokens, gevolgd door post-training voor instructiegestuurd gebruik.
De exacte modelkaart vermeldt een volledige context van 131.072 tokens en generatie tot 8.192 tokens. De gepubliceerde configuratie begint bij 32.768 posities; voor de uitgebreide context is de instelling voor lengteschaling van de producent nodig. De kaart waarschuwt dat statische schaling de prestaties bij kortere tekst kan beïnvloeden en beveelt aan deze in te schakelen wanneer lange invoer nodig is. Deze getallen onderscheiden de volledige modelmogelijkheden van de standaardcheckpointconfiguratie voor een bepaalde implementatie.
Geef voor lange documenten aan welke delen moeten worden onderzocht en welk resultaat moet worden teruggegeven: een vergelijking, een opzet, een samenvatting of een verzameling geëxtraheerde feiten. Houd de instructies, brontekst en het gevraagde antwoord binnen de beschikbare context. Een uitgebreid rapport heeft baat bij een sectieplan en expliciete prioriteiten, zodat de uitvoer de opdracht volgt in plaats van de generatielengte te besteden aan een ongerelateerde inleiding.
Begrip van gestructureerde gegevens en JSON-generatie zijn belangrijke onderdelen van de release. Geef tabelkoppen, eenheden en eventuele afspraken over ontbrekende waarden voordat je een transformatie vraagt. Definieer voor extractie de uitvoervelden en vraag het model onderscheid te maken tussen waarden die in de bron staan en informatie die ontbreekt. De toepassing kan het resultaat vervolgens parsen en controleren op de verwachte structuur. JSON produceren maakt een bepaald schema op zichzelf niet tot een gegarandeerd uitvoercontract.
Qwen documenteert ondersteuning voor toolaanroepen via gesprekstemplates en compatibele applicatie-integraties. Geef functiebeschrijvingen en de informatie die elke functie nodig heeft. Het model stelt een aanroep voor; de toepassing voert die uit en geeft het resultaat voor de volgende beurt terug. Een nuttige gegevenstaak kan een record ophalen, het met de vraag van de gebruiker vergelijken en een beknopte uitleg geven die aan de opgehaalde velden is gekoppeld. Uitvoering en toegang tot externe systemen worden door de omringende toepassing verzorgd.
De producent beschrijft ondersteuning voor meer dan 29 talen, waaronder Chinees, Engels, Frans, Spaans, Portugees, Duits, Italiaans, Russisch, Japans, Koreaans, Vietnamees, Thai en Arabisch. Flexibiliteit in systeemprompts ondersteunt ook het instellen van de rol en voorwaarden van een chatbot. Lever voor code of wiskunde de relevante implementatie of uitgangspunten aan en vraag om het antwoord met de controles of tussenstappen die nodig zijn om het te beoordelen. Geef bij meertalige uitvoer de doeltaal en te behouden terminologie aan, zodat het resultaat aansluit op het bedoelde publiek.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen-2.5-72b-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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00118 / 1K tokens Uitvoer · Uitvoertokens $0.00118 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00118 / 1K tokens Uitvoer · Uitvoertokens $0.00118 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen-2.5-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen-2.5-72b-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': 'qwen/qwen-2.5-72b-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 qwen/qwen-2.5-72b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.