Qwen2.5-14B-Instruct is de op instructies afgestemde 14B-editie van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en geeft tekst terug: een uitleg, een document, programmacode of gestructureerde velden. De maker benadrukt instructies volgen, programmeren, wiskunde, begrip van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Wat de familie verbetert
De maker beschrijft bredere kennis en sterkere code- en wiskundevaardigheden dan de voorgaande Qwen2-generatie, naast lange antwoorden genereren en beter omgaan met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat wordt beschreven als tot 18 biljoen tokens groot. Deze mogelijkheden ondersteunen een vakgerichte assistent waarvan de rol en uitvoer door de taak worden bepaald. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één stap krijgen. Definieer de rol van de lezer, vraag naar de acties die voor die stap relevant zijn en eis dat het antwoord de oorspronkelijke procedurevoorwaarden behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie scheiden. Zo wordt een brede adviesvraag een antwoord dat met het aangeleverde proces is verbonden.
Lever voor code-uitleg de functie, relevante definities van hulpfuncties en de invoer die verwarring veroorzaakt aan. Vraag om de volgorde van bewerkingen en de waarde die voor die invoer wordt teruggegeven. Geef bij een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat je de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijke numerieke tool beschikbaar maken is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking aan. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Geef bij ontbrekende tabelwaarden aan of het antwoord ze afwezig moet laten of expliciet moet weergeven.
Toon voor gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, een voorraadhoeveelheid en een magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen om het record wanneer een toepassing dit zal parsen; vraag om een aparte uitleg in gewone tekst wanneer de gebruiker de broninterpretatie moet bekijken. De gedocumenteerde JSON-generatievaardigheid van het model is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal in en geef eventuele terminologie die ongewijzigd moet blijven. Vraag bij een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst voor de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waaronder 13,1 miljard niet-embeddingparameters, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en attention-QKV-bias, met 40 queryheads en 8 key/value-heads in grouped-query attention. Pretraining en post-training produceren deze Instruct-editie. Het parameter- en lagenaantal verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextgetallen overeenkomen.
De modelkaart geeft een volledige context van 131.072 tokens en generatie tot 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is alleen een voorbeeld en vervangt de vermelde antwoordcapaciteit niet. Beeld-, video- en audiobegrip horen bij afzonderlijk benoemde multimodale releases, niet bij dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de maker past de bijbehorende chattemplate toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Geef een complete vraag en label de brontekst, zodat een instructie die in de bron wordt geciteerd niet met de taak van de toepassing wordt verward.
De officiële Qwen2.5-aankondiging beschrijft ook toolaanroeptemplates en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen levert, de gekozen bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld vragen om een berekening met een aangeleverde rekentool; het functieresultaat wordt dan informatie die het model kan uitleggen. Beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag biedt.
Configuratie voor lange tekst
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke maximale positie-instelling van 32.768. Statische schaling kan het gedrag bij kortere tekst beïnvloeden, dus de maker beveelt aan deze toe te voegen wanneer lange context nodig is.
Benoem bij een lange bron de sectie die moet worden herzien of de vraag die moet worden beantwoord en houd de ondersteunende delen samen. Een duidelijk verzoek kan vragen om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke sectieverwijzingen. Dit gebruikt de uitgebreide context voor een concreet resultaat, terwijl het antwoord binnen de afzonderlijke generatiegrens blijft.
", "aboutText": "Qwen2.5-14B-Instruct is de op instructies afgestemde 14B-editie van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en geeft tekst terug: een uitleg, een document, programmacode of gestructureerde velden. De maker benadrukt instructies volgen, programmeren, wiskunde, begrip van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.\n\nWat de familie verbetert\n\nDe maker beschrijft bredere kennis en sterkere code- en wiskundevaardigheden dan de voorgaande Qwen2-generatie, naast lange antwoorden genereren en beter omgaan met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat wordt beschreven als tot 18 biljoen tokens groot. Deze mogelijkheden ondersteunen een vakgerichte assistent waarvan de rol en uitvoer door de taak worden bepaald. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.\n\nEen procesassistent kan een procedure en een vraag over één stap krijgen. Definieer de rol van de lezer, vraag naar de acties die voor die stap relevant zijn en eis dat het antwoord de oorspronkelijke procedurevoorwaarden behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie scheiden. Zo wordt een brede adviesvraag een antwoord dat met het aangeleverde proces is verbonden.\n\nLever voor code-uitleg de functie, relevante definities van hulpfuncties en de invoer die verwarring veroorzaakt aan. Vraag om de volgorde van bewerkingen en de waarde die voor die invoer wordt teruggegeven. Geef bij een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat je de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijke numerieke tool beschikbaar maken is werk voor de toepassing rond het model.\n\nTabellen en JSON\n\nBehoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking aan. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Geef bij ontbrekende tabelwaarden aan of het antwoord ze afwezig moet laten of expliciet moet weergeven.\n\nToon voor gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, een voorraadhoeveelheid en een magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen om het record wanneer een toepassing dit zal parsen; vraag om een aparte uitleg in gewone tekst wanneer de gebruiker de broninterpretatie moet bekijken. De gedocumenteerde JSON-generatievaardigheid van het model is iets anders dan een specifieke interface die een schema afdwingt.\n\nMeertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal in en geef eventuele terminologie die ongewijzigd moet blijven. Vraag bij een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst voor de lezer wordt aangepast.\n\nDe specifieke 14B-release\n\nDe kaart vermeldt 14,7 miljard parameters, waaronder 13,1 miljard niet-embeddingparameters, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en attention-QKV-bias, met 40 queryheads en 8 key/value-heads in grouped-query attention. Pretraining en post-training produceren deze Instruct-editie. Het parameter- en lagenaantal verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextgetallen overeenkomen.\n\nDe modelkaart geeft een volledige context van 131.072 tokens en generatie tot 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is alleen een voorbeeld en vervangt de vermelde antwoordcapaciteit niet. Beeld-, video- en audiobegrip horen bij afzonderlijk benoemde multimodale releases, niet bij dit tekstmodel.\n\nInvoerformaat en taken met tools\n\nHet voorbeeld van de maker past de bijbehorende chattemplate toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Geef een complete vraag en label de brontekst, zodat een instructie die in de bron wordt geciteerd niet met de taak van de toepassing wordt verward.\n\nDe officiële Qwen2.5-aankondiging beschrijft ook toolaanroeptemplates en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen levert, de gekozen bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld vragen om een berekening met een aangeleverde rekentool; het functieresultaat wordt dan informatie die het model kan uitleggen. Beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag biedt.\n\nConfiguratie voor lange tekst\n\nDe gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke maximale positie-instelling van 32.768. Statische schaling kan het gedrag bij kortere tekst beïnvloeden, dus de maker beveelt aan deze toe te voegen wanneer lange context nodig is.\n\nBenoem bij een lange bron de sectie die moet worden herzien of de vraag die moet worden beantwoord en houd de ondersteunende delen samen. Een duidelijk verzoek kan vragen om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke sectieverwijzingen. Dit gebruikt de uitgebreide context voor een concreet resultaat, terwijl het antwoord binnen de afzonderlijke generatiegrens blijft.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct is een meertalig tekstmodel voor instructiegestuurde assistenten, code en wiskunde. De eigen release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met een uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde 14B-editie van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en geeft tekst terug: een uitleg, een document, programmacode of gestructureerde velden. De maker benadrukt instructies volgen, programmeren, wiskunde, begrip van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Wat de familie verbetert
De maker beschrijft bredere kennis en sterkere code- en wiskundevaardigheden dan de voorgaande Qwen2-generatie, naast lange antwoorden genereren en beter omgaan met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat wordt beschreven als tot 18 biljoen tokens groot. Deze mogelijkheden ondersteunen een vakgerichte assistent waarvan de rol en uitvoer door de taak worden bepaald. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één stap krijgen. Definieer de rol van de lezer, vraag naar de acties die voor die stap relevant zijn en eis dat het antwoord de oorspronkelijke procedurevoorwaarden behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie scheiden. Zo wordt een brede adviesvraag een antwoord dat met het aangeleverde proces is verbonden.
Lever voor code-uitleg de functie, relevante definities van hulpfuncties en de invoer die verwarring veroorzaakt aan. Vraag om de volgorde van bewerkingen en de waarde die voor die invoer wordt teruggegeven. Geef bij een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat je de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijke numerieke tool beschikbaar maken is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking aan. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Geef bij ontbrekende tabelwaarden aan of het antwoord ze afwezig moet laten of expliciet moet weergeven.
Toon voor gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, een voorraadhoeveelheid en een magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen om het record wanneer een toepassing dit zal parsen; vraag om een aparte uitleg in gewone tekst wanneer de gebruiker de broninterpretatie moet bekijken. De gedocumenteerde JSON-generatievaardigheid van het model is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal in en geef eventuele terminologie die ongewijzigd moet blijven. Vraag bij een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst voor de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waaronder 13,1 miljard niet-embeddingparameters, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en attention-QKV-bias, met 40 queryheads en 8 key/value-heads in grouped-query attention. Pretraining en post-training produceren deze Instruct-editie. Het parameter- en lagenaantal verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextgetallen overeenkomen.
De modelkaart geeft een volledige context van 131.072 tokens en generatie tot 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is alleen een voorbeeld en vervangt de vermelde antwoordcapaciteit niet. Beeld-, video- en audiobegrip horen bij afzonderlijk benoemde multimodale releases, niet bij dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de maker past de bijbehorende chattemplate toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Geef een complete vraag en label de brontekst, zodat een instructie die in de bron wordt geciteerd niet met de taak van de toepassing wordt verward.
De officiële Qwen2.5-aankondiging beschrijft ook toolaanroeptemplates en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen levert, de gekozen bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld vragen om een berekening met een aangeleverde rekentool; het functieresultaat wordt dan informatie die het model kan uitleggen. Beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag biedt.
Configuratie voor lange tekst
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke maximale positie-instelling van 32.768. Statische schaling kan het gedrag bij kortere tekst beïnvloeden, dus de maker beveelt aan deze toe te voegen wanneer lange context nodig is.
Benoem bij een lange bron de sectie die moet worden herzien of de vraag die moet worden beantwoord en houd de ondersteunende delen samen. Een duidelijk verzoek kan vragen om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke sectieverwijzingen. Dit gebruikt de uitgebreide context voor een concreet resultaat, terwijl het antwoord binnen de afzonderlijke generatiegrens blijft.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen2.5-14B-Instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct is een meertalig tekstmodel voor instructiegestuurde assistenten, code en wiskunde. De eigen release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met een uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde 14B-editie van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en geeft tekst terug: een uitleg, een document, programmacode of gestructureerde velden. De maker benadrukt instructies volgen, programmeren, wiskunde, begrip van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Wat de familie verbetert
De maker beschrijft bredere kennis en sterkere code- en wiskundevaardigheden dan de voorgaande Qwen2-generatie, naast lange antwoorden genereren en beter omgaan met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat wordt beschreven als tot 18 biljoen tokens groot. Deze mogelijkheden ondersteunen een vakgerichte assistent waarvan de rol en uitvoer door de taak worden bepaald. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één stap krijgen. Definieer de rol van de lezer, vraag naar de acties die voor die stap relevant zijn en eis dat het antwoord de oorspronkelijke procedurevoorwaarden behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie scheiden. Zo wordt een brede adviesvraag een antwoord dat met het aangeleverde proces is verbonden.
Lever voor code-uitleg de functie, relevante definities van hulpfuncties en de invoer die verwarring veroorzaakt aan. Vraag om de volgorde van bewerkingen en de waarde die voor die invoer wordt teruggegeven. Geef bij een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat je de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijke numerieke tool beschikbaar maken is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking aan. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Geef bij ontbrekende tabelwaarden aan of het antwoord ze afwezig moet laten of expliciet moet weergeven.
Toon voor gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, een voorraadhoeveelheid en een magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen om het record wanneer een toepassing dit zal parsen; vraag om een aparte uitleg in gewone tekst wanneer de gebruiker de broninterpretatie moet bekijken. De gedocumenteerde JSON-generatievaardigheid van het model is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal in en geef eventuele terminologie die ongewijzigd moet blijven. Vraag bij een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst voor de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waaronder 13,1 miljard niet-embeddingparameters, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en attention-QKV-bias, met 40 queryheads en 8 key/value-heads in grouped-query attention. Pretraining en post-training produceren deze Instruct-editie. Het parameter- en lagenaantal verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextgetallen overeenkomen.
De modelkaart geeft een volledige context van 131.072 tokens en generatie tot 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is alleen een voorbeeld en vervangt de vermelde antwoordcapaciteit niet. Beeld-, video- en audiobegrip horen bij afzonderlijk benoemde multimodale releases, niet bij dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de maker past de bijbehorende chattemplate toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Geef een complete vraag en label de brontekst, zodat een instructie die in de bron wordt geciteerd niet met de taak van de toepassing wordt verward.
De officiële Qwen2.5-aankondiging beschrijft ook toolaanroeptemplates en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen levert, de gekozen bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld vragen om een berekening met een aangeleverde rekentool; het functieresultaat wordt dan informatie die het model kan uitleggen. Beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag biedt.
Configuratie voor lange tekst
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke maximale positie-instelling van 32.768. Statische schaling kan het gedrag bij kortere tekst beïnvloeden, dus de maker beveelt aan deze toe te voegen wanneer lange context nodig is.
Benoem bij een lange bron de sectie die moet worden herzien of de vraag die moet worden beantwoord en houd de ondersteunende delen samen. Een duidelijk verzoek kan vragen om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke sectieverwijzingen. Dit gebruikt de uitgebreide context voor een concreet resultaat, terwijl het antwoord binnen de afzonderlijke generatiegrens blijft.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen2.5-14B-Instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct is een meertalig tekstmodel voor instructiegestuurde assistenten, code en wiskunde. De eigen release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met een uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde 14B-editie van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en geeft tekst terug: een uitleg, een document, programmacode of gestructureerde velden. De maker benadrukt instructies volgen, programmeren, wiskunde, begrip van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Wat de familie verbetert
De maker beschrijft bredere kennis en sterkere code- en wiskundevaardigheden dan de voorgaande Qwen2-generatie, naast lange antwoorden genereren en beter omgaan met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat wordt beschreven als tot 18 biljoen tokens groot. Deze mogelijkheden ondersteunen een vakgerichte assistent waarvan de rol en uitvoer door de taak worden bepaald. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één stap krijgen. Definieer de rol van de lezer, vraag naar de acties die voor die stap relevant zijn en eis dat het antwoord de oorspronkelijke procedurevoorwaarden behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie scheiden. Zo wordt een brede adviesvraag een antwoord dat met het aangeleverde proces is verbonden.
Lever voor code-uitleg de functie, relevante definities van hulpfuncties en de invoer die verwarring veroorzaakt aan. Vraag om de volgorde van bewerkingen en de waarde die voor die invoer wordt teruggegeven. Geef bij een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat je de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijke numerieke tool beschikbaar maken is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking aan. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Geef bij ontbrekende tabelwaarden aan of het antwoord ze afwezig moet laten of expliciet moet weergeven.
Toon voor gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, een voorraadhoeveelheid en een magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen om het record wanneer een toepassing dit zal parsen; vraag om een aparte uitleg in gewone tekst wanneer de gebruiker de broninterpretatie moet bekijken. De gedocumenteerde JSON-generatievaardigheid van het model is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal in en geef eventuele terminologie die ongewijzigd moet blijven. Vraag bij een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst voor de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waaronder 13,1 miljard niet-embeddingparameters, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en attention-QKV-bias, met 40 queryheads en 8 key/value-heads in grouped-query attention. Pretraining en post-training produceren deze Instruct-editie. Het parameter- en lagenaantal verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextgetallen overeenkomen.
De modelkaart geeft een volledige context van 131.072 tokens en generatie tot 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is alleen een voorbeeld en vervangt de vermelde antwoordcapaciteit niet. Beeld-, video- en audiobegrip horen bij afzonderlijk benoemde multimodale releases, niet bij dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de maker past de bijbehorende chattemplate toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Geef een complete vraag en label de brontekst, zodat een instructie die in de bron wordt geciteerd niet met de taak van de toepassing wordt verward.
De officiële Qwen2.5-aankondiging beschrijft ook toolaanroeptemplates en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen levert, de gekozen bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld vragen om een berekening met een aangeleverde rekentool; het functieresultaat wordt dan informatie die het model kan uitleggen. Beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag biedt.
Configuratie voor lange tekst
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke maximale positie-instelling van 32.768. Statische schaling kan het gedrag bij kortere tekst beïnvloeden, dus de maker beveelt aan deze toe te voegen wanneer lange context nodig is.
Benoem bij een lange bron de sectie die moet worden herzien of de vraag die moet worden beantwoord en houd de ondersteunende delen samen. Een duidelijk verzoek kan vragen om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke sectieverwijzingen. Dit gebruikt de uitgebreide context voor een concreet resultaat, terwijl het antwoord binnen de afzonderlijke generatiegrens blijft.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2.5-14b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct is een meertalig tekstmodel voor instructiegestuurde assistenten, code en wiskunde. De eigen release met 14,7 miljard parameters ondersteunt tabelinterpretatie, JSON-generatie en een antwoordlimiet van 8.192 tokens, met een uitgebreide-contextconfiguratie voor lange invoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen2.5-14B-Instruct is de op instructies afgestemde 14B-editie van de algemene Qwen2.5-familie. Het accepteert een tekstgesprek en geeft tekst terug: een uitleg, een document, programmacode of gestructureerde velden. De maker benadrukt instructies volgen, programmeren, wiskunde, begrip van gestructureerde gegevens zoals tabellen en het genereren van gestructureerde antwoorden, vooral JSON.
Wat de familie verbetert
De maker beschrijft bredere kennis en sterkere code- en wiskundevaardigheden dan de voorgaande Qwen2-generatie, naast lange antwoorden genereren en beter omgaan met uiteenlopende systeeminstructies. De familie gebruikt een pretrainingscorpus dat wordt beschreven als tot 18 biljoen tokens groot. Deze mogelijkheden ondersteunen een vakgerichte assistent waarvan de rol en uitvoer door de taak worden bepaald. Dit model blijft de algemene Instruct-editie; de afzonderlijk benoemde Qwen2.5-Coder- en Qwen2.5-Math-reeksen hebben hun eigen specialisaties.
Een procesassistent kan een procedure en een vraag over één stap krijgen. Definieer de rol van de lezer, vraag naar de acties die voor die stap relevant zijn en eis dat het antwoord de oorspronkelijke procedurevoorwaarden behoudt. Een nuttige uitvoer kan de volgende actie, de voorwaarde waaronder die van toepassing is en de nog benodigde informatie scheiden. Zo wordt een brede adviesvraag een antwoord dat met het aangeleverde proces is verbonden.
Lever voor code-uitleg de functie, relevante definities van hulpfuncties en de invoer die verwarring veroorzaakt aan. Vraag om de volgorde van bewerkingen en de waarde die voor die invoer wordt teruggegeven. Geef bij een wiskundige uitleg de symbolen, aannames en doeluitdrukking voordat je de afleiding vraagt. Beide taken gebruiken tekst; het programma uitvoeren of een afzonderlijke numerieke tool beschikbaar maken is werk voor de toepassing rond het model.
Tabellen en JSON
Behoud bij een tabelvraag de kolomkoppen en eenheden, benoem de relevante rijen en geef de vergelijking aan. De gewenste uitvoer kan de identificaties van overeenkomende rijen opsommen en uitleggen aan welke aangeleverde voorwaarde elke rij voldoet. Geef bij ontbrekende tabelwaarden aan of het antwoord ze afwezig moet laten of expliciet moet weergeven.
Toon voor gestructureerde extractie de veldnamen en vereiste typen. Invoer zoals een artikelidentificatie, een voorraadhoeveelheid en een magazijnlabel kan worden omgezet in een record met dezelfde velden. Vraag alleen om het record wanneer een toepassing dit zal parsen; vraag om een aparte uitleg in gewone tekst wanneer de gebruiker de broninterpretatie moet bekijken. De gedocumenteerde JSON-generatievaardigheid van het model is iets anders dan een specifieke interface die een schema afdwingt.
Meertalige gesprekken worden ondersteund in meer dan 29 talen, waaronder Engels, Chinees, Russisch, Duits, Frans, Spaans, Portugees, Italiaans, Japans, Koreaans, Vietnamees, Thai en Arabisch. Stel de uiteindelijke taal in en geef eventuele terminologie die ongewijzigd moet blijven. Vraag bij een vertaalde technische uitleg om variabelenamen, geciteerde labels en eenheden te behouden, terwijl de omliggende tekst voor de lezer wordt aangepast.
De specifieke 14B-release
De kaart vermeldt 14,7 miljard parameters, waaronder 13,1 miljard niet-embeddingparameters, en 48 Transformer-lagen. De architectuur gebruikt roterende positie-embeddings, SwiGLU, RMSNorm en attention-QKV-bias, met 40 queryheads en 8 key/value-heads in grouped-query attention. Pretraining en post-training produceren deze Instruct-editie. Het parameter- en lagenaantal verschilt van de 32B-editie, ook wanneer de familiemogelijkheden en gepubliceerde contextgetallen overeenkomen.
De modelkaart geeft een volledige context van 131.072 tokens en generatie tot 8.192 tokens. Het eerste gaat over het gesprek en materiaal dat voor een taak wordt vastgehouden; het tweede over het gegenereerde antwoord. De generatie-instelling van 512 tokens in de snelstart is alleen een voorbeeld en vervangt de vermelde antwoordcapaciteit niet. Beeld-, video- en audiobegrip horen bij afzonderlijk benoemde multimodale releases, niet bij dit tekstmodel.
Invoerformaat en taken met tools
Het voorbeeld van de maker past de bijbehorende chattemplate toe op afzonderlijke systeem- en gebruikersberichten. Definieer de rol en antwoordregels van de assistent apart van het onderzochte materiaal. Geef een complete vraag en label de brontekst, zodat een instructie die in de bron wordt geciteerd niet met de taak van de toepassing wordt verward.
De officiële Qwen2.5-aankondiging beschrijft ook toolaanroeptemplates en compatibele integraties. Een taak met tools vereist dat de omringende toepassing functiebeschrijvingen levert, de gekozen bewerking uitvoert en het resultaat voor het volgende antwoord teruggeeft. Een gesprek kan bijvoorbeeld vragen om een berekening met een aangeleverde rekentool; het functieresultaat wordt dan informatie die het model kan uitleggen. Beschikbaarheid en uitvoering van tools komen uit die integratie, terwijl deze release het tekstuele gespreksgedrag biedt.
Configuratie voor lange tekst
De gepubliceerde configuratie omvat aanvankelijk 32.768 tokens. De gedocumenteerde uitbreiding voor langere invoer gebruikt YaRN, met een voorbeeldschaalfactor van 4,0 en een oorspronkelijke maximale positie-instelling van 32.768. Statische schaling kan het gedrag bij kortere tekst beïnvloeden, dus de maker beveelt aan deze toe te voegen wanneer lange context nodig is.
Benoem bij een lange bron de sectie die moet worden herzien of de vraag die moet worden beantwoord en houd de ondersteunende delen samen. Een duidelijk verzoek kan vragen om een gecorrigeerde passage, een wijzigingstabel en de oorspronkelijke sectieverwijzingen. Dit gebruikt de uitgebreide context voor een concreet resultaat, terwijl het antwoord binnen de afzonderlijke generatiegrens blijft.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen2.5-14b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0002 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Technisch voorbeeld in het Engels
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.