Qwen2.5-14B-Instruct to dostrojona do wykonywania instrukcji edycja o rozmiarze 14B z ogólnej rodziny Qwen2.5. Przyjmuje rozmowę tekstową i zwraca tekst: wyjaśnienie, dokument, kod programu lub uporządkowane pola. Producent podkreśla wykonywanie instrukcji, programowanie, matematykę, rozumienie danych strukturalnych, takich jak tabele, oraz generowanie uporządkowanych odpowiedzi, zwłaszcza w formacie JSON.
Co ulepsza rodzina modeli
Producent opisuje szerszą wiedzę oraz lepsze umiejętności programistyczne i matematyczne niż w poprzedniej generacji Qwen2, a także generowanie długich odpowiedzi i lepszą obsługę różnych instrukcji systemowych. Rodzina korzysta z korpusu do treningu wstępnego, którego wielkość jest opisywana jako sięgająca 18 bilionów tokenów. Te możliwości wspierają asystenta dziedzinowego, którego rolę i wynik określa zadanie. Ten model pozostaje ogólną edycją Instruct; odrębnie nazwane linie Qwen2.5-Coder i Qwen2.5-Math mają własne specjalizacje.
Asystent procesowy może otrzymać procedurę i pytanie dotyczące jednego z jej etapów. Określ rolę odbiorcy, poproś o działania istotne na tym etapie i wymagaj zachowania w odpowiedzi pierwotnych warunków procedury. Przydatny wynik może oddzielać następne działanie, warunek umożliwiający jego zastosowanie oraz informacje, których nadal brakuje. W ten sposób ogólna prośba o poradę staje się odpowiedzią powiązaną z dostarczonym procesem.
Aby uzyskać wyjaśnienie kodu, podaj funkcję, istotne definicje pomocnicze i dane wejściowe, które budzą wątpliwości. Poproś o kolejność operacji oraz wartość zwracaną dla tych danych. Aby uzyskać wyjaśnienie matematyczne, określ symbole, założenia i docelowe wyrażenie, zanim poprosisz o wyprowadzenie. Oba zadania korzystają z tekstu; uruchomienie programu lub udostępnienie osobnego narzędzia obliczeniowego należy do aplikacji współpracującej z modelem.
Tabele i JSON
W pytaniu dotyczącym tabeli zachowaj nagłówki kolumn i jednostki, wskaż odpowiednie wiersze i określ porównanie. Oczekiwany wynik może zawierać identyfikatory pasujących wierszy i wyjaśniać, który z podanych warunków spełnia każdy z nich. Jeśli w tabeli brakuje wartości, określ, czy odpowiedź powinna pozostawić je nieobecne, czy wyraźnie oznaczyć ich brak.
Przy wyodrębnianiu danych strukturalnych pokaż nazwy pól i wymagane typy. Dane wejściowe, takie jak identyfikator artykułu, ilość w magazynie i etykieta magazynu, można przekształcić w rekord z tymi samymi polami. Poproś o sam rekord, gdy ma go parsować aplikacja; poproś o osobne wyjaśnienie tekstowe, gdy użytkownik musi sprawdzić interpretację źródła. Udokumentowana zdolność modelu do generowania JSON jest czymś odrębnym od egzekwowania schematu przez konkretny interfejs.
Rozmowy wielojęzyczne są obsługiwane w ponad 29 językach, w tym angielskim, chińskim, rosyjskim, niemieckim, francuskim, hiszpańskim, portugalskim, włoskim, japońskim, koreańskim, wietnamskim, tajskim i arabskim. Ustal język końcowej odpowiedzi i podaj terminologię, która musi pozostać bez zmian. W tłumaczonym wyjaśnieniu technicznym poproś model o zachowanie nazw zmiennych, cytowanych etykiet i jednostek przy dostosowaniu otaczającego tekstu do odbiorcy.
Szczegóły tej wersji 14B
Karta podaje 14,7 miliarda parametrów, w tym 13,1 miliarda parametrów poza warstwami osadzeń, oraz 48 warstw Transformer. Architektura wykorzystuje rotacyjne osadzenia pozycyjne, SwiGLU, RMSNorm i składnik bias QKV w mechanizmie uwagi, z 40 głowicami zapytań oraz 8 głowicami kluczy/wartości w mechanizmie grouped-query attention. Trening wstępny i dotrenowanie tworzą tę edycję Instruct. Liczba parametrów i warstw różni się od edycji 32B, nawet gdy możliwości rodziny i opublikowane wielkości kontekstu są takie same.
Karta modelu podaje pełny kontekst o długości 131 072 tokenów i generowanie do 8 192 tokenów. Pierwsza wartość dotyczy rozmowy i materiału zachowywanego na potrzeby zadania; druga dotyczy wygenerowanej odpowiedzi. Ustawienie generowania 512 tokenów w przykładzie szybkiego startu jest tylko przykładem i nie zastępuje podanej w karcie pojemności odpowiedzi. Rozumienie obrazów, wideo i dźwięku należy do odrębnie nazwanych wersji multimodalnych, a nie do tego modelu tekstowego.
Format wejścia i zadania wspomagane narzędziami
Przykład producenta stosuje właściwy szablon rozmowy do osobnych wiadomości systemowych i użytkownika. Określ rolę asystenta i zasady odpowiedzi oddzielnie od analizowanego materiału. Podaj kompletne pytanie i oznacz tekst źródłowy, aby instrukcja cytowana w źródle nie została pomylona z zadaniem przekazanym przez aplikację.
Oficjalna zapowiedź Qwen2.5 opisuje również szablony wywoływania narzędzi i zgodne integracje. Zadanie wspomagane narzędziami wymaga, aby aplikacja współpracująca z modelem dostarczyła opisy funkcji, wykonała wybraną operację i przekazała jej wynik do następnej odpowiedzi. Na przykład w rozmowie można poprosić o obliczenie przy użyciu udostępnionego narzędzia obliczeniowego; wynik funkcji staje się wtedy informacją, którą model może wyjaśnić. Dostępność narzędzi i ich wykonanie zapewnia integracja, natomiast ta wersja dostarcza tekstowe zachowanie w rozmowie.
Konfiguracja dla długiego tekstu
Opublikowana konfiguracja początkowo obejmuje 32 768 tokenów. Udokumentowane rozszerzenie dla dłuższych danych wejściowych wykorzystuje YaRN, z przykładowym współczynnikiem skalowania 4,0 i pierwotnym ustawieniem maksymalnej liczby pozycji 32 768. Statyczne skalowanie może wpływać na zachowanie przy krótszych tekstach, dlatego producent zaleca dodanie go wtedy, gdy potrzebne są długie konteksty.
Przygotowując długie źródło, wskaż sekcję do poprawienia lub pytanie, na które trzeba odpowiedzieć, i zachowaj razem części stanowiące podstawę odpowiedzi. Jasna prośba może dotyczyć poprawionego fragmentu, tabeli zmian i odwołań do pierwotnych sekcji. Pozwala to wykorzystać rozszerzony kontekst do przygotowania konkretnego rezultatu, zachowując odpowiedź w odrębnym limicie generowania.
", "aboutText": "Qwen2.5-14B-Instruct to dostrojona do wykonywania instrukcji edycja o rozmiarze 14B z ogólnej rodziny Qwen2.5. Przyjmuje rozmowę tekstową i zwraca tekst: wyjaśnienie, dokument, kod programu lub uporządkowane pola. Producent podkreśla wykonywanie instrukcji, programowanie, matematykę, rozumienie danych strukturalnych, takich jak tabele, oraz generowanie uporządkowanych odpowiedzi, zwłaszcza w formacie JSON.\n\nCo ulepsza rodzina modeli\n\nProducent opisuje szerszą wiedzę oraz lepsze umiejętności programistyczne i matematyczne niż w poprzedniej generacji Qwen2, a także generowanie długich odpowiedzi i lepszą obsługę różnych instrukcji systemowych. Rodzina korzysta z korpusu do treningu wstępnego, którego wielkość jest opisywana jako sięgająca 18 bilionów tokenów. Te możliwości wspierają asystenta dziedzinowego, którego rolę i wynik określa zadanie. Ten model pozostaje ogólną edycją Instruct; odrębnie nazwane linie Qwen2.5-Coder i Qwen2.5-Math mają własne specjalizacje.\n\nAsystent procesowy może otrzymać procedurę i pytanie dotyczące jednego z jej etapów. Określ rolę odbiorcy, poproś o działania istotne na tym etapie i wymagaj zachowania w odpowiedzi pierwotnych warunków procedury. Przydatny wynik może oddzielać następne działanie, warunek umożliwiający jego zastosowanie oraz informacje, których nadal brakuje. W ten sposób ogólna prośba o poradę staje się odpowiedzią powiązaną z dostarczonym procesem.\n\nAby uzyskać wyjaśnienie kodu, podaj funkcję, istotne definicje pomocnicze i dane wejściowe, które budzą wątpliwości. Poproś o kolejność operacji oraz wartość zwracaną dla tych danych. Aby uzyskać wyjaśnienie matematyczne, określ symbole, założenia i docelowe wyrażenie, zanim poprosisz o wyprowadzenie. Oba zadania korzystają z tekstu; uruchomienie programu lub udostępnienie osobnego narzędzia obliczeniowego należy do aplikacji współpracującej z modelem.\n\nTabele i JSON\n\nW pytaniu dotyczącym tabeli zachowaj nagłówki kolumn i jednostki, wskaż odpowiednie wiersze i określ porównanie. Oczekiwany wynik może zawierać identyfikatory pasujących wierszy i wyjaśniać, który z podanych warunków spełnia każdy z nich. Jeśli w tabeli brakuje wartości, określ, czy odpowiedź powinna pozostawić je nieobecne, czy wyraźnie oznaczyć ich brak.\n\nPrzy wyodrębnianiu danych strukturalnych pokaż nazwy pól i wymagane typy. Dane wejściowe, takie jak identyfikator artykułu, ilość w magazynie i etykieta magazynu, można przekształcić w rekord z tymi samymi polami. Poproś o sam rekord, gdy ma go parsować aplikacja; poproś o osobne wyjaśnienie tekstowe, gdy użytkownik musi sprawdzić interpretację źródła. Udokumentowana zdolność modelu do generowania JSON jest czymś odrębnym od egzekwowania schematu przez konkretny interfejs.\n\nRozmowy wielojęzyczne są obsługiwane w ponad 29 językach, w tym angielskim, chińskim, rosyjskim, niemieckim, francuskim, hiszpańskim, portugalskim, włoskim, japońskim, koreańskim, wietnamskim, tajskim i arabskim. Ustal język końcowej odpowiedzi i podaj terminologię, która musi pozostać bez zmian. W tłumaczonym wyjaśnieniu technicznym poproś model o zachowanie nazw zmiennych, cytowanych etykiet i jednostek przy dostosowaniu otaczającego tekstu do odbiorcy.\n\nSzczegóły tej wersji 14B\n\nKarta podaje 14,7 miliarda parametrów, w tym 13,1 miliarda parametrów poza warstwami osadzeń, oraz 48 warstw Transformer. Architektura wykorzystuje rotacyjne osadzenia pozycyjne, SwiGLU, RMSNorm i składnik bias QKV w mechanizmie uwagi, z 40 głowicami zapytań oraz 8 głowicami kluczy/wartości w mechanizmie grouped-query attention. Trening wstępny i dotrenowanie tworzą tę edycję Instruct. Liczba parametrów i warstw różni się od edycji 32B, nawet gdy możliwości rodziny i opublikowane wielkości kontekstu są takie same.\n\nKarta modelu podaje pełny kontekst o długości 131 072 tokenów i generowanie do 8 192 tokenów. Pierwsza wartość dotyczy rozmowy i materiału zachowywanego na potrzeby zadania; druga dotyczy wygenerowanej odpowiedzi. Ustawienie generowania 512 tokenów w przykładzie szybkiego startu jest tylko przykładem i nie zastępuje podanej w karcie pojemności odpowiedzi. Rozumienie obrazów, wideo i dźwięku należy do odrębnie nazwanych wersji multimodalnych, a nie do tego modelu tekstowego.\n\nFormat wejścia i zadania wspomagane narzędziami\n\nPrzykład producenta stosuje właściwy szablon rozmowy do osobnych wiadomości systemowych i użytkownika. Określ rolę asystenta i zasady odpowiedzi oddzielnie od analizowanego materiału. Podaj kompletne pytanie i oznacz tekst źródłowy, aby instrukcja cytowana w źródle nie została pomylona z zadaniem przekazanym przez aplikację.\n\nOficjalna zapowiedź Qwen2.5 opisuje również szablony wywoływania narzędzi i zgodne integracje. Zadanie wspomagane narzędziami wymaga, aby aplikacja współpracująca z modelem dostarczyła opisy funkcji, wykonała wybraną operację i przekazała jej wynik do następnej odpowiedzi. Na przykład w rozmowie można poprosić o obliczenie przy użyciu udostępnionego narzędzia obliczeniowego; wynik funkcji staje się wtedy informacją, którą model może wyjaśnić. Dostępność narzędzi i ich wykonanie zapewnia integracja, natomiast ta wersja dostarcza tekstowe zachowanie w rozmowie.\n\nKonfiguracja dla długiego tekstu\n\nOpublikowana konfiguracja początkowo obejmuje 32 768 tokenów. Udokumentowane rozszerzenie dla dłuższych danych wejściowych wykorzystuje YaRN, z przykładowym współczynnikiem skalowania 4,0 i pierwotnym ustawieniem maksymalnej liczby pozycji 32 768. Statyczne skalowanie może wpływać na zachowanie przy krótszych tekstach, dlatego producent zaleca dodanie go wtedy, gdy potrzebne są długie konteksty.\n\nPrzygotowując długie źródło, wskaż sekcję do poprawienia lub pytanie, na które trzeba odpowiedzieć, i zachowaj razem części stanowiące podstawę odpowiedzi. Jasna prośba może dotyczyć poprawionego fragmentu, tabeli zmian i odwołań do pierwotnych sekcji. Pozwala to wykorzystać rozszerzony kontekst do przygotowania konkretnego rezultatu, zachowując odpowiedź w odrębnym limicie generowania.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to wielojęzyczny model tekstowy do asystentów wykonujących instrukcje, kodu i matematyki. Jego wersja z 14,7 miliarda parametrów obsługuje interpretację tabel, generowanie JSON i odpowiedzi do 8 192 tokenów, a konfiguracja rozszerzonego kontekstu pozwala przetwarzać długie dane wejściowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen2.5-14B-Instruct to dostrojona do wykonywania instrukcji edycja o rozmiarze 14B z ogólnej rodziny Qwen2.5. Przyjmuje rozmowę tekstową i zwraca tekst: wyjaśnienie, dokument, kod programu lub uporządkowane pola. Producent podkreśla wykonywanie instrukcji, programowanie, matematykę, rozumienie danych strukturalnych, takich jak tabele, oraz generowanie uporządkowanych odpowiedzi, zwłaszcza w formacie JSON.
Co ulepsza rodzina modeli
Producent opisuje szerszą wiedzę oraz lepsze umiejętności programistyczne i matematyczne niż w poprzedniej generacji Qwen2, a także generowanie długich odpowiedzi i lepszą obsługę różnych instrukcji systemowych. Rodzina korzysta z korpusu do treningu wstępnego, którego wielkość jest opisywana jako sięgająca 18 bilionów tokenów. Te możliwości wspierają asystenta dziedzinowego, którego rolę i wynik określa zadanie. Ten model pozostaje ogólną edycją Instruct; odrębnie nazwane linie Qwen2.5-Coder i Qwen2.5-Math mają własne specjalizacje.
Asystent procesowy może otrzymać procedurę i pytanie dotyczące jednego z jej etapów. Określ rolę odbiorcy, poproś o działania istotne na tym etapie i wymagaj zachowania w odpowiedzi pierwotnych warunków procedury. Przydatny wynik może oddzielać następne działanie, warunek umożliwiający jego zastosowanie oraz informacje, których nadal brakuje. W ten sposób ogólna prośba o poradę staje się odpowiedzią powiązaną z dostarczonym procesem.
Aby uzyskać wyjaśnienie kodu, podaj funkcję, istotne definicje pomocnicze i dane wejściowe, które budzą wątpliwości. Poproś o kolejność operacji oraz wartość zwracaną dla tych danych. Aby uzyskać wyjaśnienie matematyczne, określ symbole, założenia i docelowe wyrażenie, zanim poprosisz o wyprowadzenie. Oba zadania korzystają z tekstu; uruchomienie programu lub udostępnienie osobnego narzędzia obliczeniowego należy do aplikacji współpracującej z modelem.
Tabele i JSON
W pytaniu dotyczącym tabeli zachowaj nagłówki kolumn i jednostki, wskaż odpowiednie wiersze i określ porównanie. Oczekiwany wynik może zawierać identyfikatory pasujących wierszy i wyjaśniać, który z podanych warunków spełnia każdy z nich. Jeśli w tabeli brakuje wartości, określ, czy odpowiedź powinna pozostawić je nieobecne, czy wyraźnie oznaczyć ich brak.
Przy wyodrębnianiu danych strukturalnych pokaż nazwy pól i wymagane typy. Dane wejściowe, takie jak identyfikator artykułu, ilość w magazynie i etykieta magazynu, można przekształcić w rekord z tymi samymi polami. Poproś o sam rekord, gdy ma go parsować aplikacja; poproś o osobne wyjaśnienie tekstowe, gdy użytkownik musi sprawdzić interpretację źródła. Udokumentowana zdolność modelu do generowania JSON jest czymś odrębnym od egzekwowania schematu przez konkretny interfejs.
Rozmowy wielojęzyczne są obsługiwane w ponad 29 językach, w tym angielskim, chińskim, rosyjskim, niemieckim, francuskim, hiszpańskim, portugalskim, włoskim, japońskim, koreańskim, wietnamskim, tajskim i arabskim. Ustal język końcowej odpowiedzi i podaj terminologię, która musi pozostać bez zmian. W tłumaczonym wyjaśnieniu technicznym poproś model o zachowanie nazw zmiennych, cytowanych etykiet i jednostek przy dostosowaniu otaczającego tekstu do odbiorcy.
Szczegóły tej wersji 14B
Karta podaje 14,7 miliarda parametrów, w tym 13,1 miliarda parametrów poza warstwami osadzeń, oraz 48 warstw Transformer. Architektura wykorzystuje rotacyjne osadzenia pozycyjne, SwiGLU, RMSNorm i składnik bias QKV w mechanizmie uwagi, z 40 głowicami zapytań oraz 8 głowicami kluczy/wartości w mechanizmie grouped-query attention. Trening wstępny i dotrenowanie tworzą tę edycję Instruct. Liczba parametrów i warstw różni się od edycji 32B, nawet gdy możliwości rodziny i opublikowane wielkości kontekstu są takie same.
Karta modelu podaje pełny kontekst o długości 131 072 tokenów i generowanie do 8 192 tokenów. Pierwsza wartość dotyczy rozmowy i materiału zachowywanego na potrzeby zadania; druga dotyczy wygenerowanej odpowiedzi. Ustawienie generowania 512 tokenów w przykładzie szybkiego startu jest tylko przykładem i nie zastępuje podanej w karcie pojemności odpowiedzi. Rozumienie obrazów, wideo i dźwięku należy do odrębnie nazwanych wersji multimodalnych, a nie do tego modelu tekstowego.
Format wejścia i zadania wspomagane narzędziami
Przykład producenta stosuje właściwy szablon rozmowy do osobnych wiadomości systemowych i użytkownika. Określ rolę asystenta i zasady odpowiedzi oddzielnie od analizowanego materiału. Podaj kompletne pytanie i oznacz tekst źródłowy, aby instrukcja cytowana w źródle nie została pomylona z zadaniem przekazanym przez aplikację.
Oficjalna zapowiedź Qwen2.5 opisuje również szablony wywoływania narzędzi i zgodne integracje. Zadanie wspomagane narzędziami wymaga, aby aplikacja współpracująca z modelem dostarczyła opisy funkcji, wykonała wybraną operację i przekazała jej wynik do następnej odpowiedzi. Na przykład w rozmowie można poprosić o obliczenie przy użyciu udostępnionego narzędzia obliczeniowego; wynik funkcji staje się wtedy informacją, którą model może wyjaśnić. Dostępność narzędzi i ich wykonanie zapewnia integracja, natomiast ta wersja dostarcza tekstowe zachowanie w rozmowie.
Konfiguracja dla długiego tekstu
Opublikowana konfiguracja początkowo obejmuje 32 768 tokenów. Udokumentowane rozszerzenie dla dłuższych danych wejściowych wykorzystuje YaRN, z przykładowym współczynnikiem skalowania 4,0 i pierwotnym ustawieniem maksymalnej liczby pozycji 32 768. Statyczne skalowanie może wpływać na zachowanie przy krótszych tekstach, dlatego producent zaleca dodanie go wtedy, gdy potrzebne są długie konteksty.
Przygotowując długie źródło, wskaż sekcję do poprawienia lub pytanie, na które trzeba odpowiedzieć, i zachowaj razem części stanowiące podstawę odpowiedzi. Jasna prośba może dotyczyć poprawionego fragmentu, tabeli zmian i odwołań do pierwotnych sekcji. Pozwala to wykorzystać rozszerzony kontekst do przygotowania konkretnego rezultatu, zachowując odpowiedź w odrębnym limicie generowania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Qwen/Qwen2.5-14B-Instruct | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0002 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct to wielojęzyczny model tekstowy do asystentów wykonujących instrukcje, kodu i matematyki. Jego wersja z 14,7 miliarda parametrów obsługuje interpretację tabel, generowanie JSON i odpowiedzi do 8 192 tokenów, a konfiguracja rozszerzonego kontekstu pozwala przetwarzać długie dane wejściowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen2.5-14B-Instruct to dostrojona do wykonywania instrukcji edycja o rozmiarze 14B z ogólnej rodziny Qwen2.5. Przyjmuje rozmowę tekstową i zwraca tekst: wyjaśnienie, dokument, kod programu lub uporządkowane pola. Producent podkreśla wykonywanie instrukcji, programowanie, matematykę, rozumienie danych strukturalnych, takich jak tabele, oraz generowanie uporządkowanych odpowiedzi, zwłaszcza w formacie JSON.
Co ulepsza rodzina modeli
Producent opisuje szerszą wiedzę oraz lepsze umiejętności programistyczne i matematyczne niż w poprzedniej generacji Qwen2, a także generowanie długich odpowiedzi i lepszą obsługę różnych instrukcji systemowych. Rodzina korzysta z korpusu do treningu wstępnego, którego wielkość jest opisywana jako sięgająca 18 bilionów tokenów. Te możliwości wspierają asystenta dziedzinowego, którego rolę i wynik określa zadanie. Ten model pozostaje ogólną edycją Instruct; odrębnie nazwane linie Qwen2.5-Coder i Qwen2.5-Math mają własne specjalizacje.
Asystent procesowy może otrzymać procedurę i pytanie dotyczące jednego z jej etapów. Określ rolę odbiorcy, poproś o działania istotne na tym etapie i wymagaj zachowania w odpowiedzi pierwotnych warunków procedury. Przydatny wynik może oddzielać następne działanie, warunek umożliwiający jego zastosowanie oraz informacje, których nadal brakuje. W ten sposób ogólna prośba o poradę staje się odpowiedzią powiązaną z dostarczonym procesem.
Aby uzyskać wyjaśnienie kodu, podaj funkcję, istotne definicje pomocnicze i dane wejściowe, które budzą wątpliwości. Poproś o kolejność operacji oraz wartość zwracaną dla tych danych. Aby uzyskać wyjaśnienie matematyczne, określ symbole, założenia i docelowe wyrażenie, zanim poprosisz o wyprowadzenie. Oba zadania korzystają z tekstu; uruchomienie programu lub udostępnienie osobnego narzędzia obliczeniowego należy do aplikacji współpracującej z modelem.
Tabele i JSON
W pytaniu dotyczącym tabeli zachowaj nagłówki kolumn i jednostki, wskaż odpowiednie wiersze i określ porównanie. Oczekiwany wynik może zawierać identyfikatory pasujących wierszy i wyjaśniać, który z podanych warunków spełnia każdy z nich. Jeśli w tabeli brakuje wartości, określ, czy odpowiedź powinna pozostawić je nieobecne, czy wyraźnie oznaczyć ich brak.
Przy wyodrębnianiu danych strukturalnych pokaż nazwy pól i wymagane typy. Dane wejściowe, takie jak identyfikator artykułu, ilość w magazynie i etykieta magazynu, można przekształcić w rekord z tymi samymi polami. Poproś o sam rekord, gdy ma go parsować aplikacja; poproś o osobne wyjaśnienie tekstowe, gdy użytkownik musi sprawdzić interpretację źródła. Udokumentowana zdolność modelu do generowania JSON jest czymś odrębnym od egzekwowania schematu przez konkretny interfejs.
Rozmowy wielojęzyczne są obsługiwane w ponad 29 językach, w tym angielskim, chińskim, rosyjskim, niemieckim, francuskim, hiszpańskim, portugalskim, włoskim, japońskim, koreańskim, wietnamskim, tajskim i arabskim. Ustal język końcowej odpowiedzi i podaj terminologię, która musi pozostać bez zmian. W tłumaczonym wyjaśnieniu technicznym poproś model o zachowanie nazw zmiennych, cytowanych etykiet i jednostek przy dostosowaniu otaczającego tekstu do odbiorcy.
Szczegóły tej wersji 14B
Karta podaje 14,7 miliarda parametrów, w tym 13,1 miliarda parametrów poza warstwami osadzeń, oraz 48 warstw Transformer. Architektura wykorzystuje rotacyjne osadzenia pozycyjne, SwiGLU, RMSNorm i składnik bias QKV w mechanizmie uwagi, z 40 głowicami zapytań oraz 8 głowicami kluczy/wartości w mechanizmie grouped-query attention. Trening wstępny i dotrenowanie tworzą tę edycję Instruct. Liczba parametrów i warstw różni się od edycji 32B, nawet gdy możliwości rodziny i opublikowane wielkości kontekstu są takie same.
Karta modelu podaje pełny kontekst o długości 131 072 tokenów i generowanie do 8 192 tokenów. Pierwsza wartość dotyczy rozmowy i materiału zachowywanego na potrzeby zadania; druga dotyczy wygenerowanej odpowiedzi. Ustawienie generowania 512 tokenów w przykładzie szybkiego startu jest tylko przykładem i nie zastępuje podanej w karcie pojemności odpowiedzi. Rozumienie obrazów, wideo i dźwięku należy do odrębnie nazwanych wersji multimodalnych, a nie do tego modelu tekstowego.
Format wejścia i zadania wspomagane narzędziami
Przykład producenta stosuje właściwy szablon rozmowy do osobnych wiadomości systemowych i użytkownika. Określ rolę asystenta i zasady odpowiedzi oddzielnie od analizowanego materiału. Podaj kompletne pytanie i oznacz tekst źródłowy, aby instrukcja cytowana w źródle nie została pomylona z zadaniem przekazanym przez aplikację.
Oficjalna zapowiedź Qwen2.5 opisuje również szablony wywoływania narzędzi i zgodne integracje. Zadanie wspomagane narzędziami wymaga, aby aplikacja współpracująca z modelem dostarczyła opisy funkcji, wykonała wybraną operację i przekazała jej wynik do następnej odpowiedzi. Na przykład w rozmowie można poprosić o obliczenie przy użyciu udostępnionego narzędzia obliczeniowego; wynik funkcji staje się wtedy informacją, którą model może wyjaśnić. Dostępność narzędzi i ich wykonanie zapewnia integracja, natomiast ta wersja dostarcza tekstowe zachowanie w rozmowie.
Konfiguracja dla długiego tekstu
Opublikowana konfiguracja początkowo obejmuje 32 768 tokenów. Udokumentowane rozszerzenie dla dłuższych danych wejściowych wykorzystuje YaRN, z przykładowym współczynnikiem skalowania 4,0 i pierwotnym ustawieniem maksymalnej liczby pozycji 32 768. Statyczne skalowanie może wpływać na zachowanie przy krótszych tekstach, dlatego producent zaleca dodanie go wtedy, gdy potrzebne są długie konteksty.
Przygotowując długie źródło, wskaż sekcję do poprawienia lub pytanie, na które trzeba odpowiedzieć, i zachowaj razem części stanowiące podstawę odpowiedzi. Jasna prośba może dotyczyć poprawionego fragmentu, tabeli zmian i odwołań do pierwotnych sekcji. Pozwala to wykorzystać rozszerzony kontekst do przygotowania konkretnego rezultatu, zachowując odpowiedź w odrębnym limicie generowania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Qwen/Qwen2.5-14B-Instruct | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0002 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct to wielojęzyczny model tekstowy do asystentów wykonujących instrukcje, kodu i matematyki. Jego wersja z 14,7 miliarda parametrów obsługuje interpretację tabel, generowanie JSON i odpowiedzi do 8 192 tokenów, a konfiguracja rozszerzonego kontekstu pozwala przetwarzać długie dane wejściowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen2.5-14B-Instruct to dostrojona do wykonywania instrukcji edycja o rozmiarze 14B z ogólnej rodziny Qwen2.5. Przyjmuje rozmowę tekstową i zwraca tekst: wyjaśnienie, dokument, kod programu lub uporządkowane pola. Producent podkreśla wykonywanie instrukcji, programowanie, matematykę, rozumienie danych strukturalnych, takich jak tabele, oraz generowanie uporządkowanych odpowiedzi, zwłaszcza w formacie JSON.
Co ulepsza rodzina modeli
Producent opisuje szerszą wiedzę oraz lepsze umiejętności programistyczne i matematyczne niż w poprzedniej generacji Qwen2, a także generowanie długich odpowiedzi i lepszą obsługę różnych instrukcji systemowych. Rodzina korzysta z korpusu do treningu wstępnego, którego wielkość jest opisywana jako sięgająca 18 bilionów tokenów. Te możliwości wspierają asystenta dziedzinowego, którego rolę i wynik określa zadanie. Ten model pozostaje ogólną edycją Instruct; odrębnie nazwane linie Qwen2.5-Coder i Qwen2.5-Math mają własne specjalizacje.
Asystent procesowy może otrzymać procedurę i pytanie dotyczące jednego z jej etapów. Określ rolę odbiorcy, poproś o działania istotne na tym etapie i wymagaj zachowania w odpowiedzi pierwotnych warunków procedury. Przydatny wynik może oddzielać następne działanie, warunek umożliwiający jego zastosowanie oraz informacje, których nadal brakuje. W ten sposób ogólna prośba o poradę staje się odpowiedzią powiązaną z dostarczonym procesem.
Aby uzyskać wyjaśnienie kodu, podaj funkcję, istotne definicje pomocnicze i dane wejściowe, które budzą wątpliwości. Poproś o kolejność operacji oraz wartość zwracaną dla tych danych. Aby uzyskać wyjaśnienie matematyczne, określ symbole, założenia i docelowe wyrażenie, zanim poprosisz o wyprowadzenie. Oba zadania korzystają z tekstu; uruchomienie programu lub udostępnienie osobnego narzędzia obliczeniowego należy do aplikacji współpracującej z modelem.
Tabele i JSON
W pytaniu dotyczącym tabeli zachowaj nagłówki kolumn i jednostki, wskaż odpowiednie wiersze i określ porównanie. Oczekiwany wynik może zawierać identyfikatory pasujących wierszy i wyjaśniać, który z podanych warunków spełnia każdy z nich. Jeśli w tabeli brakuje wartości, określ, czy odpowiedź powinna pozostawić je nieobecne, czy wyraźnie oznaczyć ich brak.
Przy wyodrębnianiu danych strukturalnych pokaż nazwy pól i wymagane typy. Dane wejściowe, takie jak identyfikator artykułu, ilość w magazynie i etykieta magazynu, można przekształcić w rekord z tymi samymi polami. Poproś o sam rekord, gdy ma go parsować aplikacja; poproś o osobne wyjaśnienie tekstowe, gdy użytkownik musi sprawdzić interpretację źródła. Udokumentowana zdolność modelu do generowania JSON jest czymś odrębnym od egzekwowania schematu przez konkretny interfejs.
Rozmowy wielojęzyczne są obsługiwane w ponad 29 językach, w tym angielskim, chińskim, rosyjskim, niemieckim, francuskim, hiszpańskim, portugalskim, włoskim, japońskim, koreańskim, wietnamskim, tajskim i arabskim. Ustal język końcowej odpowiedzi i podaj terminologię, która musi pozostać bez zmian. W tłumaczonym wyjaśnieniu technicznym poproś model o zachowanie nazw zmiennych, cytowanych etykiet i jednostek przy dostosowaniu otaczającego tekstu do odbiorcy.
Szczegóły tej wersji 14B
Karta podaje 14,7 miliarda parametrów, w tym 13,1 miliarda parametrów poza warstwami osadzeń, oraz 48 warstw Transformer. Architektura wykorzystuje rotacyjne osadzenia pozycyjne, SwiGLU, RMSNorm i składnik bias QKV w mechanizmie uwagi, z 40 głowicami zapytań oraz 8 głowicami kluczy/wartości w mechanizmie grouped-query attention. Trening wstępny i dotrenowanie tworzą tę edycję Instruct. Liczba parametrów i warstw różni się od edycji 32B, nawet gdy możliwości rodziny i opublikowane wielkości kontekstu są takie same.
Karta modelu podaje pełny kontekst o długości 131 072 tokenów i generowanie do 8 192 tokenów. Pierwsza wartość dotyczy rozmowy i materiału zachowywanego na potrzeby zadania; druga dotyczy wygenerowanej odpowiedzi. Ustawienie generowania 512 tokenów w przykładzie szybkiego startu jest tylko przykładem i nie zastępuje podanej w karcie pojemności odpowiedzi. Rozumienie obrazów, wideo i dźwięku należy do odrębnie nazwanych wersji multimodalnych, a nie do tego modelu tekstowego.
Format wejścia i zadania wspomagane narzędziami
Przykład producenta stosuje właściwy szablon rozmowy do osobnych wiadomości systemowych i użytkownika. Określ rolę asystenta i zasady odpowiedzi oddzielnie od analizowanego materiału. Podaj kompletne pytanie i oznacz tekst źródłowy, aby instrukcja cytowana w źródle nie została pomylona z zadaniem przekazanym przez aplikację.
Oficjalna zapowiedź Qwen2.5 opisuje również szablony wywoływania narzędzi i zgodne integracje. Zadanie wspomagane narzędziami wymaga, aby aplikacja współpracująca z modelem dostarczyła opisy funkcji, wykonała wybraną operację i przekazała jej wynik do następnej odpowiedzi. Na przykład w rozmowie można poprosić o obliczenie przy użyciu udostępnionego narzędzia obliczeniowego; wynik funkcji staje się wtedy informacją, którą model może wyjaśnić. Dostępność narzędzi i ich wykonanie zapewnia integracja, natomiast ta wersja dostarcza tekstowe zachowanie w rozmowie.
Konfiguracja dla długiego tekstu
Opublikowana konfiguracja początkowo obejmuje 32 768 tokenów. Udokumentowane rozszerzenie dla dłuższych danych wejściowych wykorzystuje YaRN, z przykładowym współczynnikiem skalowania 4,0 i pierwotnym ustawieniem maksymalnej liczby pozycji 32 768. Statyczne skalowanie może wpływać na zachowanie przy krótszych tekstach, dlatego producent zaleca dodanie go wtedy, gdy potrzebne są długie konteksty.
Przygotowując długie źródło, wskaż sekcję do poprawienia lub pytanie, na które trzeba odpowiedzieć, i zachowaj razem części stanowiące podstawę odpowiedzi. Jasna prośba może dotyczyć poprawionego fragmentu, tabeli zmian i odwołań do pierwotnych sekcji. Pozwala to wykorzystać rozszerzony kontekst do przygotowania konkretnego rezultatu, zachowując odpowiedź w odrębnym limicie generowania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen2.5-14b-instruct | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Rozmowa tekstowa | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream |
Parametrcontrol_scope | KontraktRozmowa tekstowa; stream jest wartością logiczną i domyślnie wynosi false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0002 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct to wielojęzyczny model tekstowy do asystentów wykonujących instrukcje, kodu i matematyki. Jego wersja z 14,7 miliarda parametrów obsługuje interpretację tabel, generowanie JSON i odpowiedzi do 8 192 tokenów, a konfiguracja rozszerzonego kontekstu pozwala przetwarzać długie dane wejściowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen2.5-14B-Instruct to dostrojona do wykonywania instrukcji edycja o rozmiarze 14B z ogólnej rodziny Qwen2.5. Przyjmuje rozmowę tekstową i zwraca tekst: wyjaśnienie, dokument, kod programu lub uporządkowane pola. Producent podkreśla wykonywanie instrukcji, programowanie, matematykę, rozumienie danych strukturalnych, takich jak tabele, oraz generowanie uporządkowanych odpowiedzi, zwłaszcza w formacie JSON.
Co ulepsza rodzina modeli
Producent opisuje szerszą wiedzę oraz lepsze umiejętności programistyczne i matematyczne niż w poprzedniej generacji Qwen2, a także generowanie długich odpowiedzi i lepszą obsługę różnych instrukcji systemowych. Rodzina korzysta z korpusu do treningu wstępnego, którego wielkość jest opisywana jako sięgająca 18 bilionów tokenów. Te możliwości wspierają asystenta dziedzinowego, którego rolę i wynik określa zadanie. Ten model pozostaje ogólną edycją Instruct; odrębnie nazwane linie Qwen2.5-Coder i Qwen2.5-Math mają własne specjalizacje.
Asystent procesowy może otrzymać procedurę i pytanie dotyczące jednego z jej etapów. Określ rolę odbiorcy, poproś o działania istotne na tym etapie i wymagaj zachowania w odpowiedzi pierwotnych warunków procedury. Przydatny wynik może oddzielać następne działanie, warunek umożliwiający jego zastosowanie oraz informacje, których nadal brakuje. W ten sposób ogólna prośba o poradę staje się odpowiedzią powiązaną z dostarczonym procesem.
Aby uzyskać wyjaśnienie kodu, podaj funkcję, istotne definicje pomocnicze i dane wejściowe, które budzą wątpliwości. Poproś o kolejność operacji oraz wartość zwracaną dla tych danych. Aby uzyskać wyjaśnienie matematyczne, określ symbole, założenia i docelowe wyrażenie, zanim poprosisz o wyprowadzenie. Oba zadania korzystają z tekstu; uruchomienie programu lub udostępnienie osobnego narzędzia obliczeniowego należy do aplikacji współpracującej z modelem.
Tabele i JSON
W pytaniu dotyczącym tabeli zachowaj nagłówki kolumn i jednostki, wskaż odpowiednie wiersze i określ porównanie. Oczekiwany wynik może zawierać identyfikatory pasujących wierszy i wyjaśniać, który z podanych warunków spełnia każdy z nich. Jeśli w tabeli brakuje wartości, określ, czy odpowiedź powinna pozostawić je nieobecne, czy wyraźnie oznaczyć ich brak.
Przy wyodrębnianiu danych strukturalnych pokaż nazwy pól i wymagane typy. Dane wejściowe, takie jak identyfikator artykułu, ilość w magazynie i etykieta magazynu, można przekształcić w rekord z tymi samymi polami. Poproś o sam rekord, gdy ma go parsować aplikacja; poproś o osobne wyjaśnienie tekstowe, gdy użytkownik musi sprawdzić interpretację źródła. Udokumentowana zdolność modelu do generowania JSON jest czymś odrębnym od egzekwowania schematu przez konkretny interfejs.
Rozmowy wielojęzyczne są obsługiwane w ponad 29 językach, w tym angielskim, chińskim, rosyjskim, niemieckim, francuskim, hiszpańskim, portugalskim, włoskim, japońskim, koreańskim, wietnamskim, tajskim i arabskim. Ustal język końcowej odpowiedzi i podaj terminologię, która musi pozostać bez zmian. W tłumaczonym wyjaśnieniu technicznym poproś model o zachowanie nazw zmiennych, cytowanych etykiet i jednostek przy dostosowaniu otaczającego tekstu do odbiorcy.
Szczegóły tej wersji 14B
Karta podaje 14,7 miliarda parametrów, w tym 13,1 miliarda parametrów poza warstwami osadzeń, oraz 48 warstw Transformer. Architektura wykorzystuje rotacyjne osadzenia pozycyjne, SwiGLU, RMSNorm i składnik bias QKV w mechanizmie uwagi, z 40 głowicami zapytań oraz 8 głowicami kluczy/wartości w mechanizmie grouped-query attention. Trening wstępny i dotrenowanie tworzą tę edycję Instruct. Liczba parametrów i warstw różni się od edycji 32B, nawet gdy możliwości rodziny i opublikowane wielkości kontekstu są takie same.
Karta modelu podaje pełny kontekst o długości 131 072 tokenów i generowanie do 8 192 tokenów. Pierwsza wartość dotyczy rozmowy i materiału zachowywanego na potrzeby zadania; druga dotyczy wygenerowanej odpowiedzi. Ustawienie generowania 512 tokenów w przykładzie szybkiego startu jest tylko przykładem i nie zastępuje podanej w karcie pojemności odpowiedzi. Rozumienie obrazów, wideo i dźwięku należy do odrębnie nazwanych wersji multimodalnych, a nie do tego modelu tekstowego.
Format wejścia i zadania wspomagane narzędziami
Przykład producenta stosuje właściwy szablon rozmowy do osobnych wiadomości systemowych i użytkownika. Określ rolę asystenta i zasady odpowiedzi oddzielnie od analizowanego materiału. Podaj kompletne pytanie i oznacz tekst źródłowy, aby instrukcja cytowana w źródle nie została pomylona z zadaniem przekazanym przez aplikację.
Oficjalna zapowiedź Qwen2.5 opisuje również szablony wywoływania narzędzi i zgodne integracje. Zadanie wspomagane narzędziami wymaga, aby aplikacja współpracująca z modelem dostarczyła opisy funkcji, wykonała wybraną operację i przekazała jej wynik do następnej odpowiedzi. Na przykład w rozmowie można poprosić o obliczenie przy użyciu udostępnionego narzędzia obliczeniowego; wynik funkcji staje się wtedy informacją, którą model może wyjaśnić. Dostępność narzędzi i ich wykonanie zapewnia integracja, natomiast ta wersja dostarcza tekstowe zachowanie w rozmowie.
Konfiguracja dla długiego tekstu
Opublikowana konfiguracja początkowo obejmuje 32 768 tokenów. Udokumentowane rozszerzenie dla dłuższych danych wejściowych wykorzystuje YaRN, z przykładowym współczynnikiem skalowania 4,0 i pierwotnym ustawieniem maksymalnej liczby pozycji 32 768. Statyczne skalowanie może wpływać na zachowanie przy krótszych tekstach, dlatego producent zaleca dodanie go wtedy, gdy potrzebne są długie konteksty.
Przygotowując długie źródło, wskaż sekcję do poprawienia lub pytanie, na które trzeba odpowiedzieć, i zachowaj razem części stanowiące podstawę odpowiedzi. Jasna prośba może dotyczyć poprawionego fragmentu, tabeli zmian i odwołań do pierwotnych sekcji. Pozwala to wykorzystać rozszerzony kontekst do przygotowania konkretnego rezultatu, zachowując odpowiedź w odrębnym limicie generowania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen2.5-14b-instruct | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0002 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Qwen/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Przykład techniczny po angielsku
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.