Qwen2.5-Coder-7B-Instruct to dostrojone do instrukcji wydanie w rozmiarze 7B rodziny Qwen skupionej na kodzie, wcześniej znanej jako CodeQwen. Jego główne zadania to generowanie kodu, rozumowanie o zachowaniu programu i naprawa kodu. Przyjmuje tekst, w tym wymagania i kod źródłowy, oraz zwraca tekst, który może zawierać implementację, wyjaśnienie lub proponowaną zmianę.
Możliwości programistyczne i trening
Producent opisuje 5.5 biliona tokenów treningowych, obejmujących kod źródłowy, materiały łączące tekst z kodem i przykłady syntetyczne. Rodzina zachowuje zdolności matematyczne i ogólnojęzykowe obok specjalizacji programistycznej. Ogłoszenie wydania rozróżnia generowanie programu, rozumowanie o sposobie jego działania i naprawianie istniejącej implementacji; wymagają one różnych danych wejściowych i różnych końcowych rezultatów.
Przy generowaniu podaj język programowania, sygnaturę funkcji, typy wejściowe i oczekiwaną wartość zwracaną. Dołącz ograniczenia, na przykład czy funkcja może modyfikować dane wejściowe lub używać zewnętrznej zależności. Poproś o implementację i krótkie wyjaśnienie spełnienia każdego wymagania. Na przykład żądanie sortowania może określać, że duplikaty muszą pozostać zachowane, a oryginalna lista niezmieniona, i prosić o funkcję oraz przykładowe wywołania dla pustej listy i listy z powtarzającymi się wartościami.
Przy rozumowaniu o kodzie dostarcz dokładny fragment i konkretne dane wejściowe do prześledzenia. Zapytaj, które gałęzie się wykonują, jak zmieniają się wartości pośrednie i co zwraca funkcja. Jest to użyteczniejsze niż nieukierunkowana prośba o wyjaśnienie całego pliku: odpowiedź łączy konkretne wejście z konkretną ścieżką przez program. Zachowaj przy fragmencie wszystkie wywoływane funkcje pomocnicze lub istotne definicje typów.
Przy naprawie podaj błędne zachowanie, oczekiwane zachowanie i kod określający różnicę. Sam komunikat błędu może nie określać ważnego warunku. Poproś o proponowaną poprawkę, wyjaśnienie przyczyny i przykłady odróżniające stare zachowanie od zamierzonego. Zwrócona poprawka jest rezultatem tekstowym; jej skompilowanie, wykonanie lub zastosowanie do repozytorium wymaga otaczającego środowiska programistycznego.
Nazwana wersja 7B
Udostępniony model ma 7.61 miliarda parametrów, w tym 6.53 miliarda parametrów poza embeddingami, i 28 warstw Transformer. Używa rotacyjnych embeddingów pozycyjnych, SwiGLU, RMSNorm i biasu QKV w mechanizmie uwagi. Jego grouped-query attention ma 28 głów zapytań i 4 głowy kluczy/wartości. Szczegóły te opisują to wydanie, a nie większą wersję Coder.
Rodzina udostępnia osobne modele Base i Instruct. Instruct jest dostosowany do żądań konwersacyjnych; Base stanowi podstawę do uzupełniania i dalszego dostrajania. Ten wpis dotyczy modelu 7B dostrojonego do instrukcji. Przykłady i główne wyniki innych rozmiarów w tym wydaniu nie określają możliwości ani wymagań zasobów tej wersji.
Przygotowanie instrukcji
Karta modelu pokazuje rozmowę z osobnymi wiadomościami systemowymi i użytkownika oraz odpowiednim szablonem czatu. Umieść trwałe reguły odpowiedzi, takie jak sposób prezentacji implementacji i wyjaśnienia, oddzielnie od kodu i zadania. Oznacz, który fragment jest istniejącym kodem, który tekst wymaganiem i jaki wynik należy zwrócić. Pomaga to zachować identyfikatory, interfejsy i zachowanie, które żądana zmiana musi utrzymać.
Użyteczne wejście asystenta programistycznego może zawierać krótki moduł, kod go wywołujący i zamierzoną zmianę. Poproś o zmienioną funkcję, listę założeń oraz przykładowe dane wejściowe z oczekiwanymi wynikami. W przypadku generowanego rezultatu wizualnego określ dane i interakcje do zaimplementowania oraz poproś o wynikowy tekst źródłowy; rodzina skupiona na kodzie pokazuje też asystentów kodu i rezultaty wizualne. Renderowanie rezultatu pozostaje osobnym krokiem względem generowania jego źródła.
Przetwarzanie długiego tekstu
Karta modelu wymienia pełny kontekst 131,072 tokenów, podczas gdy udostępniona konfiguracja jest początkowo ustawiona na 32,768 tokenów. Przetwarzanie wejść przekraczających to ustawienie wymaga udokumentowanego rozszerzenia YaRN. Przykład określa współczynnik skalowania 4.0 i pierwotne ustawienie maksymalnej liczby pozycji 32,768. Producent zauważa, że statyczne skalowanie może wpływać na zachowanie przy krótszym tekście, i zaleca dodawanie rozszerzenia, gdy potrzebne są długie konteksty.
Używaj większego kontekstu do zachowania razem powiązanego kodu i wymagań, ale określ rzeczywiste pytanie: zlokalizowanie niezgodnego wywołania, wyjaśnienie ścieżki danych lub zaproponowanie zmiany w określonym interfejsie. Dołącz fragmenty decydujące o zachowaniu zamiast niepowiązanych materiałów projektu. Wygenerowane 512 tokenów w szybkim starcie to przykładowe ustawienie; karta nie ustanawia na tej podstawie osobnej maksymalnej pojemności wyjścia.
Udokumentowanym wynikiem modelu jest tekst. Jego rola w agencie kodu zależy od zapewnienia przez aplikację dostępu do repozytorium, wykonywania i informacji zwrotnych. Oddziel te operacje od zdolności modelu do proponowania kodu i wyjaśniania jego zachowania oraz jawnie zachowaj konkretną wersję 7B-Instruct i ustawienia długiego kontekstu przy planowaniu powtarzalnego zadania.
", "aboutText": "Qwen2.5-Coder-7B-Instruct to dostrojone do instrukcji wydanie w rozmiarze 7B rodziny Qwen skupionej na kodzie, wcześniej znanej jako CodeQwen. Jego główne zadania to generowanie kodu, rozumowanie o zachowaniu programu i naprawa kodu. Przyjmuje tekst, w tym wymagania i kod źródłowy, oraz zwraca tekst, który może zawierać implementację, wyjaśnienie lub proponowaną zmianę.\n\nMożliwości programistyczne i trening\n\nProducent opisuje 5.5 biliona tokenów treningowych, obejmujących kod źródłowy, materiały łączące tekst z kodem i przykłady syntetyczne. Rodzina zachowuje zdolności matematyczne i ogólnojęzykowe obok specjalizacji programistycznej. Ogłoszenie wydania rozróżnia generowanie programu, rozumowanie o sposobie jego działania i naprawianie istniejącej implementacji; wymagają one różnych danych wejściowych i różnych końcowych rezultatów.\n\nPrzy generowaniu podaj język programowania, sygnaturę funkcji, typy wejściowe i oczekiwaną wartość zwracaną. Dołącz ograniczenia, na przykład czy funkcja może modyfikować dane wejściowe lub używać zewnętrznej zależności. Poproś o implementację i krótkie wyjaśnienie spełnienia każdego wymagania. Na przykład żądanie sortowania może określać, że duplikaty muszą pozostać zachowane, a oryginalna lista niezmieniona, i prosić o funkcję oraz przykładowe wywołania dla pustej listy i listy z powtarzającymi się wartościami.\n\nPrzy rozumowaniu o kodzie dostarcz dokładny fragment i konkretne dane wejściowe do prześledzenia. Zapytaj, które gałęzie się wykonują, jak zmieniają się wartości pośrednie i co zwraca funkcja. Jest to użyteczniejsze niż nieukierunkowana prośba o wyjaśnienie całego pliku: odpowiedź łączy konkretne wejście z konkretną ścieżką przez program. Zachowaj przy fragmencie wszystkie wywoływane funkcje pomocnicze lub istotne definicje typów.\n\nPrzy naprawie podaj błędne zachowanie, oczekiwane zachowanie i kod określający różnicę. Sam komunikat błędu może nie określać ważnego warunku. Poproś o proponowaną poprawkę, wyjaśnienie przyczyny i przykłady odróżniające stare zachowanie od zamierzonego. Zwrócona poprawka jest rezultatem tekstowym; jej skompilowanie, wykonanie lub zastosowanie do repozytorium wymaga otaczającego środowiska programistycznego.\n\nNazwana wersja 7B\n\nUdostępniony model ma 7.61 miliarda parametrów, w tym 6.53 miliarda parametrów poza embeddingami, i 28 warstw Transformer. Używa rotacyjnych embeddingów pozycyjnych, SwiGLU, RMSNorm i biasu QKV w mechanizmie uwagi. Jego grouped-query attention ma 28 głów zapytań i 4 głowy kluczy/wartości. Szczegóły te opisują to wydanie, a nie większą wersję Coder.\n\nRodzina udostępnia osobne modele Base i Instruct. Instruct jest dostosowany do żądań konwersacyjnych; Base stanowi podstawę do uzupełniania i dalszego dostrajania. Ten wpis dotyczy modelu 7B dostrojonego do instrukcji. Przykłady i główne wyniki innych rozmiarów w tym wydaniu nie określają możliwości ani wymagań zasobów tej wersji.\n\nPrzygotowanie instrukcji\n\nKarta modelu pokazuje rozmowę z osobnymi wiadomościami systemowymi i użytkownika oraz odpowiednim szablonem czatu. Umieść trwałe reguły odpowiedzi, takie jak sposób prezentacji implementacji i wyjaśnienia, oddzielnie od kodu i zadania. Oznacz, który fragment jest istniejącym kodem, który tekst wymaganiem i jaki wynik należy zwrócić. Pomaga to zachować identyfikatory, interfejsy i zachowanie, które żądana zmiana musi utrzymać.\n\nUżyteczne wejście asystenta programistycznego może zawierać krótki moduł, kod go wywołujący i zamierzoną zmianę. Poproś o zmienioną funkcję, listę założeń oraz przykładowe dane wejściowe z oczekiwanymi wynikami. W przypadku generowanego rezultatu wizualnego określ dane i interakcje do zaimplementowania oraz poproś o wynikowy tekst źródłowy; rodzina skupiona na kodzie pokazuje też asystentów kodu i rezultaty wizualne. Renderowanie rezultatu pozostaje osobnym krokiem względem generowania jego źródła.\n\nPrzetwarzanie długiego tekstu\n\nKarta modelu wymienia pełny kontekst 131,072 tokenów, podczas gdy udostępniona konfiguracja jest początkowo ustawiona na 32,768 tokenów. Przetwarzanie wejść przekraczających to ustawienie wymaga udokumentowanego rozszerzenia YaRN. Przykład określa współczynnik skalowania 4.0 i pierwotne ustawienie maksymalnej liczby pozycji 32,768. Producent zauważa, że statyczne skalowanie może wpływać na zachowanie przy krótszym tekście, i zaleca dodawanie rozszerzenia, gdy potrzebne są długie konteksty.\n\nUżywaj większego kontekstu do zachowania razem powiązanego kodu i wymagań, ale określ rzeczywiste pytanie: zlokalizowanie niezgodnego wywołania, wyjaśnienie ścieżki danych lub zaproponowanie zmiany w określonym interfejsie. Dołącz fragmenty decydujące o zachowaniu zamiast niepowiązanych materiałów projektu. Wygenerowane 512 tokenów w szybkim starcie to przykładowe ustawienie; karta nie ustanawia na tej podstawie osobnej maksymalnej pojemności wyjścia.\n\nUdokumentowanym wynikiem modelu jest tekst. Jego rola w agencie kodu zależy od zapewnienia przez aplikację dostępu do repozytorium, wykonywania i informacji zwrotnych. Oddziel te operacje od zdolności modelu do proponowania kodu i wyjaśniania jego zachowania oraz jawnie zachowaj konkretną wersję 7B-Instruct i ustawienia długiego kontekstu przy planowaniu powtarzalnego zadania.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct to model tekstowy do generowania, wyjaśniania i naprawiania kodu na podstawie instrukcji. Jego wydanie o 7.61 miliarda parametrów obsługuje rozszerzone konteksty do 131,072 tokenów z udokumentowaną konfiguracją długiego kontekstu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen2.5-Coder-7B-Instruct to dostrojone do instrukcji wydanie w rozmiarze 7B rodziny Qwen skupionej na kodzie, wcześniej znanej jako CodeQwen. Jego główne zadania to generowanie kodu, rozumowanie o zachowaniu programu i naprawa kodu. Przyjmuje tekst, w tym wymagania i kod źródłowy, oraz zwraca tekst, który może zawierać implementację, wyjaśnienie lub proponowaną zmianę.
Możliwości programistyczne i trening
Producent opisuje 5.5 biliona tokenów treningowych, obejmujących kod źródłowy, materiały łączące tekst z kodem i przykłady syntetyczne. Rodzina zachowuje zdolności matematyczne i ogólnojęzykowe obok specjalizacji programistycznej. Ogłoszenie wydania rozróżnia generowanie programu, rozumowanie o sposobie jego działania i naprawianie istniejącej implementacji; wymagają one różnych danych wejściowych i różnych końcowych rezultatów.
Przy generowaniu podaj język programowania, sygnaturę funkcji, typy wejściowe i oczekiwaną wartość zwracaną. Dołącz ograniczenia, na przykład czy funkcja może modyfikować dane wejściowe lub używać zewnętrznej zależności. Poproś o implementację i krótkie wyjaśnienie spełnienia każdego wymagania. Na przykład żądanie sortowania może określać, że duplikaty muszą pozostać zachowane, a oryginalna lista niezmieniona, i prosić o funkcję oraz przykładowe wywołania dla pustej listy i listy z powtarzającymi się wartościami.
Przy rozumowaniu o kodzie dostarcz dokładny fragment i konkretne dane wejściowe do prześledzenia. Zapytaj, które gałęzie się wykonują, jak zmieniają się wartości pośrednie i co zwraca funkcja. Jest to użyteczniejsze niż nieukierunkowana prośba o wyjaśnienie całego pliku: odpowiedź łączy konkretne wejście z konkretną ścieżką przez program. Zachowaj przy fragmencie wszystkie wywoływane funkcje pomocnicze lub istotne definicje typów.
Przy naprawie podaj błędne zachowanie, oczekiwane zachowanie i kod określający różnicę. Sam komunikat błędu może nie określać ważnego warunku. Poproś o proponowaną poprawkę, wyjaśnienie przyczyny i przykłady odróżniające stare zachowanie od zamierzonego. Zwrócona poprawka jest rezultatem tekstowym; jej skompilowanie, wykonanie lub zastosowanie do repozytorium wymaga otaczającego środowiska programistycznego.
Nazwana wersja 7B
Udostępniony model ma 7.61 miliarda parametrów, w tym 6.53 miliarda parametrów poza embeddingami, i 28 warstw Transformer. Używa rotacyjnych embeddingów pozycyjnych, SwiGLU, RMSNorm i biasu QKV w mechanizmie uwagi. Jego grouped-query attention ma 28 głów zapytań i 4 głowy kluczy/wartości. Szczegóły te opisują to wydanie, a nie większą wersję Coder.
Rodzina udostępnia osobne modele Base i Instruct. Instruct jest dostosowany do żądań konwersacyjnych; Base stanowi podstawę do uzupełniania i dalszego dostrajania. Ten wpis dotyczy modelu 7B dostrojonego do instrukcji. Przykłady i główne wyniki innych rozmiarów w tym wydaniu nie określają możliwości ani wymagań zasobów tej wersji.
Przygotowanie instrukcji
Karta modelu pokazuje rozmowę z osobnymi wiadomościami systemowymi i użytkownika oraz odpowiednim szablonem czatu. Umieść trwałe reguły odpowiedzi, takie jak sposób prezentacji implementacji i wyjaśnienia, oddzielnie od kodu i zadania. Oznacz, który fragment jest istniejącym kodem, który tekst wymaganiem i jaki wynik należy zwrócić. Pomaga to zachować identyfikatory, interfejsy i zachowanie, które żądana zmiana musi utrzymać.
Użyteczne wejście asystenta programistycznego może zawierać krótki moduł, kod go wywołujący i zamierzoną zmianę. Poproś o zmienioną funkcję, listę założeń oraz przykładowe dane wejściowe z oczekiwanymi wynikami. W przypadku generowanego rezultatu wizualnego określ dane i interakcje do zaimplementowania oraz poproś o wynikowy tekst źródłowy; rodzina skupiona na kodzie pokazuje też asystentów kodu i rezultaty wizualne. Renderowanie rezultatu pozostaje osobnym krokiem względem generowania jego źródła.
Przetwarzanie długiego tekstu
Karta modelu wymienia pełny kontekst 131,072 tokenów, podczas gdy udostępniona konfiguracja jest początkowo ustawiona na 32,768 tokenów. Przetwarzanie wejść przekraczających to ustawienie wymaga udokumentowanego rozszerzenia YaRN. Przykład określa współczynnik skalowania 4.0 i pierwotne ustawienie maksymalnej liczby pozycji 32,768. Producent zauważa, że statyczne skalowanie może wpływać na zachowanie przy krótszym tekście, i zaleca dodawanie rozszerzenia, gdy potrzebne są długie konteksty.
Używaj większego kontekstu do zachowania razem powiązanego kodu i wymagań, ale określ rzeczywiste pytanie: zlokalizowanie niezgodnego wywołania, wyjaśnienie ścieżki danych lub zaproponowanie zmiany w określonym interfejsie. Dołącz fragmenty decydujące o zachowaniu zamiast niepowiązanych materiałów projektu. Wygenerowane 512 tokenów w szybkim starcie to przykładowe ustawienie; karta nie ustanawia na tej podstawie osobnej maksymalnej pojemności wyjścia.
Udokumentowanym wynikiem modelu jest tekst. Jego rola w agencie kodu zależy od zapewnienia przez aplikację dostępu do repozytorium, wykonywania i informacji zwrotnych. Oddziel te operacje od zdolności modelu do proponowania kodu i wyjaśniania jego zachowania oraz jawnie zachowaj konkretną wersję 7B-Instruct i ustawienia długiego kontekstu przy planowaniu powtarzalnego zadania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen2.5-coder-7b-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 $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0001 / 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-coder-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-coder-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-coder-7b-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 qwen2.5-coder-7b-instruct
Użyj ścieżek metod podanych powyżej.
qwen2.5-coder-7b-instructQwen2.5-Coder-7B-Instruct to model tekstowy do generowania, wyjaśniania i naprawiania kodu na podstawie instrukcji. Jego wydanie o 7.61 miliarda parametrów obsługuje rozszerzone konteksty do 131,072 tokenów z udokumentowaną konfiguracją długiego kontekstu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen2.5-Coder-7B-Instruct to dostrojone do instrukcji wydanie w rozmiarze 7B rodziny Qwen skupionej na kodzie, wcześniej znanej jako CodeQwen. Jego główne zadania to generowanie kodu, rozumowanie o zachowaniu programu i naprawa kodu. Przyjmuje tekst, w tym wymagania i kod źródłowy, oraz zwraca tekst, który może zawierać implementację, wyjaśnienie lub proponowaną zmianę.
Możliwości programistyczne i trening
Producent opisuje 5.5 biliona tokenów treningowych, obejmujących kod źródłowy, materiały łączące tekst z kodem i przykłady syntetyczne. Rodzina zachowuje zdolności matematyczne i ogólnojęzykowe obok specjalizacji programistycznej. Ogłoszenie wydania rozróżnia generowanie programu, rozumowanie o sposobie jego działania i naprawianie istniejącej implementacji; wymagają one różnych danych wejściowych i różnych końcowych rezultatów.
Przy generowaniu podaj język programowania, sygnaturę funkcji, typy wejściowe i oczekiwaną wartość zwracaną. Dołącz ograniczenia, na przykład czy funkcja może modyfikować dane wejściowe lub używać zewnętrznej zależności. Poproś o implementację i krótkie wyjaśnienie spełnienia każdego wymagania. Na przykład żądanie sortowania może określać, że duplikaty muszą pozostać zachowane, a oryginalna lista niezmieniona, i prosić o funkcję oraz przykładowe wywołania dla pustej listy i listy z powtarzającymi się wartościami.
Przy rozumowaniu o kodzie dostarcz dokładny fragment i konkretne dane wejściowe do prześledzenia. Zapytaj, które gałęzie się wykonują, jak zmieniają się wartości pośrednie i co zwraca funkcja. Jest to użyteczniejsze niż nieukierunkowana prośba o wyjaśnienie całego pliku: odpowiedź łączy konkretne wejście z konkretną ścieżką przez program. Zachowaj przy fragmencie wszystkie wywoływane funkcje pomocnicze lub istotne definicje typów.
Przy naprawie podaj błędne zachowanie, oczekiwane zachowanie i kod określający różnicę. Sam komunikat błędu może nie określać ważnego warunku. Poproś o proponowaną poprawkę, wyjaśnienie przyczyny i przykłady odróżniające stare zachowanie od zamierzonego. Zwrócona poprawka jest rezultatem tekstowym; jej skompilowanie, wykonanie lub zastosowanie do repozytorium wymaga otaczającego środowiska programistycznego.
Nazwana wersja 7B
Udostępniony model ma 7.61 miliarda parametrów, w tym 6.53 miliarda parametrów poza embeddingami, i 28 warstw Transformer. Używa rotacyjnych embeddingów pozycyjnych, SwiGLU, RMSNorm i biasu QKV w mechanizmie uwagi. Jego grouped-query attention ma 28 głów zapytań i 4 głowy kluczy/wartości. Szczegóły te opisują to wydanie, a nie większą wersję Coder.
Rodzina udostępnia osobne modele Base i Instruct. Instruct jest dostosowany do żądań konwersacyjnych; Base stanowi podstawę do uzupełniania i dalszego dostrajania. Ten wpis dotyczy modelu 7B dostrojonego do instrukcji. Przykłady i główne wyniki innych rozmiarów w tym wydaniu nie określają możliwości ani wymagań zasobów tej wersji.
Przygotowanie instrukcji
Karta modelu pokazuje rozmowę z osobnymi wiadomościami systemowymi i użytkownika oraz odpowiednim szablonem czatu. Umieść trwałe reguły odpowiedzi, takie jak sposób prezentacji implementacji i wyjaśnienia, oddzielnie od kodu i zadania. Oznacz, który fragment jest istniejącym kodem, który tekst wymaganiem i jaki wynik należy zwrócić. Pomaga to zachować identyfikatory, interfejsy i zachowanie, które żądana zmiana musi utrzymać.
Użyteczne wejście asystenta programistycznego może zawierać krótki moduł, kod go wywołujący i zamierzoną zmianę. Poproś o zmienioną funkcję, listę założeń oraz przykładowe dane wejściowe z oczekiwanymi wynikami. W przypadku generowanego rezultatu wizualnego określ dane i interakcje do zaimplementowania oraz poproś o wynikowy tekst źródłowy; rodzina skupiona na kodzie pokazuje też asystentów kodu i rezultaty wizualne. Renderowanie rezultatu pozostaje osobnym krokiem względem generowania jego źródła.
Przetwarzanie długiego tekstu
Karta modelu wymienia pełny kontekst 131,072 tokenów, podczas gdy udostępniona konfiguracja jest początkowo ustawiona na 32,768 tokenów. Przetwarzanie wejść przekraczających to ustawienie wymaga udokumentowanego rozszerzenia YaRN. Przykład określa współczynnik skalowania 4.0 i pierwotne ustawienie maksymalnej liczby pozycji 32,768. Producent zauważa, że statyczne skalowanie może wpływać na zachowanie przy krótszym tekście, i zaleca dodawanie rozszerzenia, gdy potrzebne są długie konteksty.
Używaj większego kontekstu do zachowania razem powiązanego kodu i wymagań, ale określ rzeczywiste pytanie: zlokalizowanie niezgodnego wywołania, wyjaśnienie ścieżki danych lub zaproponowanie zmiany w określonym interfejsie. Dołącz fragmenty decydujące o zachowaniu zamiast niepowiązanych materiałów projektu. Wygenerowane 512 tokenów w szybkim starcie to przykładowe ustawienie; karta nie ustanawia na tej podstawie osobnej maksymalnej pojemności wyjścia.
Udokumentowanym wynikiem modelu jest tekst. Jego rola w agencie kodu zależy od zapewnienia przez aplikację dostępu do repozytorium, wykonywania i informacji zwrotnych. Oddziel te operacje od zdolności modelu do proponowania kodu i wyjaśniania jego zachowania oraz jawnie zachowaj konkretną wersję 7B-Instruct i ustawienia długiego kontekstu przy planowaniu powtarzalnego zadania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen2.5-coder-7b-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 $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0001 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen2.5-coder-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-coder-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2.5-coder-7b-instruct
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Repair integer averaging\n\nFix this Python function: def mean(values): return sum(values) // len(values). Requirement: return the arithmetic mean as a float, preserve fractional results and raise ValueError for empty input. Provide the corrected function and tests for [1, 2], [-2, 2] and []. Explain the two distinct defects.A corrected function, three tests and separate explanations for floor division and empty-input behavior.Check that [1, 2] keeps its fractional mean and that empty input raises the specified exception.