Qwen2.5 72B Instruct är den stora, instruktionsfinjusterade textmodellen i Qwens generella Qwen2.5-serie. Den producerar skriftliga svar, kod och strukturerad text från instruktioner och samtal. Dess förmågor omfattar allmänkunskap, programmering, matematik, att följa detaljerade instruktioner och arbete med tabeller. Den är skild från baskontrollpunkten Qwen2.5 och de separata Coder-, Math- och bild-språkversionerna.
Modellen är en tät decoder-only-Transformer med totalt 72,7 miljarder parametrar, varav 70 miljarder är parametrar utanför inbäddningarna. Den publicerade arkitekturen har 80 lager och grouped-query attention med 64 frågehuvuden och åtta nyckel-/värdehuvuden, tillsammans med roterande positionsinbäddningar, SwiGLU och RMSNorm. Seriens förträningsdata omfattar upp till 18 biljoner token, följt av efterträning för instruktionsbaserad användning.
Det exakta modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den publicerade konfigurationen börjar vid 32 768 positioner; utökad kontext kräver tillverkarens konfiguration för längdskalning. Kortet varnar för att statisk skalning kan påverka prestandan för kortare texter och rekommenderar att den aktiveras när långa indata behövs. Siffrorna skiljer modellens fulla kapacitet från den standardkonfiguration för kontrollpunkten som används i en viss driftsättning.
För arbete med långa dokument ska du ange vilka avsnitt som ska undersökas och vilket resultat som ska returneras: en jämförelse, en disposition, en sammanfattning eller en uppsättning extraherade fakta. Håll instruktionerna, källtexten och det begärda svaret inom den tillgängliga kontexten. En längre rapport blir tydligare med en avsnittsplan och uttryckliga prioriteringar, så att resultatet följer uppgiften i stället för att använda sin genereringslängd till en ovidkommande inledning.
Förståelse av strukturerade data och JSON-generering är framträdande delar av versionen. Ange tabellrubriker, enheter och eventuella regler för saknade värden innan du begär en omvandling. För en extraktionsuppgift ska du definiera utdatafälten och be modellen skilja värden som anges i källan från information som saknas. Applikationen kan sedan tolka och kontrollera resultatet mot den förväntade strukturen. Att producera JSON gör inte i sig ett visst schema till ett garanterat utdatakontrakt.
Qwen dokumenterar stöd för verktygsanrop genom sina samtalsmallar och kompatibla applikationsintegrationer. Ange funktionsbeskrivningar och den information varje funktion behöver. Modellen förbereder ett föreslaget anrop; applikationen kör det och tillhandahåller resultatet för nästa omgång. En användbar datauppgift kan hämta en post, jämföra den med användarens fråga och ge en kort förklaring kopplad till de hämtade fälten. Körning och åtkomst till externa system tillhandahålls av den omgivande applikationen.
Tillverkaren beskriver stöd för fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Flexibiliteten i systempromptar gör det också möjligt att ange en chattbots roll och villkor. För kod eller matematik ska du tillhandahålla den relevanta implementationen eller förutsättningarna och be om svaret tillsammans med de kontroller eller mellanliggande steg som behövs för att bedöma det. För flerspråkiga utdata ska du ange målspråket och den terminologi som ska bevaras, så att resultatet passar den avsedda målgruppen.
", "aboutText": "Qwen2.5 72B Instruct är den stora, instruktionsfinjusterade textmodellen i Qwens generella Qwen2.5-serie. Den producerar skriftliga svar, kod och strukturerad text från instruktioner och samtal. Dess förmågor omfattar allmänkunskap, programmering, matematik, att följa detaljerade instruktioner och arbete med tabeller. Den är skild från baskontrollpunkten Qwen2.5 och de separata Coder-, Math- och bild-språkversionerna.\n\nModellen är en tät decoder-only-Transformer med totalt 72,7 miljarder parametrar, varav 70 miljarder är parametrar utanför inbäddningarna. Den publicerade arkitekturen har 80 lager och grouped-query attention med 64 frågehuvuden och åtta nyckel-/värdehuvuden, tillsammans med roterande positionsinbäddningar, SwiGLU och RMSNorm. Seriens förträningsdata omfattar upp till 18 biljoner token, följt av efterträning för instruktionsbaserad användning.\n\nDet exakta modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den publicerade konfigurationen börjar vid 32 768 positioner; utökad kontext kräver tillverkarens konfiguration för längdskalning. Kortet varnar för att statisk skalning kan påverka prestandan för kortare texter och rekommenderar att den aktiveras när långa indata behövs. Siffrorna skiljer modellens fulla kapacitet från den standardkonfiguration för kontrollpunkten som används i en viss driftsättning.\n\nFör arbete med långa dokument ska du ange vilka avsnitt som ska undersökas och vilket resultat som ska returneras: en jämförelse, en disposition, en sammanfattning eller en uppsättning extraherade fakta. Håll instruktionerna, källtexten och det begärda svaret inom den tillgängliga kontexten. En längre rapport blir tydligare med en avsnittsplan och uttryckliga prioriteringar, så att resultatet följer uppgiften i stället för att använda sin genereringslängd till en ovidkommande inledning.\n\nFörståelse av strukturerade data och JSON-generering är framträdande delar av versionen. Ange tabellrubriker, enheter och eventuella regler för saknade värden innan du begär en omvandling. För en extraktionsuppgift ska du definiera utdatafälten och be modellen skilja värden som anges i källan från information som saknas. Applikationen kan sedan tolka och kontrollera resultatet mot den förväntade strukturen. Att producera JSON gör inte i sig ett visst schema till ett garanterat utdatakontrakt.\n\nQwen dokumenterar stöd för verktygsanrop genom sina samtalsmallar och kompatibla applikationsintegrationer. Ange funktionsbeskrivningar och den information varje funktion behöver. Modellen förbereder ett föreslaget anrop; applikationen kör det och tillhandahåller resultatet för nästa omgång. En användbar datauppgift kan hämta en post, jämföra den med användarens fråga och ge en kort förklaring kopplad till de hämtade fälten. Körning och åtkomst till externa system tillhandahålls av den omgivande applikationen.\n\nTillverkaren beskriver stöd för fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Flexibiliteten i systempromptar gör det också möjligt att ange en chattbots roll och villkor. För kod eller matematik ska du tillhandahålla den relevanta implementationen eller förutsättningarna och be om svaret tillsammans med de kontroller eller mellanliggande steg som behövs för att bedöma det. För flerspråkiga utdata ska du ange målspråket och den terminologi som ska bevaras, så att resultatet passar den avsedda målgruppen.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct är Qwens täta, instruktionsfinjusterade textmodell för flerspråkiga samtal, kod, matematik och strukturerade data. Tillverkaren dokumenterar en utökad kontext på 131 072 token, generering av 8 192 token och mallar för verktygsanrop.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5 72B Instruct är den stora, instruktionsfinjusterade textmodellen i Qwens generella Qwen2.5-serie. Den producerar skriftliga svar, kod och strukturerad text från instruktioner och samtal. Dess förmågor omfattar allmänkunskap, programmering, matematik, att följa detaljerade instruktioner och arbete med tabeller. Den är skild från baskontrollpunkten Qwen2.5 och de separata Coder-, Math- och bild-språkversionerna.
Modellen är en tät decoder-only-Transformer med totalt 72,7 miljarder parametrar, varav 70 miljarder är parametrar utanför inbäddningarna. Den publicerade arkitekturen har 80 lager och grouped-query attention med 64 frågehuvuden och åtta nyckel-/värdehuvuden, tillsammans med roterande positionsinbäddningar, SwiGLU och RMSNorm. Seriens förträningsdata omfattar upp till 18 biljoner token, följt av efterträning för instruktionsbaserad användning.
Det exakta modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den publicerade konfigurationen börjar vid 32 768 positioner; utökad kontext kräver tillverkarens konfiguration för längdskalning. Kortet varnar för att statisk skalning kan påverka prestandan för kortare texter och rekommenderar att den aktiveras när långa indata behövs. Siffrorna skiljer modellens fulla kapacitet från den standardkonfiguration för kontrollpunkten som används i en viss driftsättning.
För arbete med långa dokument ska du ange vilka avsnitt som ska undersökas och vilket resultat som ska returneras: en jämförelse, en disposition, en sammanfattning eller en uppsättning extraherade fakta. Håll instruktionerna, källtexten och det begärda svaret inom den tillgängliga kontexten. En längre rapport blir tydligare med en avsnittsplan och uttryckliga prioriteringar, så att resultatet följer uppgiften i stället för att använda sin genereringslängd till en ovidkommande inledning.
Förståelse av strukturerade data och JSON-generering är framträdande delar av versionen. Ange tabellrubriker, enheter och eventuella regler för saknade värden innan du begär en omvandling. För en extraktionsuppgift ska du definiera utdatafälten och be modellen skilja värden som anges i källan från information som saknas. Applikationen kan sedan tolka och kontrollera resultatet mot den förväntade strukturen. Att producera JSON gör inte i sig ett visst schema till ett garanterat utdatakontrakt.
Qwen dokumenterar stöd för verktygsanrop genom sina samtalsmallar och kompatibla applikationsintegrationer. Ange funktionsbeskrivningar och den information varje funktion behöver. Modellen förbereder ett föreslaget anrop; applikationen kör det och tillhandahåller resultatet för nästa omgång. En användbar datauppgift kan hämta en post, jämföra den med användarens fråga och ge en kort förklaring kopplad till de hämtade fälten. Körning och åtkomst till externa system tillhandahålls av den omgivande applikationen.
Tillverkaren beskriver stöd för fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Flexibiliteten i systempromptar gör det också möjligt att ange en chattbots roll och villkor. För kod eller matematik ska du tillhandahålla den relevanta implementationen eller förutsättningarna och be om svaret tillsammans med de kontroller eller mellanliggande steg som behövs för att bedöma det. För flerspråkiga utdata ska du ange målspråket och den terminologi som ska bevaras, så att resultatet passar den avsedda målgruppen.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen-2.5-72b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00118 / 1K token Utdata · Utdatatoken $0.00118 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00118 / 1K token Utdata · Utdatatoken $0.00118 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen-2.5-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen-2.5-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen-2.5-72b-instruct
Använd metodsökvägarna som visas ovan.
qwen/qwen-2.5-72b-instructQwen2.5 72B Instruct är Qwens täta, instruktionsfinjusterade textmodell för flerspråkiga samtal, kod, matematik och strukturerade data. Tillverkaren dokumenterar en utökad kontext på 131 072 token, generering av 8 192 token och mallar för verktygsanrop.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5 72B Instruct är den stora, instruktionsfinjusterade textmodellen i Qwens generella Qwen2.5-serie. Den producerar skriftliga svar, kod och strukturerad text från instruktioner och samtal. Dess förmågor omfattar allmänkunskap, programmering, matematik, att följa detaljerade instruktioner och arbete med tabeller. Den är skild från baskontrollpunkten Qwen2.5 och de separata Coder-, Math- och bild-språkversionerna.
Modellen är en tät decoder-only-Transformer med totalt 72,7 miljarder parametrar, varav 70 miljarder är parametrar utanför inbäddningarna. Den publicerade arkitekturen har 80 lager och grouped-query attention med 64 frågehuvuden och åtta nyckel-/värdehuvuden, tillsammans med roterande positionsinbäddningar, SwiGLU och RMSNorm. Seriens förträningsdata omfattar upp till 18 biljoner token, följt av efterträning för instruktionsbaserad användning.
Det exakta modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den publicerade konfigurationen börjar vid 32 768 positioner; utökad kontext kräver tillverkarens konfiguration för längdskalning. Kortet varnar för att statisk skalning kan påverka prestandan för kortare texter och rekommenderar att den aktiveras när långa indata behövs. Siffrorna skiljer modellens fulla kapacitet från den standardkonfiguration för kontrollpunkten som används i en viss driftsättning.
För arbete med långa dokument ska du ange vilka avsnitt som ska undersökas och vilket resultat som ska returneras: en jämförelse, en disposition, en sammanfattning eller en uppsättning extraherade fakta. Håll instruktionerna, källtexten och det begärda svaret inom den tillgängliga kontexten. En längre rapport blir tydligare med en avsnittsplan och uttryckliga prioriteringar, så att resultatet följer uppgiften i stället för att använda sin genereringslängd till en ovidkommande inledning.
Förståelse av strukturerade data och JSON-generering är framträdande delar av versionen. Ange tabellrubriker, enheter och eventuella regler för saknade värden innan du begär en omvandling. För en extraktionsuppgift ska du definiera utdatafälten och be modellen skilja värden som anges i källan från information som saknas. Applikationen kan sedan tolka och kontrollera resultatet mot den förväntade strukturen. Att producera JSON gör inte i sig ett visst schema till ett garanterat utdatakontrakt.
Qwen dokumenterar stöd för verktygsanrop genom sina samtalsmallar och kompatibla applikationsintegrationer. Ange funktionsbeskrivningar och den information varje funktion behöver. Modellen förbereder ett föreslaget anrop; applikationen kör det och tillhandahåller resultatet för nästa omgång. En användbar datauppgift kan hämta en post, jämföra den med användarens fråga och ge en kort förklaring kopplad till de hämtade fälten. Körning och åtkomst till externa system tillhandahålls av den omgivande applikationen.
Tillverkaren beskriver stöd för fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Flexibiliteten i systempromptar gör det också möjligt att ange en chattbots roll och villkor. För kod eller matematik ska du tillhandahålla den relevanta implementationen eller förutsättningarna och be om svaret tillsammans med de kontroller eller mellanliggande steg som behövs för att bedöma det. För flerspråkiga utdata ska du ange målspråket och den terminologi som ska bevaras, så att resultatet passar den avsedda målgruppen.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen-2.5-72b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00118 / 1K token Utdata · Utdatatoken $0.00118 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00118 / 1K token Utdata · Utdatatoken $0.00118 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen-2.5-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen-2.5-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen-2.5-72b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Transform a small stock table\n\nTransform this table into a compact requested JSON array. Columns: sku, units, unit. Rows: A7 | 12 | boxes; B3 | blank | pieces; C9 | 0 | boxes. Preserve SKU spelling and units, convert stated counts to integers, and use null for a blank count. Return the array only; do not calculate totals across different units.A three-object JSON-shaped array retaining sku, units and unit with numeric counts or null.The blank count remains null, zero remains 0, and boxes are not added to pieces.