Qwen2.5-7B-Instruct är den instruktionsfinjusterade 7B-textmodellen i Qwen2.5-familjen av generella språkmodeller. Qwen lyfter fram programmering och matematik, instruktionsföljande, längre texter, tabellförståelse och strukturerade utdata, särskilt JSON. Det är en tät decoder-only-modell med totalt 7,61 miljarder parametrar, varav 6,53 miljarder är parametrar utanför inbäddningarna. Den tar emot textsamtal och genererar text. En användbar uppgiftsbeskrivning kan be den omvandla tillhandahållen information till en tydlig förklaring, en strukturerad post, ett reviderat utkast eller ett programförslag.
Modellen stöder fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Tillverkaren betonar också tålighet för varierande systempromptar, vilket är användbart när en samtalsroll och dess villkor ska definieras. Ange rollen, målgruppen, terminologin och utdataspråket direkt. En redigeringsbegäran kan till exempel ge ett tekniskt textavsnitt, ange den avsedda läsaren och be om en kortare förklaring som bevarar namngivna termer och angivna villkor. Den instruktionsfinjusterade versionen är samtalsmodellen, skild från motsvarande förtränade basmodell.
Förståelse av strukturerade data och JSON-generering är centrala förbättringar i Qwen2.5. För att extrahera eller omvandla en tabell ska du bevara dess rubriker och enheter och förklara vilka rader eller samband som är viktiga. Definiera de önskade nycklarna, värdetyperna och hanteringen av saknad information i stället för att bara be om en generell sammanfattning. Ett exempel kan ge en lista med problem och be om ett objekt per problem med källidentifierare, kategori och en kort förklaring. Ett sådant resultat är fortfarande genererad text: att kontrollera dess struktur och värden mot indata är en del av att använda det i ett efterföljande arbetsflöde.
Det exakta modellkortet beskriver en full kontextlängd på 131 072 token och generering av upp till 8 192 token. Den medföljande konfigurationen är inställd på 32 768 kontexttoken; längre material hanteras med den dokumenterade YaRN-konfigurationen. Tillverkaren varnar för att statisk skalning kan påverka prestandan för kortare indata och rekommenderar att den läggs till när bearbetning med lång kontext behövs. Håll indata och det begärda svaret inom det relevanta konfigurerade utrymmet. För en lång rapport ska du behålla avsnittsrubriker, prioritera de textpartier som hör till frågan och ange önskad utdatalängd, i stället för att använda den större kontextsiffran som skäl att ta med ovidkommande material.
Den officiella snabbstarten använder system- och användarmeddelanden med modellens chattmall och avkodar sedan den genererade fortsättningen. Förbered programmeringsarbete med relevant källkod, språk, förväntat beteende och begränsningar. Förbered en matematisk fråga med givna förutsättningar och resultatets format. Den generella modellens dokumenterade förbättringar inom dessa områden gör den inte till den separat tränade versionen Qwen2.5-Coder eller Qwen2.5-Math. Ett kodningsuppdrag kan till exempel be om en förklaring av en funktion, ett föreslaget rättningsarbete och varför förslaget uppfyller de angivna villkoren; körning och verifiering är separata steg.
Qwens releasedokumentation beskriver också verktygsanrop och en verktygsmedveten chattmall, inklusive kompatibilitet med Qwen-Agent. Definiera tillgängliga verktyg och deras argument, ange målet och tillhandahåll returnerade resultat för modellen att tolka. En dokumentassistent kan begära relevant information innan den skriver ett slutligt svar, medan en kodassistent kan resonera om resultatet av en kontroll som körts av applikationen. Den användbara leveransen är då ett svar kopplat till det tillhandahållna underlaget och det önskade formatet. Detta är en textmodellprofil; andra Qwen-modellers förmågor för bild, ljud eller videogenerering är separata.
", "aboutText": "Qwen2.5-7B-Instruct är den instruktionsfinjusterade 7B-textmodellen i Qwen2.5-familjen av generella språkmodeller. Qwen lyfter fram programmering och matematik, instruktionsföljande, längre texter, tabellförståelse och strukturerade utdata, särskilt JSON. Det är en tät decoder-only-modell med totalt 7,61 miljarder parametrar, varav 6,53 miljarder är parametrar utanför inbäddningarna. Den tar emot textsamtal och genererar text. En användbar uppgiftsbeskrivning kan be den omvandla tillhandahållen information till en tydlig förklaring, en strukturerad post, ett reviderat utkast eller ett programförslag.\n\nModellen stöder fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Tillverkaren betonar också tålighet för varierande systempromptar, vilket är användbart när en samtalsroll och dess villkor ska definieras. Ange rollen, målgruppen, terminologin och utdataspråket direkt. En redigeringsbegäran kan till exempel ge ett tekniskt textavsnitt, ange den avsedda läsaren och be om en kortare förklaring som bevarar namngivna termer och angivna villkor. Den instruktionsfinjusterade versionen är samtalsmodellen, skild från motsvarande förtränade basmodell.\n\nFörståelse av strukturerade data och JSON-generering är centrala förbättringar i Qwen2.5. För att extrahera eller omvandla en tabell ska du bevara dess rubriker och enheter och förklara vilka rader eller samband som är viktiga. Definiera de önskade nycklarna, värdetyperna och hanteringen av saknad information i stället för att bara be om en generell sammanfattning. Ett exempel kan ge en lista med problem och be om ett objekt per problem med källidentifierare, kategori och en kort förklaring. Ett sådant resultat är fortfarande genererad text: att kontrollera dess struktur och värden mot indata är en del av att använda det i ett efterföljande arbetsflöde.\n\nDet exakta modellkortet beskriver en full kontextlängd på 131 072 token och generering av upp till 8 192 token. Den medföljande konfigurationen är inställd på 32 768 kontexttoken; längre material hanteras med den dokumenterade YaRN-konfigurationen. Tillverkaren varnar för att statisk skalning kan påverka prestandan för kortare indata och rekommenderar att den läggs till när bearbetning med lång kontext behövs. Håll indata och det begärda svaret inom det relevanta konfigurerade utrymmet. För en lång rapport ska du behålla avsnittsrubriker, prioritera de textpartier som hör till frågan och ange önskad utdatalängd, i stället för att använda den större kontextsiffran som skäl att ta med ovidkommande material.\n\nDen officiella snabbstarten använder system- och användarmeddelanden med modellens chattmall och avkodar sedan den genererade fortsättningen. Förbered programmeringsarbete med relevant källkod, språk, förväntat beteende och begränsningar. Förbered en matematisk fråga med givna förutsättningar och resultatets format. Den generella modellens dokumenterade förbättringar inom dessa områden gör den inte till den separat tränade versionen Qwen2.5-Coder eller Qwen2.5-Math. Ett kodningsuppdrag kan till exempel be om en förklaring av en funktion, ett föreslaget rättningsarbete och varför förslaget uppfyller de angivna villkoren; körning och verifiering är separata steg.\n\nQwens releasedokumentation beskriver också verktygsanrop och en verktygsmedveten chattmall, inklusive kompatibilitet med Qwen-Agent. Definiera tillgängliga verktyg och deras argument, ange målet och tillhandahåll returnerade resultat för modellen att tolka. En dokumentassistent kan begära relevant information innan den skriver ett slutligt svar, medan en kodassistent kan resonera om resultatet av en kontroll som körts av applikationen. Den användbara leveransen är då ett svar kopplat till det tillhandahållna underlaget och det önskade formatet. Detta är en textmodellprofil; andra Qwen-modellers förmågor för bild, ljud eller videogenerering är separata.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct är Qwens kompakta, instruktionsfinjusterade textmodell för flerspråkigt skrivande, programmering, matematik och strukturerade data. Tillverkaren dokumenterar upp till 131 072 kontexttoken med konfigurationen för lång kontext och generering av upp till 8 192 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-7B-Instruct är den instruktionsfinjusterade 7B-textmodellen i Qwen2.5-familjen av generella språkmodeller. Qwen lyfter fram programmering och matematik, instruktionsföljande, längre texter, tabellförståelse och strukturerade utdata, särskilt JSON. Det är en tät decoder-only-modell med totalt 7,61 miljarder parametrar, varav 6,53 miljarder är parametrar utanför inbäddningarna. Den tar emot textsamtal och genererar text. En användbar uppgiftsbeskrivning kan be den omvandla tillhandahållen information till en tydlig förklaring, en strukturerad post, ett reviderat utkast eller ett programförslag.
Modellen stöder fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Tillverkaren betonar också tålighet för varierande systempromptar, vilket är användbart när en samtalsroll och dess villkor ska definieras. Ange rollen, målgruppen, terminologin och utdataspråket direkt. En redigeringsbegäran kan till exempel ge ett tekniskt textavsnitt, ange den avsedda läsaren och be om en kortare förklaring som bevarar namngivna termer och angivna villkor. Den instruktionsfinjusterade versionen är samtalsmodellen, skild från motsvarande förtränade basmodell.
Förståelse av strukturerade data och JSON-generering är centrala förbättringar i Qwen2.5. För att extrahera eller omvandla en tabell ska du bevara dess rubriker och enheter och förklara vilka rader eller samband som är viktiga. Definiera de önskade nycklarna, värdetyperna och hanteringen av saknad information i stället för att bara be om en generell sammanfattning. Ett exempel kan ge en lista med problem och be om ett objekt per problem med källidentifierare, kategori och en kort förklaring. Ett sådant resultat är fortfarande genererad text: att kontrollera dess struktur och värden mot indata är en del av att använda det i ett efterföljande arbetsflöde.
Det exakta modellkortet beskriver en full kontextlängd på 131 072 token och generering av upp till 8 192 token. Den medföljande konfigurationen är inställd på 32 768 kontexttoken; längre material hanteras med den dokumenterade YaRN-konfigurationen. Tillverkaren varnar för att statisk skalning kan påverka prestandan för kortare indata och rekommenderar att den läggs till när bearbetning med lång kontext behövs. Håll indata och det begärda svaret inom det relevanta konfigurerade utrymmet. För en lång rapport ska du behålla avsnittsrubriker, prioritera de textpartier som hör till frågan och ange önskad utdatalängd, i stället för att använda den större kontextsiffran som skäl att ta med ovidkommande material.
Den officiella snabbstarten använder system- och användarmeddelanden med modellens chattmall och avkodar sedan den genererade fortsättningen. Förbered programmeringsarbete med relevant källkod, språk, förväntat beteende och begränsningar. Förbered en matematisk fråga med givna förutsättningar och resultatets format. Den generella modellens dokumenterade förbättringar inom dessa områden gör den inte till den separat tränade versionen Qwen2.5-Coder eller Qwen2.5-Math. Ett kodningsuppdrag kan till exempel be om en förklaring av en funktion, ett föreslaget rättningsarbete och varför förslaget uppfyller de angivna villkoren; körning och verifiering är separata steg.
Qwens releasedokumentation beskriver också verktygsanrop och en verktygsmedveten chattmall, inklusive kompatibilitet med Qwen-Agent. Definiera tillgängliga verktyg och deras argument, ange målet och tillhandahåll returnerade resultat för modellen att tolka. En dokumentassistent kan begära relevant information innan den skriver ett slutligt svar, medan en kodassistent kan resonera om resultatet av en kontroll som körts av applikationen. Den användbara leveransen är då ett svar kopplat till det tillhandahållna underlaget och det önskade formatet. Detta är en textmodellprofil; andra Qwen-modellers förmågor för bild, ljud eller videogenerering är separata.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen-2.5-7b-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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-2.5-7b-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='qwen/qwen-2.5-7b-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='qwen/qwen-2.5-7b-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 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-2.5-7b-instruct
Använd metodsökvägarna som visas ovan.
qwen/qwen-2.5-7b-instructQwen2.5-7B-Instruct är Qwens kompakta, instruktionsfinjusterade textmodell för flerspråkigt skrivande, programmering, matematik och strukturerade data. Tillverkaren dokumenterar upp till 131 072 kontexttoken med konfigurationen för lång kontext och generering av upp till 8 192 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-7B-Instruct är den instruktionsfinjusterade 7B-textmodellen i Qwen2.5-familjen av generella språkmodeller. Qwen lyfter fram programmering och matematik, instruktionsföljande, längre texter, tabellförståelse och strukturerade utdata, särskilt JSON. Det är en tät decoder-only-modell med totalt 7,61 miljarder parametrar, varav 6,53 miljarder är parametrar utanför inbäddningarna. Den tar emot textsamtal och genererar text. En användbar uppgiftsbeskrivning kan be den omvandla tillhandahållen information till en tydlig förklaring, en strukturerad post, ett reviderat utkast eller ett programförslag.
Modellen stöder fler än 29 språk, däribland kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Tillverkaren betonar också tålighet för varierande systempromptar, vilket är användbart när en samtalsroll och dess villkor ska definieras. Ange rollen, målgruppen, terminologin och utdataspråket direkt. En redigeringsbegäran kan till exempel ge ett tekniskt textavsnitt, ange den avsedda läsaren och be om en kortare förklaring som bevarar namngivna termer och angivna villkor. Den instruktionsfinjusterade versionen är samtalsmodellen, skild från motsvarande förtränade basmodell.
Förståelse av strukturerade data och JSON-generering är centrala förbättringar i Qwen2.5. För att extrahera eller omvandla en tabell ska du bevara dess rubriker och enheter och förklara vilka rader eller samband som är viktiga. Definiera de önskade nycklarna, värdetyperna och hanteringen av saknad information i stället för att bara be om en generell sammanfattning. Ett exempel kan ge en lista med problem och be om ett objekt per problem med källidentifierare, kategori och en kort förklaring. Ett sådant resultat är fortfarande genererad text: att kontrollera dess struktur och värden mot indata är en del av att använda det i ett efterföljande arbetsflöde.
Det exakta modellkortet beskriver en full kontextlängd på 131 072 token och generering av upp till 8 192 token. Den medföljande konfigurationen är inställd på 32 768 kontexttoken; längre material hanteras med den dokumenterade YaRN-konfigurationen. Tillverkaren varnar för att statisk skalning kan påverka prestandan för kortare indata och rekommenderar att den läggs till när bearbetning med lång kontext behövs. Håll indata och det begärda svaret inom det relevanta konfigurerade utrymmet. För en lång rapport ska du behålla avsnittsrubriker, prioritera de textpartier som hör till frågan och ange önskad utdatalängd, i stället för att använda den större kontextsiffran som skäl att ta med ovidkommande material.
Den officiella snabbstarten använder system- och användarmeddelanden med modellens chattmall och avkodar sedan den genererade fortsättningen. Förbered programmeringsarbete med relevant källkod, språk, förväntat beteende och begränsningar. Förbered en matematisk fråga med givna förutsättningar och resultatets format. Den generella modellens dokumenterade förbättringar inom dessa områden gör den inte till den separat tränade versionen Qwen2.5-Coder eller Qwen2.5-Math. Ett kodningsuppdrag kan till exempel be om en förklaring av en funktion, ett föreslaget rättningsarbete och varför förslaget uppfyller de angivna villkoren; körning och verifiering är separata steg.
Qwens releasedokumentation beskriver också verktygsanrop och en verktygsmedveten chattmall, inklusive kompatibilitet med Qwen-Agent. Definiera tillgängliga verktyg och deras argument, ange målet och tillhandahåll returnerade resultat för modellen att tolka. En dokumentassistent kan begära relevant information innan den skriver ett slutligt svar, medan en kodassistent kan resonera om resultatet av en kontroll som körts av applikationen. Den användbara leveransen är då ett svar kopplat till det tillhandahållna underlaget och det önskade formatet. Detta är en textmodellprofil; andra Qwen-modellers förmågor för bild, ljud eller videogenerering är separata.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen-2.5-7b-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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen-2.5-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen-2.5-7b-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': 'qwen/qwen-2.5-7b-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 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-2.5-7b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Transform a table with units preserved\n\nFrom this text table, report total units and rows needing follow-up: item | ordered units | received units; pens | 40 | 35; folders | 20 | 20; clips | 100 | unknown. Produce a table with item, missing units and source values, then totals that separate known quantities from unknowns. Do not treat unknown as zero.A transformed table, known ordered/received totals and a note explaining which shortage remains undetermined.Pens show a shortage of 5, folders 0, and clips unknown; totals do not silently count unknown received units as zero.