Qwen2.5-14B-Instruct är den generella Qwen2.5-familjens instruktionsfinjusterade version i 14B-storlek. Den tar emot ett textsamtal och returnerar text: en förklaring, ett dokument, programkod eller strukturerade fält. Tillverkaren betonar instruktionsföljande, programmering, matematik, förståelse av strukturerade data som tabeller och generering av strukturerade svar, särskilt JSON.
Familjens förbättringar
Tillverkaren beskriver bredare kunskap och starkare kod- och matematikförmågor än föregående Qwen2-generation, tillsammans med generering av långa svar och bättre hantering av varierande systeminstruktioner. Familjen använder en förträningskorpus som uppges nå 18 biljoner token. Förmågorna stöder en ämnesspecifik assistent vars roll och utdata definieras av uppgiften. Modellen är fortfarande den generella Instruct-versionen; de separat namngivna serierna Qwen2.5-Coder och Qwen2.5-Math har sina egna specialiseringar.
En processassistent kan få en procedur och en fråga om ett steg. Definiera läsarens roll, be om de åtgärder som är relevanta för steget och kräv att svaret behåller procedurens ursprungliga villkor. Ett användbart resultat kan skilja nästa åtgärd, villkoret som gör den tillämplig och den information som fortfarande behövs. Det gör en bred begäran om råd till ett svar kopplat till den tillhandahållna processen.
För en kodförklaring ska du ge funktionen, relevanta hjälpfunktionsdefinitioner och de indata som skapar oklarhet. Be om operationsföljden och det värde som returneras för dessa indata. För en matematisk förklaring ska du ange symboler, antaganden och måluttryck innan du begär härledningen. Båda uppgifterna använder text; att köra programmet eller tillhandahålla ett separat numeriskt verktyg är arbete för applikationen runt modellen.
Tabeller och JSON
För en tabellfråga ska du bevara kolumnrubriker och enheter, ange relevanta rader och specificera jämförelsen. Det önskade resultatet kan lista identifierarna för matchande rader och förklara vilket angivet villkor varje rad uppfyller. Om tabellen har saknade värden ska du ange om svaret ska lämna dem frånvarande eller representera dem uttryckligt.
För strukturerad extraktion ska du visa fältnamn och obligatoriska typer. Indata som en artikelidentifierare, en lagermängd och en lagerbeteckning kan omvandlas till en post med samma fält. Be enbart om posten när en applikation ska tolka den; be om en separat textförklaring när användaren behöver granska tolkningen av källan. Modellens dokumenterade JSON-generering skiljer sig från att ett visst gränssnitt genomdriver ett schema.
Flerspråkiga samtal stöds på fler än 29 språk, däribland engelska, kinesiska, ryska, tyska, franska, spanska, portugisiska, italienska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Ange det slutliga språket och tillhandahåll terminologi som ska förbli oförändrad. För en översatt teknisk förklaring ska du be modellen behålla variabelnamn, citerade etiketter och enheter och anpassa den omgivande texten till läsaren.
Den specifika 14B-versionen
Kortet anger 14,7 miljarder parametrar, varav 13,1 miljarder är parametrar utanför inbäddningarna, och 48 Transformer-lager. Arkitekturen använder roterande positionsinbäddningar, SwiGLU, RMSNorm och QKV-bias i uppmärksamhetsmekanismen, med 40 frågehuvuden och 8 nyckel-/värdehuvuden i grouped-query attention. Förträning och efterträning ger denna Instruct-version. Parameter- och lagerantalet skiljer sig från 32B-versionen även när familjens förmågor och publicerade kontextsiffror sammanfaller.
Modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den första siffran gäller samtalet och det material som bevaras för en uppgift; den andra gäller det genererade svaret. Snabbstartens genereringsinställning på 512 token är bara ett exempel och ersätter inte kortets angivna svarskapacitet. Bild-, video- och ljudförståelse hör till separat namngivna multimodala versioner, inte denna textmodell.
Indataformat och verktygsstödda uppgifter
Tillverkarens exempel använder den matchande chattmallen för separata system- och användarmeddelanden. Definiera assistentens roll och svarsregler separat från materialet som undersöks. Ge en komplett fråga och märk källtexten så att en instruktion som citeras inne i källan inte förväxlas med uppgiften som applikationen ger.
Det officiella Qwen2.5-meddelandet beskriver också verktygsanropsmallar och kompatibla integrationer. En verktygsstödd uppgift behöver den omgivande applikationen för att tillhandahålla funktionsbeskrivningar, köra den valda operationen och ge resultatet för nästa svar. Ett samtal kan till exempel be om en beräkning med ett tillhandahållet beräkningsverktyg; funktionsresultatet blir sedan information som modellen kan förklara. Verktygens tillgänglighet och körning kommer från integrationen, medan denna version ger det samtalsbaserade textbeteendet.
Konfiguration för långa texter
Den publicerade konfigurationen omfattar inledningsvis 32 768 token. Den dokumenterade utökningen för längre indata använder YaRN, med skalningsfaktorn 4,0 i exemplet och en ursprunglig inställning för maximalt antal positioner på 32 768. Statisk skalning kan påverka beteendet för kortare texter, så tillverkaren rekommenderar att den läggs till när lång kontext behövs.
Vid förberedelse av en lång källa ska du ange det avsnitt som ska revideras eller den fråga som ska besvaras och hålla de stödjande delarna tillsammans. En tydlig begäran kan be om ett rättat textavsnitt, en ändringstabell och de ursprungliga avsnittsreferenserna. Det använder den utökade kontexten till ett konkret resultat och håller samtidigt svaret inom den separata genereringsgränsen.
", "aboutText": "Qwen2.5-14B-Instruct är den generella Qwen2.5-familjens instruktionsfinjusterade version i 14B-storlek. Den tar emot ett textsamtal och returnerar text: en förklaring, ett dokument, programkod eller strukturerade fält. Tillverkaren betonar instruktionsföljande, programmering, matematik, förståelse av strukturerade data som tabeller och generering av strukturerade svar, särskilt JSON.\n\nFamiljens förbättringar\n\nTillverkaren beskriver bredare kunskap och starkare kod- och matematikförmågor än föregående Qwen2-generation, tillsammans med generering av långa svar och bättre hantering av varierande systeminstruktioner. Familjen använder en förträningskorpus som uppges nå 18 biljoner token. Förmågorna stöder en ämnesspecifik assistent vars roll och utdata definieras av uppgiften. Modellen är fortfarande den generella Instruct-versionen; de separat namngivna serierna Qwen2.5-Coder och Qwen2.5-Math har sina egna specialiseringar.\n\nEn processassistent kan få en procedur och en fråga om ett steg. Definiera läsarens roll, be om de åtgärder som är relevanta för steget och kräv att svaret behåller procedurens ursprungliga villkor. Ett användbart resultat kan skilja nästa åtgärd, villkoret som gör den tillämplig och den information som fortfarande behövs. Det gör en bred begäran om råd till ett svar kopplat till den tillhandahållna processen.\n\nFör en kodförklaring ska du ge funktionen, relevanta hjälpfunktionsdefinitioner och de indata som skapar oklarhet. Be om operationsföljden och det värde som returneras för dessa indata. För en matematisk förklaring ska du ange symboler, antaganden och måluttryck innan du begär härledningen. Båda uppgifterna använder text; att köra programmet eller tillhandahålla ett separat numeriskt verktyg är arbete för applikationen runt modellen.\n\nTabeller och JSON\n\nFör en tabellfråga ska du bevara kolumnrubriker och enheter, ange relevanta rader och specificera jämförelsen. Det önskade resultatet kan lista identifierarna för matchande rader och förklara vilket angivet villkor varje rad uppfyller. Om tabellen har saknade värden ska du ange om svaret ska lämna dem frånvarande eller representera dem uttryckligt.\n\nFör strukturerad extraktion ska du visa fältnamn och obligatoriska typer. Indata som en artikelidentifierare, en lagermängd och en lagerbeteckning kan omvandlas till en post med samma fält. Be enbart om posten när en applikation ska tolka den; be om en separat textförklaring när användaren behöver granska tolkningen av källan. Modellens dokumenterade JSON-generering skiljer sig från att ett visst gränssnitt genomdriver ett schema.\n\nFlerspråkiga samtal stöds på fler än 29 språk, däribland engelska, kinesiska, ryska, tyska, franska, spanska, portugisiska, italienska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Ange det slutliga språket och tillhandahåll terminologi som ska förbli oförändrad. För en översatt teknisk förklaring ska du be modellen behålla variabelnamn, citerade etiketter och enheter och anpassa den omgivande texten till läsaren.\n\nDen specifika 14B-versionen\n\nKortet anger 14,7 miljarder parametrar, varav 13,1 miljarder är parametrar utanför inbäddningarna, och 48 Transformer-lager. Arkitekturen använder roterande positionsinbäddningar, SwiGLU, RMSNorm och QKV-bias i uppmärksamhetsmekanismen, med 40 frågehuvuden och 8 nyckel-/värdehuvuden i grouped-query attention. Förträning och efterträning ger denna Instruct-version. Parameter- och lagerantalet skiljer sig från 32B-versionen även när familjens förmågor och publicerade kontextsiffror sammanfaller.\n\nModellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den första siffran gäller samtalet och det material som bevaras för en uppgift; den andra gäller det genererade svaret. Snabbstartens genereringsinställning på 512 token är bara ett exempel och ersätter inte kortets angivna svarskapacitet. Bild-, video- och ljudförståelse hör till separat namngivna multimodala versioner, inte denna textmodell.\n\nIndataformat och verktygsstödda uppgifter\n\nTillverkarens exempel använder den matchande chattmallen för separata system- och användarmeddelanden. Definiera assistentens roll och svarsregler separat från materialet som undersöks. Ge en komplett fråga och märk källtexten så att en instruktion som citeras inne i källan inte förväxlas med uppgiften som applikationen ger.\n\nDet officiella Qwen2.5-meddelandet beskriver också verktygsanropsmallar och kompatibla integrationer. En verktygsstödd uppgift behöver den omgivande applikationen för att tillhandahålla funktionsbeskrivningar, köra den valda operationen och ge resultatet för nästa svar. Ett samtal kan till exempel be om en beräkning med ett tillhandahållet beräkningsverktyg; funktionsresultatet blir sedan information som modellen kan förklara. Verktygens tillgänglighet och körning kommer från integrationen, medan denna version ger det samtalsbaserade textbeteendet.\n\nKonfiguration för långa texter\n\nDen publicerade konfigurationen omfattar inledningsvis 32 768 token. Den dokumenterade utökningen för längre indata använder YaRN, med skalningsfaktorn 4,0 i exemplet och en ursprunglig inställning för maximalt antal positioner på 32 768. Statisk skalning kan påverka beteendet för kortare texter, så tillverkaren rekommenderar att den läggs till när lång kontext behövs.\n\nVid förberedelse av en lång källa ska du ange det avsnitt som ska revideras eller den fråga som ska besvaras och hålla de stödjande delarna tillsammans. En tydlig begäran kan be om ett rättat textavsnitt, en ändringstabell och de ursprungliga avsnittsreferenserna. Det använder den utökade kontexten till ett konkret resultat och håller samtidigt svaret inom den separata genereringsgränsen.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct är en flerspråkig textmodell för instruktionsbaserade assistenter, kod och matematik. Versionen har 14,7 miljarder parametrar och stöder tabelltolkning, JSON-generering och en svarsgräns på 8 192 token, med utökad kontextkonfiguration för långa indata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-14B-Instruct är den generella Qwen2.5-familjens instruktionsfinjusterade version i 14B-storlek. Den tar emot ett textsamtal och returnerar text: en förklaring, ett dokument, programkod eller strukturerade fält. Tillverkaren betonar instruktionsföljande, programmering, matematik, förståelse av strukturerade data som tabeller och generering av strukturerade svar, särskilt JSON.
Familjens förbättringar
Tillverkaren beskriver bredare kunskap och starkare kod- och matematikförmågor än föregående Qwen2-generation, tillsammans med generering av långa svar och bättre hantering av varierande systeminstruktioner. Familjen använder en förträningskorpus som uppges nå 18 biljoner token. Förmågorna stöder en ämnesspecifik assistent vars roll och utdata definieras av uppgiften. Modellen är fortfarande den generella Instruct-versionen; de separat namngivna serierna Qwen2.5-Coder och Qwen2.5-Math har sina egna specialiseringar.
En processassistent kan få en procedur och en fråga om ett steg. Definiera läsarens roll, be om de åtgärder som är relevanta för steget och kräv att svaret behåller procedurens ursprungliga villkor. Ett användbart resultat kan skilja nästa åtgärd, villkoret som gör den tillämplig och den information som fortfarande behövs. Det gör en bred begäran om råd till ett svar kopplat till den tillhandahållna processen.
För en kodförklaring ska du ge funktionen, relevanta hjälpfunktionsdefinitioner och de indata som skapar oklarhet. Be om operationsföljden och det värde som returneras för dessa indata. För en matematisk förklaring ska du ange symboler, antaganden och måluttryck innan du begär härledningen. Båda uppgifterna använder text; att köra programmet eller tillhandahålla ett separat numeriskt verktyg är arbete för applikationen runt modellen.
Tabeller och JSON
För en tabellfråga ska du bevara kolumnrubriker och enheter, ange relevanta rader och specificera jämförelsen. Det önskade resultatet kan lista identifierarna för matchande rader och förklara vilket angivet villkor varje rad uppfyller. Om tabellen har saknade värden ska du ange om svaret ska lämna dem frånvarande eller representera dem uttryckligt.
För strukturerad extraktion ska du visa fältnamn och obligatoriska typer. Indata som en artikelidentifierare, en lagermängd och en lagerbeteckning kan omvandlas till en post med samma fält. Be enbart om posten när en applikation ska tolka den; be om en separat textförklaring när användaren behöver granska tolkningen av källan. Modellens dokumenterade JSON-generering skiljer sig från att ett visst gränssnitt genomdriver ett schema.
Flerspråkiga samtal stöds på fler än 29 språk, däribland engelska, kinesiska, ryska, tyska, franska, spanska, portugisiska, italienska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Ange det slutliga språket och tillhandahåll terminologi som ska förbli oförändrad. För en översatt teknisk förklaring ska du be modellen behålla variabelnamn, citerade etiketter och enheter och anpassa den omgivande texten till läsaren.
Den specifika 14B-versionen
Kortet anger 14,7 miljarder parametrar, varav 13,1 miljarder är parametrar utanför inbäddningarna, och 48 Transformer-lager. Arkitekturen använder roterande positionsinbäddningar, SwiGLU, RMSNorm och QKV-bias i uppmärksamhetsmekanismen, med 40 frågehuvuden och 8 nyckel-/värdehuvuden i grouped-query attention. Förträning och efterträning ger denna Instruct-version. Parameter- och lagerantalet skiljer sig från 32B-versionen även när familjens förmågor och publicerade kontextsiffror sammanfaller.
Modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den första siffran gäller samtalet och det material som bevaras för en uppgift; den andra gäller det genererade svaret. Snabbstartens genereringsinställning på 512 token är bara ett exempel och ersätter inte kortets angivna svarskapacitet. Bild-, video- och ljudförståelse hör till separat namngivna multimodala versioner, inte denna textmodell.
Indataformat och verktygsstödda uppgifter
Tillverkarens exempel använder den matchande chattmallen för separata system- och användarmeddelanden. Definiera assistentens roll och svarsregler separat från materialet som undersöks. Ge en komplett fråga och märk källtexten så att en instruktion som citeras inne i källan inte förväxlas med uppgiften som applikationen ger.
Det officiella Qwen2.5-meddelandet beskriver också verktygsanropsmallar och kompatibla integrationer. En verktygsstödd uppgift behöver den omgivande applikationen för att tillhandahålla funktionsbeskrivningar, köra den valda operationen och ge resultatet för nästa svar. Ett samtal kan till exempel be om en beräkning med ett tillhandahållet beräkningsverktyg; funktionsresultatet blir sedan information som modellen kan förklara. Verktygens tillgänglighet och körning kommer från integrationen, medan denna version ger det samtalsbaserade textbeteendet.
Konfiguration för långa texter
Den publicerade konfigurationen omfattar inledningsvis 32 768 token. Den dokumenterade utökningen för längre indata använder YaRN, med skalningsfaktorn 4,0 i exemplet och en ursprunglig inställning för maximalt antal positioner på 32 768. Statisk skalning kan påverka beteendet för kortare texter, så tillverkaren rekommenderar att den läggs till när lång kontext behövs.
Vid förberedelse av en lång källa ska du ange det avsnitt som ska revideras eller den fråga som ska besvaras och hålla de stödjande delarna tillsammans. En tydlig begäran kan be om ett rättat textavsnitt, en ändringstabell och de ursprungliga avsnittsreferenserna. Det använder den utökade kontexten till ett konkret resultat och håller samtidigt svaret inom den separata genereringsgränsen.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen/Qwen2.5-14B-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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 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/Qwen2.5-14B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2.5-14B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Qwen/Qwen2.5-14B-InstructQwen2.5-14B-Instruct är en flerspråkig textmodell för instruktionsbaserade assistenter, kod och matematik. Versionen har 14,7 miljarder parametrar och stöder tabelltolkning, JSON-generering och en svarsgräns på 8 192 token, med utökad kontextkonfiguration för långa indata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-14B-Instruct är den generella Qwen2.5-familjens instruktionsfinjusterade version i 14B-storlek. Den tar emot ett textsamtal och returnerar text: en förklaring, ett dokument, programkod eller strukturerade fält. Tillverkaren betonar instruktionsföljande, programmering, matematik, förståelse av strukturerade data som tabeller och generering av strukturerade svar, särskilt JSON.
Familjens förbättringar
Tillverkaren beskriver bredare kunskap och starkare kod- och matematikförmågor än föregående Qwen2-generation, tillsammans med generering av långa svar och bättre hantering av varierande systeminstruktioner. Familjen använder en förträningskorpus som uppges nå 18 biljoner token. Förmågorna stöder en ämnesspecifik assistent vars roll och utdata definieras av uppgiften. Modellen är fortfarande den generella Instruct-versionen; de separat namngivna serierna Qwen2.5-Coder och Qwen2.5-Math har sina egna specialiseringar.
En processassistent kan få en procedur och en fråga om ett steg. Definiera läsarens roll, be om de åtgärder som är relevanta för steget och kräv att svaret behåller procedurens ursprungliga villkor. Ett användbart resultat kan skilja nästa åtgärd, villkoret som gör den tillämplig och den information som fortfarande behövs. Det gör en bred begäran om råd till ett svar kopplat till den tillhandahållna processen.
För en kodförklaring ska du ge funktionen, relevanta hjälpfunktionsdefinitioner och de indata som skapar oklarhet. Be om operationsföljden och det värde som returneras för dessa indata. För en matematisk förklaring ska du ange symboler, antaganden och måluttryck innan du begär härledningen. Båda uppgifterna använder text; att köra programmet eller tillhandahålla ett separat numeriskt verktyg är arbete för applikationen runt modellen.
Tabeller och JSON
För en tabellfråga ska du bevara kolumnrubriker och enheter, ange relevanta rader och specificera jämförelsen. Det önskade resultatet kan lista identifierarna för matchande rader och förklara vilket angivet villkor varje rad uppfyller. Om tabellen har saknade värden ska du ange om svaret ska lämna dem frånvarande eller representera dem uttryckligt.
För strukturerad extraktion ska du visa fältnamn och obligatoriska typer. Indata som en artikelidentifierare, en lagermängd och en lagerbeteckning kan omvandlas till en post med samma fält. Be enbart om posten när en applikation ska tolka den; be om en separat textförklaring när användaren behöver granska tolkningen av källan. Modellens dokumenterade JSON-generering skiljer sig från att ett visst gränssnitt genomdriver ett schema.
Flerspråkiga samtal stöds på fler än 29 språk, däribland engelska, kinesiska, ryska, tyska, franska, spanska, portugisiska, italienska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Ange det slutliga språket och tillhandahåll terminologi som ska förbli oförändrad. För en översatt teknisk förklaring ska du be modellen behålla variabelnamn, citerade etiketter och enheter och anpassa den omgivande texten till läsaren.
Den specifika 14B-versionen
Kortet anger 14,7 miljarder parametrar, varav 13,1 miljarder är parametrar utanför inbäddningarna, och 48 Transformer-lager. Arkitekturen använder roterande positionsinbäddningar, SwiGLU, RMSNorm och QKV-bias i uppmärksamhetsmekanismen, med 40 frågehuvuden och 8 nyckel-/värdehuvuden i grouped-query attention. Förträning och efterträning ger denna Instruct-version. Parameter- och lagerantalet skiljer sig från 32B-versionen även när familjens förmågor och publicerade kontextsiffror sammanfaller.
Modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den första siffran gäller samtalet och det material som bevaras för en uppgift; den andra gäller det genererade svaret. Snabbstartens genereringsinställning på 512 token är bara ett exempel och ersätter inte kortets angivna svarskapacitet. Bild-, video- och ljudförståelse hör till separat namngivna multimodala versioner, inte denna textmodell.
Indataformat och verktygsstödda uppgifter
Tillverkarens exempel använder den matchande chattmallen för separata system- och användarmeddelanden. Definiera assistentens roll och svarsregler separat från materialet som undersöks. Ge en komplett fråga och märk källtexten så att en instruktion som citeras inne i källan inte förväxlas med uppgiften som applikationen ger.
Det officiella Qwen2.5-meddelandet beskriver också verktygsanropsmallar och kompatibla integrationer. En verktygsstödd uppgift behöver den omgivande applikationen för att tillhandahålla funktionsbeskrivningar, köra den valda operationen och ge resultatet för nästa svar. Ett samtal kan till exempel be om en beräkning med ett tillhandahållet beräkningsverktyg; funktionsresultatet blir sedan information som modellen kan förklara. Verktygens tillgänglighet och körning kommer från integrationen, medan denna version ger det samtalsbaserade textbeteendet.
Konfiguration för långa texter
Den publicerade konfigurationen omfattar inledningsvis 32 768 token. Den dokumenterade utökningen för längre indata använder YaRN, med skalningsfaktorn 4,0 i exemplet och en ursprunglig inställning för maximalt antal positioner på 32 768. Statisk skalning kan påverka beteendet för kortare texter, så tillverkaren rekommenderar att den läggs till när lång kontext behövs.
Vid förberedelse av en lång källa ska du ange det avsnitt som ska revideras eller den fråga som ska besvaras och hålla de stödjande delarna tillsammans. En tydlig begäran kan be om ett rättat textavsnitt, en ändringstabell och de ursprungliga avsnittsreferenserna. Det använder den utökade kontexten till ett konkret resultat och håller samtidigt svaret inom den separata genereringsgränsen.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen/Qwen2.5-14B-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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "Qwen/Qwen2.5-14B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2.5-14B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct är en flerspråkig textmodell för instruktionsbaserade assistenter, kod och matematik. Versionen har 14,7 miljarder parametrar och stöder tabelltolkning, JSON-generering och en svarsgräns på 8 192 token, med utökad kontextkonfiguration för långa indata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-14B-Instruct är den generella Qwen2.5-familjens instruktionsfinjusterade version i 14B-storlek. Den tar emot ett textsamtal och returnerar text: en förklaring, ett dokument, programkod eller strukturerade fält. Tillverkaren betonar instruktionsföljande, programmering, matematik, förståelse av strukturerade data som tabeller och generering av strukturerade svar, särskilt JSON.
Familjens förbättringar
Tillverkaren beskriver bredare kunskap och starkare kod- och matematikförmågor än föregående Qwen2-generation, tillsammans med generering av långa svar och bättre hantering av varierande systeminstruktioner. Familjen använder en förträningskorpus som uppges nå 18 biljoner token. Förmågorna stöder en ämnesspecifik assistent vars roll och utdata definieras av uppgiften. Modellen är fortfarande den generella Instruct-versionen; de separat namngivna serierna Qwen2.5-Coder och Qwen2.5-Math har sina egna specialiseringar.
En processassistent kan få en procedur och en fråga om ett steg. Definiera läsarens roll, be om de åtgärder som är relevanta för steget och kräv att svaret behåller procedurens ursprungliga villkor. Ett användbart resultat kan skilja nästa åtgärd, villkoret som gör den tillämplig och den information som fortfarande behövs. Det gör en bred begäran om råd till ett svar kopplat till den tillhandahållna processen.
För en kodförklaring ska du ge funktionen, relevanta hjälpfunktionsdefinitioner och de indata som skapar oklarhet. Be om operationsföljden och det värde som returneras för dessa indata. För en matematisk förklaring ska du ange symboler, antaganden och måluttryck innan du begär härledningen. Båda uppgifterna använder text; att köra programmet eller tillhandahålla ett separat numeriskt verktyg är arbete för applikationen runt modellen.
Tabeller och JSON
För en tabellfråga ska du bevara kolumnrubriker och enheter, ange relevanta rader och specificera jämförelsen. Det önskade resultatet kan lista identifierarna för matchande rader och förklara vilket angivet villkor varje rad uppfyller. Om tabellen har saknade värden ska du ange om svaret ska lämna dem frånvarande eller representera dem uttryckligt.
För strukturerad extraktion ska du visa fältnamn och obligatoriska typer. Indata som en artikelidentifierare, en lagermängd och en lagerbeteckning kan omvandlas till en post med samma fält. Be enbart om posten när en applikation ska tolka den; be om en separat textförklaring när användaren behöver granska tolkningen av källan. Modellens dokumenterade JSON-generering skiljer sig från att ett visst gränssnitt genomdriver ett schema.
Flerspråkiga samtal stöds på fler än 29 språk, däribland engelska, kinesiska, ryska, tyska, franska, spanska, portugisiska, italienska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Ange det slutliga språket och tillhandahåll terminologi som ska förbli oförändrad. För en översatt teknisk förklaring ska du be modellen behålla variabelnamn, citerade etiketter och enheter och anpassa den omgivande texten till läsaren.
Den specifika 14B-versionen
Kortet anger 14,7 miljarder parametrar, varav 13,1 miljarder är parametrar utanför inbäddningarna, och 48 Transformer-lager. Arkitekturen använder roterande positionsinbäddningar, SwiGLU, RMSNorm och QKV-bias i uppmärksamhetsmekanismen, med 40 frågehuvuden och 8 nyckel-/värdehuvuden i grouped-query attention. Förträning och efterträning ger denna Instruct-version. Parameter- och lagerantalet skiljer sig från 32B-versionen även när familjens förmågor och publicerade kontextsiffror sammanfaller.
Modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den första siffran gäller samtalet och det material som bevaras för en uppgift; den andra gäller det genererade svaret. Snabbstartens genereringsinställning på 512 token är bara ett exempel och ersätter inte kortets angivna svarskapacitet. Bild-, video- och ljudförståelse hör till separat namngivna multimodala versioner, inte denna textmodell.
Indataformat och verktygsstödda uppgifter
Tillverkarens exempel använder den matchande chattmallen för separata system- och användarmeddelanden. Definiera assistentens roll och svarsregler separat från materialet som undersöks. Ge en komplett fråga och märk källtexten så att en instruktion som citeras inne i källan inte förväxlas med uppgiften som applikationen ger.
Det officiella Qwen2.5-meddelandet beskriver också verktygsanropsmallar och kompatibla integrationer. En verktygsstödd uppgift behöver den omgivande applikationen för att tillhandahålla funktionsbeskrivningar, köra den valda operationen och ge resultatet för nästa svar. Ett samtal kan till exempel be om en beräkning med ett tillhandahållet beräkningsverktyg; funktionsresultatet blir sedan information som modellen kan förklara. Verktygens tillgänglighet och körning kommer från integrationen, medan denna version ger det samtalsbaserade textbeteendet.
Konfiguration för långa texter
Den publicerade konfigurationen omfattar inledningsvis 32 768 token. Den dokumenterade utökningen för längre indata använder YaRN, med skalningsfaktorn 4,0 i exemplet och en ursprunglig inställning för maximalt antal positioner på 32 768. Statisk skalning kan påverka beteendet för kortare texter, så tillverkaren rekommenderar att den läggs till när lång kontext behövs.
Vid förberedelse av en lång källa ska du ange det avsnitt som ska revideras eller den fråga som ska besvaras och hålla de stödjande delarna tillsammans. En tydlig begäran kan be om ett rättat textavsnitt, en ändringstabell och de ursprungliga avsnittsreferenserna. Det använder den utökade kontexten till ett konkret resultat och håller samtidigt svaret inom den separata genereringsgränsen.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen2.5-14b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 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":"qwen2.5-14b-instruct","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen2.5-14b-instruct", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
qwen2.5-14b-instructQwen2.5-14B-Instruct är en flerspråkig textmodell för instruktionsbaserade assistenter, kod och matematik. Versionen har 14,7 miljarder parametrar och stöder tabelltolkning, JSON-generering och en svarsgräns på 8 192 token, med utökad kontextkonfiguration för långa indata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-14B-Instruct är den generella Qwen2.5-familjens instruktionsfinjusterade version i 14B-storlek. Den tar emot ett textsamtal och returnerar text: en förklaring, ett dokument, programkod eller strukturerade fält. Tillverkaren betonar instruktionsföljande, programmering, matematik, förståelse av strukturerade data som tabeller och generering av strukturerade svar, särskilt JSON.
Familjens förbättringar
Tillverkaren beskriver bredare kunskap och starkare kod- och matematikförmågor än föregående Qwen2-generation, tillsammans med generering av långa svar och bättre hantering av varierande systeminstruktioner. Familjen använder en förträningskorpus som uppges nå 18 biljoner token. Förmågorna stöder en ämnesspecifik assistent vars roll och utdata definieras av uppgiften. Modellen är fortfarande den generella Instruct-versionen; de separat namngivna serierna Qwen2.5-Coder och Qwen2.5-Math har sina egna specialiseringar.
En processassistent kan få en procedur och en fråga om ett steg. Definiera läsarens roll, be om de åtgärder som är relevanta för steget och kräv att svaret behåller procedurens ursprungliga villkor. Ett användbart resultat kan skilja nästa åtgärd, villkoret som gör den tillämplig och den information som fortfarande behövs. Det gör en bred begäran om råd till ett svar kopplat till den tillhandahållna processen.
För en kodförklaring ska du ge funktionen, relevanta hjälpfunktionsdefinitioner och de indata som skapar oklarhet. Be om operationsföljden och det värde som returneras för dessa indata. För en matematisk förklaring ska du ange symboler, antaganden och måluttryck innan du begär härledningen. Båda uppgifterna använder text; att köra programmet eller tillhandahålla ett separat numeriskt verktyg är arbete för applikationen runt modellen.
Tabeller och JSON
För en tabellfråga ska du bevara kolumnrubriker och enheter, ange relevanta rader och specificera jämförelsen. Det önskade resultatet kan lista identifierarna för matchande rader och förklara vilket angivet villkor varje rad uppfyller. Om tabellen har saknade värden ska du ange om svaret ska lämna dem frånvarande eller representera dem uttryckligt.
För strukturerad extraktion ska du visa fältnamn och obligatoriska typer. Indata som en artikelidentifierare, en lagermängd och en lagerbeteckning kan omvandlas till en post med samma fält. Be enbart om posten när en applikation ska tolka den; be om en separat textförklaring när användaren behöver granska tolkningen av källan. Modellens dokumenterade JSON-generering skiljer sig från att ett visst gränssnitt genomdriver ett schema.
Flerspråkiga samtal stöds på fler än 29 språk, däribland engelska, kinesiska, ryska, tyska, franska, spanska, portugisiska, italienska, japanska, koreanska, vietnamesiska, thailändska och arabiska. Ange det slutliga språket och tillhandahåll terminologi som ska förbli oförändrad. För en översatt teknisk förklaring ska du be modellen behålla variabelnamn, citerade etiketter och enheter och anpassa den omgivande texten till läsaren.
Den specifika 14B-versionen
Kortet anger 14,7 miljarder parametrar, varav 13,1 miljarder är parametrar utanför inbäddningarna, och 48 Transformer-lager. Arkitekturen använder roterande positionsinbäddningar, SwiGLU, RMSNorm och QKV-bias i uppmärksamhetsmekanismen, med 40 frågehuvuden och 8 nyckel-/värdehuvuden i grouped-query attention. Förträning och efterträning ger denna Instruct-version. Parameter- och lagerantalet skiljer sig från 32B-versionen även när familjens förmågor och publicerade kontextsiffror sammanfaller.
Modellkortet anger en full kontext på 131 072 token och generering av upp till 8 192 token. Den första siffran gäller samtalet och det material som bevaras för en uppgift; den andra gäller det genererade svaret. Snabbstartens genereringsinställning på 512 token är bara ett exempel och ersätter inte kortets angivna svarskapacitet. Bild-, video- och ljudförståelse hör till separat namngivna multimodala versioner, inte denna textmodell.
Indataformat och verktygsstödda uppgifter
Tillverkarens exempel använder den matchande chattmallen för separata system- och användarmeddelanden. Definiera assistentens roll och svarsregler separat från materialet som undersöks. Ge en komplett fråga och märk källtexten så att en instruktion som citeras inne i källan inte förväxlas med uppgiften som applikationen ger.
Det officiella Qwen2.5-meddelandet beskriver också verktygsanropsmallar och kompatibla integrationer. En verktygsstödd uppgift behöver den omgivande applikationen för att tillhandahålla funktionsbeskrivningar, köra den valda operationen och ge resultatet för nästa svar. Ett samtal kan till exempel be om en beräkning med ett tillhandahållet beräkningsverktyg; funktionsresultatet blir sedan information som modellen kan förklara. Verktygens tillgänglighet och körning kommer från integrationen, medan denna version ger det samtalsbaserade textbeteendet.
Konfiguration för långa texter
Den publicerade konfigurationen omfattar inledningsvis 32 768 token. Den dokumenterade utökningen för längre indata använder YaRN, med skalningsfaktorn 4,0 i exemplet och en ursprunglig inställning för maximalt antal positioner på 32 768. Statisk skalning kan påverka beteendet för kortare texter, så tillverkaren rekommenderar att den läggs till när lång kontext behövs.
Vid förberedelse av en lång källa ska du ange det avsnitt som ska revideras eller den fråga som ska besvaras och hålla de stödjande delarna tillsammans. En tydlig begäran kan be om ett rättat textavsnitt, en ändringstabell och de ursprungliga avsnittsreferenserna. Det använder den utökade kontexten till ett konkret resultat och håller samtidigt svaret inom den separata genereringsgränsen.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen2.5-14b-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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen2.5-14b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-14b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/Qwen2.5-14B-Instruct, qwen2.5-14b-instruct
/chat/completions
Tekniskt exempel på engelska
Filter a stock table with missing values\n\nUse this stock table: item_id | stock | reorder_at; A7 | 3 | 5; B2 | 8 | 4; C9 | unknown | 6. Return the identifiers requiring reorder under stock < reorder_at, then list rows that cannot be decided. Preserve identifiers and explain the condition for each selected or unresolved row.A reorder list and a separate unresolved-row list, each with a short source-based reason.Check that equality would not trigger reorder and that unknown stock is not treated as zero.