Introduktion: ræsonnement over lange dokumenter
QwenLong-L1-32B er Tongyi Labs tekstræsonnementsmodel med lang kontekst. Dens formål er at besvare spørgsmål, hvis belæg er spredt gennem et dokument eller på tværs af flere dokumenter, frem for blot at gentage et nærliggende tekststykke. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videreuddannet til dokumentunderbygget ræsonnement. Lever tekst og et spørgsmål; modellen genererer en tekstlig ræsonnementssekvens og et svar. Scannede sider, lyd og video kræver et passende særskilt konverteringstrin før denne tekstarbejdsgang.
Sådan virker træningen med lang kontekst
QwenLong-L1-rammen varmer først en ræsonnementspolitik op med superviseret finjustering og øger derefter kontekstlængden gennem et reinforcement-learning-forløb. Sværhedsbevidst retrospektiv sampling justerer, hvilke eksempler der genbesøges, efterhånden som træningen skrider frem. Producenten kombinerer regelbaserede og modelbaserede binære resultatbelønninger og bruger group-relative policy optimization til at fremme svar, som forbliver underbygget af langt belæg. Det beskriver checkpointets træningstilgang; det betyder ikke, at et enkelt svar automatisk verificeres af en ekstern dommer.
Den udgivne udgave
Dette er den oprindelige QwenLong-L1-32B-udgivelse. Den særskilt navngivne QwenLong-L1-32B-AWQ er en INT4-kvantiseret udgave og bør bevare sin egen identitet. Den offentliggjorte konfiguration til denne model bruger en Qwen2-kausal-sprogmodelarkitektur med 64 lag og bfloat16-vægte. Modellens dokumentspecialisering er mere relevant for valget end at behandle 32B-navnet som bevis på, at enhver generel opgave forbedres.
Forberedelse af et dokumentspørgsmål
Producentens eksempel adskiller dokumentet fra spørgsmålet med eksplicitte tekstafgrænsere og beder om en genkendelig frase til det endelige svar efter ræsonnementet. Følg denne struktur: lever den relevante dokumenttekst, hold overskrifter og tabeller læsbare, og stil ét konkret spørgsmål. Ved en rapportberegning skal du bevare enheder, rapporteringsperioder og tabelbetegnelser og derefter bede om formlen, de anvendte værdier og et slutresultat. Ved en sammenligning af politikker skal du mærke dokumenterne A og B og bede om en tabel med tilsvarende regler, forskelle og det understøttende afsnit for hver række. Det er forfattede anvendelser af de dokumenterede numeriske og tværdokumentære evner.
Eksemplet parser ræsonnement og sluttekst hver for sig. Det bruger et genereringsbudget på 10.000 tokens, temperature 0.7 og top_p 0.95; det er eksempelindstillinger, ikke en erklæret maksimal outputlængde. Modelkortet viser også en valgfri systembesked, der fastlægger identiteten. Bevar denne models egen promptvejledning frem for at overtage et andet checkpoints anbefalinger alene, fordi det indgår i modellens ophav.
Behandling af lange dokumenter
Tongyi Lab validerer kontekstlængder op til 131.072 tokens med YaRN og anbefaler skalering, når samlet input og output væsentligt overstiger 32.768 tokens. Eksemplerne beskriver en faktor på fire eller en mindre faktor som to til en arbejdsbelastning på 65.536 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst, så modelkortet fraråder at aktivere den, når almindelige anmodninger holder sig inden for 32.768 tokens. Den offentliggjorte konfiguration angiver 131.072 positioner, men intet aktiveret rope_scaling-felt; konfigurationen og producentens betingede procedure til lang kontekst bør derfor kontrolleres sammen.
Et langt input skal stadig give plads til ræsonnement og svaret. Begynd med de tekststykker, spørgsmålet kræver, fjern gentagne sidehoveder og navigationstekst, og bevar side- eller afsnits-id'er. Bed om belægshenvisninger i resultatet, så en læser kan spore konklusionen tilbage til det leverede materiale. En stor kontekstgrænse hjælper med at placere mere belæg i én anmodning; den fastslår ikke perfekt genkaldelse af enhver detalje.
Hvad dokumenttræningen dækker
DocQA-RL-1.6K indeholder 1.600 træningsproblemer på tværs af tre ræsonnementsdomæner: 600 numeriske spørgsmål fra lange specialiserede dokumenter som finansielle rapporter; 600 logiske multiple-choice-spørgsmål om juridiske, finansielle, forsikrings- og produktionsdokumenter; og 400 eksempler i flere led, der forbinder belæg på tværs af kilder. Det gør modellen til en relevant kandidat til rapportberegninger, regelfortolkning og spørgsmål, der kræver flere understøttende tekststykker. Træningsdomænerne beskriver erfaring med disse opgaver, ikke professionel certificering eller garanterede konklusioner.
Praktisk output og grænser
Vælg et svar, der kan kontrolleres: en beregnet værdi med enheder, en regelsammenligning med afsnitshenvisninger eller en kort konklusion med kæden af understøttende fakta. Hvis dokumentet mangler en nødvendig dato eller definition, skal du bede modellen identificere det manglende belæg frem for at opfinde det. Udgivelsesmaterialet fokuserer på besvarelse af dokumentspørgsmål og fastlægger ikke en dedikeret kontrakt for værktøjskald eller et særskilt hårdt outputloft. Behandl svarene som underbyggede udkast, og verificér beregninger, henvisninger og fortolkninger mod de leverede dokumenter.
", "aboutText": "Introduktion: ræsonnement over lange dokumenter\n\nQwenLong-L1-32B er Tongyi Labs tekstræsonnementsmodel med lang kontekst. Dens formål er at besvare spørgsmål, hvis belæg er spredt gennem et dokument eller på tværs af flere dokumenter, frem for blot at gentage et nærliggende tekststykke. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videreuddannet til dokumentunderbygget ræsonnement. Lever tekst og et spørgsmål; modellen genererer en tekstlig ræsonnementssekvens og et svar. Scannede sider, lyd og video kræver et passende særskilt konverteringstrin før denne tekstarbejdsgang.\n\nSådan virker træningen med lang kontekst\n\nQwenLong-L1-rammen varmer først en ræsonnementspolitik op med superviseret finjustering og øger derefter kontekstlængden gennem et reinforcement-learning-forløb. Sværhedsbevidst retrospektiv sampling justerer, hvilke eksempler der genbesøges, efterhånden som træningen skrider frem. Producenten kombinerer regelbaserede og modelbaserede binære resultatbelønninger og bruger group-relative policy optimization til at fremme svar, som forbliver underbygget af langt belæg. Det beskriver checkpointets træningstilgang; det betyder ikke, at et enkelt svar automatisk verificeres af en ekstern dommer.\n\nDen udgivne udgave\n\nDette er den oprindelige QwenLong-L1-32B-udgivelse. Den særskilt navngivne QwenLong-L1-32B-AWQ er en INT4-kvantiseret udgave og bør bevare sin egen identitet. Den offentliggjorte konfiguration til denne model bruger en Qwen2-kausal-sprogmodelarkitektur med 64 lag og bfloat16-vægte. Modellens dokumentspecialisering er mere relevant for valget end at behandle 32B-navnet som bevis på, at enhver generel opgave forbedres.\n\nForberedelse af et dokumentspørgsmål\n\nProducentens eksempel adskiller dokumentet fra spørgsmålet med eksplicitte tekstafgrænsere og beder om en genkendelig frase til det endelige svar efter ræsonnementet. Følg denne struktur: lever den relevante dokumenttekst, hold overskrifter og tabeller læsbare, og stil ét konkret spørgsmål. Ved en rapportberegning skal du bevare enheder, rapporteringsperioder og tabelbetegnelser og derefter bede om formlen, de anvendte værdier og et slutresultat. Ved en sammenligning af politikker skal du mærke dokumenterne A og B og bede om en tabel med tilsvarende regler, forskelle og det understøttende afsnit for hver række. Det er forfattede anvendelser af de dokumenterede numeriske og tværdokumentære evner.\n\nEksemplet parser ræsonnement og sluttekst hver for sig. Det bruger et genereringsbudget på 10.000 tokens, temperature 0.7 og top_p 0.95; det er eksempelindstillinger, ikke en erklæret maksimal outputlængde. Modelkortet viser også en valgfri systembesked, der fastlægger identiteten. Bevar denne models egen promptvejledning frem for at overtage et andet checkpoints anbefalinger alene, fordi det indgår i modellens ophav.\n\nBehandling af lange dokumenter\n\nTongyi Lab validerer kontekstlængder op til 131.072 tokens med YaRN og anbefaler skalering, når samlet input og output væsentligt overstiger 32.768 tokens. Eksemplerne beskriver en faktor på fire eller en mindre faktor som to til en arbejdsbelastning på 65.536 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst, så modelkortet fraråder at aktivere den, når almindelige anmodninger holder sig inden for 32.768 tokens. Den offentliggjorte konfiguration angiver 131.072 positioner, men intet aktiveret rope_scaling-felt; konfigurationen og producentens betingede procedure til lang kontekst bør derfor kontrolleres sammen.\n\nEt langt input skal stadig give plads til ræsonnement og svaret. Begynd med de tekststykker, spørgsmålet kræver, fjern gentagne sidehoveder og navigationstekst, og bevar side- eller afsnits-id'er. Bed om belægshenvisninger i resultatet, så en læser kan spore konklusionen tilbage til det leverede materiale. En stor kontekstgrænse hjælper med at placere mere belæg i én anmodning; den fastslår ikke perfekt genkaldelse af enhver detalje.\n\nHvad dokumenttræningen dækker\n\nDocQA-RL-1.6K indeholder 1.600 træningsproblemer på tværs af tre ræsonnementsdomæner: 600 numeriske spørgsmål fra lange specialiserede dokumenter som finansielle rapporter; 600 logiske multiple-choice-spørgsmål om juridiske, finansielle, forsikrings- og produktionsdokumenter; og 400 eksempler i flere led, der forbinder belæg på tværs af kilder. Det gør modellen til en relevant kandidat til rapportberegninger, regelfortolkning og spørgsmål, der kræver flere understøttende tekststykker. Træningsdomænerne beskriver erfaring med disse opgaver, ikke professionel certificering eller garanterede konklusioner.\n\nPraktisk output og grænser\n\nVælg et svar, der kan kontrolleres: en beregnet værdi med enheder, en regelsammenligning med afsnitshenvisninger eller en kort konklusion med kæden af understøttende fakta. Hvis dokumentet mangler en nødvendig dato eller definition, skal du bede modellen identificere det manglende belæg frem for at opfinde det. Udgivelsesmaterialet fokuserer på besvarelse af dokumentspørgsmål og fastlægger ikke en dedikeret kontrakt for værktøjskald eller et særskilt hårdt outputloft. Behandl svarene som underbyggede udkast, og verificér beregninger, henvisninger og fortolkninger mod de leverede dokumenter.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Connect evidence across report sections\n\nDocument section 1 says 240 units were shipped. Section 4 says 30 shipped units were returned before month end. Appendix A says net shipped units equal shipped minus returned units. Calculate net shipped units for the month, cite every section needed and state whether revenue can be calculated from these facts. End with a clearly labelled final answer.A source-linked formula and calculation, a revenue-information limit and a labelled final result.Check that all three source sections support the calculation and that a price or revenue value is not invented.Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B er Tongyi Labs tekstræsonnementsmodel til spørgsmål med belæg i lange dokumenter. Den kombinerer DeepSeek-R1-Distill-Qwen-32B som udgangspunkt med dokumentfokuseret reinforcement learning til numerisk, logisk og tværdokumentært ræsonnement.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Introduktion: ræsonnement over lange dokumenter
QwenLong-L1-32B er Tongyi Labs tekstræsonnementsmodel med lang kontekst. Dens formål er at besvare spørgsmål, hvis belæg er spredt gennem et dokument eller på tværs af flere dokumenter, frem for blot at gentage et nærliggende tekststykke. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videreuddannet til dokumentunderbygget ræsonnement. Lever tekst og et spørgsmål; modellen genererer en tekstlig ræsonnementssekvens og et svar. Scannede sider, lyd og video kræver et passende særskilt konverteringstrin før denne tekstarbejdsgang.
Sådan virker træningen med lang kontekst
QwenLong-L1-rammen varmer først en ræsonnementspolitik op med superviseret finjustering og øger derefter kontekstlængden gennem et reinforcement-learning-forløb. Sværhedsbevidst retrospektiv sampling justerer, hvilke eksempler der genbesøges, efterhånden som træningen skrider frem. Producenten kombinerer regelbaserede og modelbaserede binære resultatbelønninger og bruger group-relative policy optimization til at fremme svar, som forbliver underbygget af langt belæg. Det beskriver checkpointets træningstilgang; det betyder ikke, at et enkelt svar automatisk verificeres af en ekstern dommer.
Den udgivne udgave
Dette er den oprindelige QwenLong-L1-32B-udgivelse. Den særskilt navngivne QwenLong-L1-32B-AWQ er en INT4-kvantiseret udgave og bør bevare sin egen identitet. Den offentliggjorte konfiguration til denne model bruger en Qwen2-kausal-sprogmodelarkitektur med 64 lag og bfloat16-vægte. Modellens dokumentspecialisering er mere relevant for valget end at behandle 32B-navnet som bevis på, at enhver generel opgave forbedres.
Forberedelse af et dokumentspørgsmål
Producentens eksempel adskiller dokumentet fra spørgsmålet med eksplicitte tekstafgrænsere og beder om en genkendelig frase til det endelige svar efter ræsonnementet. Følg denne struktur: lever den relevante dokumenttekst, hold overskrifter og tabeller læsbare, og stil ét konkret spørgsmål. Ved en rapportberegning skal du bevare enheder, rapporteringsperioder og tabelbetegnelser og derefter bede om formlen, de anvendte værdier og et slutresultat. Ved en sammenligning af politikker skal du mærke dokumenterne A og B og bede om en tabel med tilsvarende regler, forskelle og det understøttende afsnit for hver række. Det er forfattede anvendelser af de dokumenterede numeriske og tværdokumentære evner.
Eksemplet parser ræsonnement og sluttekst hver for sig. Det bruger et genereringsbudget på 10.000 tokens, temperature 0.7 og top_p 0.95; det er eksempelindstillinger, ikke en erklæret maksimal outputlængde. Modelkortet viser også en valgfri systembesked, der fastlægger identiteten. Bevar denne models egen promptvejledning frem for at overtage et andet checkpoints anbefalinger alene, fordi det indgår i modellens ophav.
Behandling af lange dokumenter
Tongyi Lab validerer kontekstlængder op til 131.072 tokens med YaRN og anbefaler skalering, når samlet input og output væsentligt overstiger 32.768 tokens. Eksemplerne beskriver en faktor på fire eller en mindre faktor som to til en arbejdsbelastning på 65.536 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst, så modelkortet fraråder at aktivere den, når almindelige anmodninger holder sig inden for 32.768 tokens. Den offentliggjorte konfiguration angiver 131.072 positioner, men intet aktiveret rope_scaling-felt; konfigurationen og producentens betingede procedure til lang kontekst bør derfor kontrolleres sammen.
Et langt input skal stadig give plads til ræsonnement og svaret. Begynd med de tekststykker, spørgsmålet kræver, fjern gentagne sidehoveder og navigationstekst, og bevar side- eller afsnits-id'er. Bed om belægshenvisninger i resultatet, så en læser kan spore konklusionen tilbage til det leverede materiale. En stor kontekstgrænse hjælper med at placere mere belæg i én anmodning; den fastslår ikke perfekt genkaldelse af enhver detalje.
Hvad dokumenttræningen dækker
DocQA-RL-1.6K indeholder 1.600 træningsproblemer på tværs af tre ræsonnementsdomæner: 600 numeriske spørgsmål fra lange specialiserede dokumenter som finansielle rapporter; 600 logiske multiple-choice-spørgsmål om juridiske, finansielle, forsikrings- og produktionsdokumenter; og 400 eksempler i flere led, der forbinder belæg på tværs af kilder. Det gør modellen til en relevant kandidat til rapportberegninger, regelfortolkning og spørgsmål, der kræver flere understøttende tekststykker. Træningsdomænerne beskriver erfaring med disse opgaver, ikke professionel certificering eller garanterede konklusioner.
Praktisk output og grænser
Vælg et svar, der kan kontrolleres: en beregnet værdi med enheder, en regelsammenligning med afsnitshenvisninger eller en kort konklusion med kæden af understøttende fakta. Hvis dokumentet mangler en nødvendig dato eller definition, skal du bede modellen identificere det manglende belæg frem for at opfinde det. Udgivelsesmaterialet fokuserer på besvarelse af dokumentspørgsmål og fastlægger ikke en dedikeret kontrakt for værktøjskald eller et særskilt hårdt outputloft. Behandl svarene som underbyggede udkast, og verificér beregninger, henvisninger og fortolkninger mod de leverede dokumenter.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00028 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Tongyi-Zhiwen/QwenLong-L1-32B", "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='Tongyi-Zhiwen/QwenLong-L1-32B',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='Tongyi-Zhiwen/QwenLong-L1-32B',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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Brug metodestierne vist ovenfor.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B er Tongyi Labs tekstræsonnementsmodel til spørgsmål med belæg i lange dokumenter. Den kombinerer DeepSeek-R1-Distill-Qwen-32B som udgangspunkt med dokumentfokuseret reinforcement learning til numerisk, logisk og tværdokumentært ræsonnement.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Introduktion: ræsonnement over lange dokumenter
QwenLong-L1-32B er Tongyi Labs tekstræsonnementsmodel med lang kontekst. Dens formål er at besvare spørgsmål, hvis belæg er spredt gennem et dokument eller på tværs af flere dokumenter, frem for blot at gentage et nærliggende tekststykke. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videreuddannet til dokumentunderbygget ræsonnement. Lever tekst og et spørgsmål; modellen genererer en tekstlig ræsonnementssekvens og et svar. Scannede sider, lyd og video kræver et passende særskilt konverteringstrin før denne tekstarbejdsgang.
Sådan virker træningen med lang kontekst
QwenLong-L1-rammen varmer først en ræsonnementspolitik op med superviseret finjustering og øger derefter kontekstlængden gennem et reinforcement-learning-forløb. Sværhedsbevidst retrospektiv sampling justerer, hvilke eksempler der genbesøges, efterhånden som træningen skrider frem. Producenten kombinerer regelbaserede og modelbaserede binære resultatbelønninger og bruger group-relative policy optimization til at fremme svar, som forbliver underbygget af langt belæg. Det beskriver checkpointets træningstilgang; det betyder ikke, at et enkelt svar automatisk verificeres af en ekstern dommer.
Den udgivne udgave
Dette er den oprindelige QwenLong-L1-32B-udgivelse. Den særskilt navngivne QwenLong-L1-32B-AWQ er en INT4-kvantiseret udgave og bør bevare sin egen identitet. Den offentliggjorte konfiguration til denne model bruger en Qwen2-kausal-sprogmodelarkitektur med 64 lag og bfloat16-vægte. Modellens dokumentspecialisering er mere relevant for valget end at behandle 32B-navnet som bevis på, at enhver generel opgave forbedres.
Forberedelse af et dokumentspørgsmål
Producentens eksempel adskiller dokumentet fra spørgsmålet med eksplicitte tekstafgrænsere og beder om en genkendelig frase til det endelige svar efter ræsonnementet. Følg denne struktur: lever den relevante dokumenttekst, hold overskrifter og tabeller læsbare, og stil ét konkret spørgsmål. Ved en rapportberegning skal du bevare enheder, rapporteringsperioder og tabelbetegnelser og derefter bede om formlen, de anvendte værdier og et slutresultat. Ved en sammenligning af politikker skal du mærke dokumenterne A og B og bede om en tabel med tilsvarende regler, forskelle og det understøttende afsnit for hver række. Det er forfattede anvendelser af de dokumenterede numeriske og tværdokumentære evner.
Eksemplet parser ræsonnement og sluttekst hver for sig. Det bruger et genereringsbudget på 10.000 tokens, temperature 0.7 og top_p 0.95; det er eksempelindstillinger, ikke en erklæret maksimal outputlængde. Modelkortet viser også en valgfri systembesked, der fastlægger identiteten. Bevar denne models egen promptvejledning frem for at overtage et andet checkpoints anbefalinger alene, fordi det indgår i modellens ophav.
Behandling af lange dokumenter
Tongyi Lab validerer kontekstlængder op til 131.072 tokens med YaRN og anbefaler skalering, når samlet input og output væsentligt overstiger 32.768 tokens. Eksemplerne beskriver en faktor på fire eller en mindre faktor som to til en arbejdsbelastning på 65.536 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst, så modelkortet fraråder at aktivere den, når almindelige anmodninger holder sig inden for 32.768 tokens. Den offentliggjorte konfiguration angiver 131.072 positioner, men intet aktiveret rope_scaling-felt; konfigurationen og producentens betingede procedure til lang kontekst bør derfor kontrolleres sammen.
Et langt input skal stadig give plads til ræsonnement og svaret. Begynd med de tekststykker, spørgsmålet kræver, fjern gentagne sidehoveder og navigationstekst, og bevar side- eller afsnits-id'er. Bed om belægshenvisninger i resultatet, så en læser kan spore konklusionen tilbage til det leverede materiale. En stor kontekstgrænse hjælper med at placere mere belæg i én anmodning; den fastslår ikke perfekt genkaldelse af enhver detalje.
Hvad dokumenttræningen dækker
DocQA-RL-1.6K indeholder 1.600 træningsproblemer på tværs af tre ræsonnementsdomæner: 600 numeriske spørgsmål fra lange specialiserede dokumenter som finansielle rapporter; 600 logiske multiple-choice-spørgsmål om juridiske, finansielle, forsikrings- og produktionsdokumenter; og 400 eksempler i flere led, der forbinder belæg på tværs af kilder. Det gør modellen til en relevant kandidat til rapportberegninger, regelfortolkning og spørgsmål, der kræver flere understøttende tekststykker. Træningsdomænerne beskriver erfaring med disse opgaver, ikke professionel certificering eller garanterede konklusioner.
Praktisk output og grænser
Vælg et svar, der kan kontrolleres: en beregnet værdi med enheder, en regelsammenligning med afsnitshenvisninger eller en kort konklusion med kæden af understøttende fakta. Hvis dokumentet mangler en nødvendig dato eller definition, skal du bede modellen identificere det manglende belæg frem for at opfinde det. Udgivelsesmaterialet fokuserer på besvarelse af dokumentspørgsmål og fastlægger ikke en dedikeret kontrakt for værktøjskald eller et særskilt hårdt outputloft. Behandl svarene som underbyggede udkast, og verificér beregninger, henvisninger og fortolkninger mod de leverede dokumenter.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00028 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Tongyi-Zhiwen/QwenLong-L1-32B', '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': 'Tongyi-Zhiwen/QwenLong-L1-32B', '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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Connect evidence across report sections\n\nDocument section 1 says 240 units were shipped. Section 4 says 30 shipped units were returned before month end. Appendix A says net shipped units equal shipped minus returned units. Calculate net shipped units for the month, cite every section needed and state whether revenue can be calculated from these facts. End with a clearly labelled final answer.A source-linked formula and calculation, a revenue-information limit and a labelled final result.Check that all three source sections support the calculation and that a price or revenue value is not invented.