Einführung: Reasoning über lange Dokumente
QwenLong-L1-32B ist das Text-Reasoning-Modell von Tongyi Lab für lange Kontexte. Sein Zweck ist, Fragen zu beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt lediglich eine nahe gelegene Textstelle zu wiederholen. Es basiert auf DeepSeek-R1-Distill-Qwen-32B und wurde für dokumentgestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Sequenz und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Textablauf einen geeigneten separaten Konvertierungsschritt.
So funktioniert das Training für lange Kontexte
Das QwenLong-L1-Framework bereitet zunächst eine Reasoning-Policy durch überwachtes Fine-Tuning vor und erhöht anschließend die Kontextlänge über einen Lehrplan mit Reinforcement Learning. Schwierigkeitsbewusstes retrospektives Sampling passt im Trainingsverlauf an, welche Beispiele erneut behandelt werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und nutzt Group-Relative Policy Optimization, um Antworten zu fördern, die in umfangreichen Belegen verankert bleiben. Dies beschreibt den Trainingsansatz des Checkpoints; es bedeutet nicht, dass eine einzelne Antwort automatisch von einer externen Bewertungsinstanz überprüft wird.
Die veröffentlichte Ausgabe
Dies ist die ursprüngliche Veröffentlichung QwenLong-L1-32B. Das separat benannte QwenLong-L1-32B-AWQ ist eine INT4-quantisierte Ausgabe und sollte seine eigene Identität behalten. Die veröffentlichte Konfiguration dieses Modells verwendet eine kausale Qwen2-Sprachmodellarchitektur mit 64 Schichten und bfloat16-Gewichten. Die Dokumentspezialisierung des Modells ist für die Auswahl relevanter, als den Namen 32B als Beleg zu behandeln, dass sich jede allgemeine Aufgabe verbessern wird.
Eine Dokumentfrage vorbereiten
Das Beispiel des Herstellers trennt Dokument und Frage durch ausdrückliche Textbegrenzer und verlangt nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumenttext bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Bewahren Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und verlangen Sie anschließend Formel, verwendete Werte und ein Endergebnis. Für einen Richtlinienvergleich kennzeichnen Sie die Dokumente A und B und verlangen Sie eine Tabelle übereinstimmender Regeln, Unterschiede und des stützenden Abschnitts für jede Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.
Das Beispiel wertet Reasoning-Text und endgültige Antwort getrennt aus. Es verwendet ein Generierungsbudget von 10.000 Token, temperature 0.7 und top_p 0.95; dies sind Beispieleinstellungen, keine erklärte maximale Ausgabelänge. Die Modellkarte zeigt außerdem eine optionale Systemnachricht zur Festlegung der Identität. Bewahren Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints allein deshalb zu übernehmen, weil er in der Herkunft des Modells vorkommt.
Lange Dokumente verarbeiten
Tongyi Lab validiert Kontextlängen bis 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Ein- und Ausgabe zusammen 32.768 Token deutlich überschreiten. Die Beispiele beschreiben einen Faktor vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; deshalb rät die Modellkarte davon ab, sie zu aktivieren, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration führt 131.072 Positionen an, aber kein aktiviertes rope_scaling-Feld. Konfiguration und das bedingte Verfahren des Herstellers für lange Kontexte sollten daher gemeinsam geprüft werden.
Eine lange Eingabe benötigt weiterhin Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage erforderlichen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstexte und behalten Sie Seiten- oder Abschnittskennungen bei. Verlangen Sie Belegverweise im Ergebnis, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großes Kontextbudget hilft, mehr Belege in einer Anfrage unterzubringen; es belegt keinen perfekten Abruf jedes Details.
Was das Dokumenttraining abdeckt
DocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen spezialisierten Dokumenten wie Finanzberichten; 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten; und 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelinterpretation und Fragen, die mehrere stützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine berufliche Zertifizierung oder garantierten Schlussfolgerungen.
Praktische Ausgabe und Grenzen
Wählen Sie eine überprüfbare Antwort: einen berechneten Wert mit Einheiten, einen Regelvergleich mit Abschnittsverweisen oder eine kurze Schlussfolgerung mit der Kette stützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, lassen Sie das Modell den fehlenden Beleg benennen, statt ihn zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf Fragenbeantwortung zu Dokumenten und belegen keinen speziellen Vertrag für Werkzeugaufrufe und keine separate harte Ausgabeobergrenze. Behandeln Sie Antworten als beleggestützte Entwürfe und prüfen Sie Berechnungen, Verweise und Interpretationen anhand der bereitgestellten Dokumente.
", "aboutText": "Einführung: Reasoning über lange Dokumente\n\nQwenLong-L1-32B ist das Text-Reasoning-Modell von Tongyi Lab für lange Kontexte. Sein Zweck ist, Fragen zu beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt lediglich eine nahe gelegene Textstelle zu wiederholen. Es basiert auf DeepSeek-R1-Distill-Qwen-32B und wurde für dokumentgestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Sequenz und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Textablauf einen geeigneten separaten Konvertierungsschritt.\n\nSo funktioniert das Training für lange Kontexte\n\nDas QwenLong-L1-Framework bereitet zunächst eine Reasoning-Policy durch überwachtes Fine-Tuning vor und erhöht anschließend die Kontextlänge über einen Lehrplan mit Reinforcement Learning. Schwierigkeitsbewusstes retrospektives Sampling passt im Trainingsverlauf an, welche Beispiele erneut behandelt werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und nutzt Group-Relative Policy Optimization, um Antworten zu fördern, die in umfangreichen Belegen verankert bleiben. Dies beschreibt den Trainingsansatz des Checkpoints; es bedeutet nicht, dass eine einzelne Antwort automatisch von einer externen Bewertungsinstanz überprüft wird.\n\nDie veröffentlichte Ausgabe\n\nDies ist die ursprüngliche Veröffentlichung QwenLong-L1-32B. Das separat benannte QwenLong-L1-32B-AWQ ist eine INT4-quantisierte Ausgabe und sollte seine eigene Identität behalten. Die veröffentlichte Konfiguration dieses Modells verwendet eine kausale Qwen2-Sprachmodellarchitektur mit 64 Schichten und bfloat16-Gewichten. Die Dokumentspezialisierung des Modells ist für die Auswahl relevanter, als den Namen 32B als Beleg zu behandeln, dass sich jede allgemeine Aufgabe verbessern wird.\n\nEine Dokumentfrage vorbereiten\n\nDas Beispiel des Herstellers trennt Dokument und Frage durch ausdrückliche Textbegrenzer und verlangt nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumenttext bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Bewahren Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und verlangen Sie anschließend Formel, verwendete Werte und ein Endergebnis. Für einen Richtlinienvergleich kennzeichnen Sie die Dokumente A und B und verlangen Sie eine Tabelle übereinstimmender Regeln, Unterschiede und des stützenden Abschnitts für jede Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.\n\nDas Beispiel wertet Reasoning-Text und endgültige Antwort getrennt aus. Es verwendet ein Generierungsbudget von 10.000 Token, temperature 0.7 und top_p 0.95; dies sind Beispieleinstellungen, keine erklärte maximale Ausgabelänge. Die Modellkarte zeigt außerdem eine optionale Systemnachricht zur Festlegung der Identität. Bewahren Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints allein deshalb zu übernehmen, weil er in der Herkunft des Modells vorkommt.\n\nLange Dokumente verarbeiten\n\nTongyi Lab validiert Kontextlängen bis 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Ein- und Ausgabe zusammen 32.768 Token deutlich überschreiten. Die Beispiele beschreiben einen Faktor vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; deshalb rät die Modellkarte davon ab, sie zu aktivieren, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration führt 131.072 Positionen an, aber kein aktiviertes rope_scaling-Feld. Konfiguration und das bedingte Verfahren des Herstellers für lange Kontexte sollten daher gemeinsam geprüft werden.\n\nEine lange Eingabe benötigt weiterhin Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage erforderlichen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstexte und behalten Sie Seiten- oder Abschnittskennungen bei. Verlangen Sie Belegverweise im Ergebnis, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großes Kontextbudget hilft, mehr Belege in einer Anfrage unterzubringen; es belegt keinen perfekten Abruf jedes Details.\n\nWas das Dokumenttraining abdeckt\n\nDocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen spezialisierten Dokumenten wie Finanzberichten; 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten; und 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelinterpretation und Fragen, die mehrere stützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine berufliche Zertifizierung oder garantierten Schlussfolgerungen.\n\nPraktische Ausgabe und Grenzen\n\nWählen Sie eine überprüfbare Antwort: einen berechneten Wert mit Einheiten, einen Regelvergleich mit Abschnittsverweisen oder eine kurze Schlussfolgerung mit der Kette stützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, lassen Sie das Modell den fehlenden Beleg benennen, statt ihn zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf Fragenbeantwortung zu Dokumenten und belegen keinen speziellen Vertrag für Werkzeugaufrufe und keine separate harte Ausgabeobergrenze. Behandeln Sie Antworten als beleggestützte Entwürfe und prüfen Sie Berechnungen, Verweise und Interpretationen anhand der bereitgestellten Dokumente.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist das Text-Reasoning-Modell von Tongyi Lab für Fragen auf Grundlage langer Dokumente. Es verbindet DeepSeek-R1-Distill-Qwen-32B als Ausgangspunkt mit dokumentorientiertem Reinforcement Learning für numerisches, logisches und dokumentübergreifendes Reasoning.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: Reasoning über lange Dokumente
QwenLong-L1-32B ist das Text-Reasoning-Modell von Tongyi Lab für lange Kontexte. Sein Zweck ist, Fragen zu beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt lediglich eine nahe gelegene Textstelle zu wiederholen. Es basiert auf DeepSeek-R1-Distill-Qwen-32B und wurde für dokumentgestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Sequenz und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Textablauf einen geeigneten separaten Konvertierungsschritt.
So funktioniert das Training für lange Kontexte
Das QwenLong-L1-Framework bereitet zunächst eine Reasoning-Policy durch überwachtes Fine-Tuning vor und erhöht anschließend die Kontextlänge über einen Lehrplan mit Reinforcement Learning. Schwierigkeitsbewusstes retrospektives Sampling passt im Trainingsverlauf an, welche Beispiele erneut behandelt werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und nutzt Group-Relative Policy Optimization, um Antworten zu fördern, die in umfangreichen Belegen verankert bleiben. Dies beschreibt den Trainingsansatz des Checkpoints; es bedeutet nicht, dass eine einzelne Antwort automatisch von einer externen Bewertungsinstanz überprüft wird.
Die veröffentlichte Ausgabe
Dies ist die ursprüngliche Veröffentlichung QwenLong-L1-32B. Das separat benannte QwenLong-L1-32B-AWQ ist eine INT4-quantisierte Ausgabe und sollte seine eigene Identität behalten. Die veröffentlichte Konfiguration dieses Modells verwendet eine kausale Qwen2-Sprachmodellarchitektur mit 64 Schichten und bfloat16-Gewichten. Die Dokumentspezialisierung des Modells ist für die Auswahl relevanter, als den Namen 32B als Beleg zu behandeln, dass sich jede allgemeine Aufgabe verbessern wird.
Eine Dokumentfrage vorbereiten
Das Beispiel des Herstellers trennt Dokument und Frage durch ausdrückliche Textbegrenzer und verlangt nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumenttext bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Bewahren Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und verlangen Sie anschließend Formel, verwendete Werte und ein Endergebnis. Für einen Richtlinienvergleich kennzeichnen Sie die Dokumente A und B und verlangen Sie eine Tabelle übereinstimmender Regeln, Unterschiede und des stützenden Abschnitts für jede Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.
Das Beispiel wertet Reasoning-Text und endgültige Antwort getrennt aus. Es verwendet ein Generierungsbudget von 10.000 Token, temperature 0.7 und top_p 0.95; dies sind Beispieleinstellungen, keine erklärte maximale Ausgabelänge. Die Modellkarte zeigt außerdem eine optionale Systemnachricht zur Festlegung der Identität. Bewahren Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints allein deshalb zu übernehmen, weil er in der Herkunft des Modells vorkommt.
Lange Dokumente verarbeiten
Tongyi Lab validiert Kontextlängen bis 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Ein- und Ausgabe zusammen 32.768 Token deutlich überschreiten. Die Beispiele beschreiben einen Faktor vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; deshalb rät die Modellkarte davon ab, sie zu aktivieren, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration führt 131.072 Positionen an, aber kein aktiviertes rope_scaling-Feld. Konfiguration und das bedingte Verfahren des Herstellers für lange Kontexte sollten daher gemeinsam geprüft werden.
Eine lange Eingabe benötigt weiterhin Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage erforderlichen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstexte und behalten Sie Seiten- oder Abschnittskennungen bei. Verlangen Sie Belegverweise im Ergebnis, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großes Kontextbudget hilft, mehr Belege in einer Anfrage unterzubringen; es belegt keinen perfekten Abruf jedes Details.
Was das Dokumenttraining abdeckt
DocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen spezialisierten Dokumenten wie Finanzberichten; 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten; und 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelinterpretation und Fragen, die mehrere stützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine berufliche Zertifizierung oder garantierten Schlussfolgerungen.
Praktische Ausgabe und Grenzen
Wählen Sie eine überprüfbare Antwort: einen berechneten Wert mit Einheiten, einen Regelvergleich mit Abschnittsverweisen oder eine kurze Schlussfolgerung mit der Kette stützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, lassen Sie das Modell den fehlenden Beleg benennen, statt ihn zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf Fragenbeantwortung zu Dokumenten und belegen keinen speziellen Vertrag für Werkzeugaufrufe und keine separate harte Ausgabeobergrenze. Behandeln Sie Antworten als beleggestützte Entwürfe und prüfen Sie Berechnungen, Verweise und Interpretationen anhand der bereitgestellten Dokumente.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Verwenden Sie die oben angezeigten Methodenpfade.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B ist das Text-Reasoning-Modell von Tongyi Lab für Fragen auf Grundlage langer Dokumente. Es verbindet DeepSeek-R1-Distill-Qwen-32B als Ausgangspunkt mit dokumentorientiertem Reinforcement Learning für numerisches, logisches und dokumentübergreifendes Reasoning.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: Reasoning über lange Dokumente
QwenLong-L1-32B ist das Text-Reasoning-Modell von Tongyi Lab für lange Kontexte. Sein Zweck ist, Fragen zu beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt lediglich eine nahe gelegene Textstelle zu wiederholen. Es basiert auf DeepSeek-R1-Distill-Qwen-32B und wurde für dokumentgestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Sequenz und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Textablauf einen geeigneten separaten Konvertierungsschritt.
So funktioniert das Training für lange Kontexte
Das QwenLong-L1-Framework bereitet zunächst eine Reasoning-Policy durch überwachtes Fine-Tuning vor und erhöht anschließend die Kontextlänge über einen Lehrplan mit Reinforcement Learning. Schwierigkeitsbewusstes retrospektives Sampling passt im Trainingsverlauf an, welche Beispiele erneut behandelt werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und nutzt Group-Relative Policy Optimization, um Antworten zu fördern, die in umfangreichen Belegen verankert bleiben. Dies beschreibt den Trainingsansatz des Checkpoints; es bedeutet nicht, dass eine einzelne Antwort automatisch von einer externen Bewertungsinstanz überprüft wird.
Die veröffentlichte Ausgabe
Dies ist die ursprüngliche Veröffentlichung QwenLong-L1-32B. Das separat benannte QwenLong-L1-32B-AWQ ist eine INT4-quantisierte Ausgabe und sollte seine eigene Identität behalten. Die veröffentlichte Konfiguration dieses Modells verwendet eine kausale Qwen2-Sprachmodellarchitektur mit 64 Schichten und bfloat16-Gewichten. Die Dokumentspezialisierung des Modells ist für die Auswahl relevanter, als den Namen 32B als Beleg zu behandeln, dass sich jede allgemeine Aufgabe verbessern wird.
Eine Dokumentfrage vorbereiten
Das Beispiel des Herstellers trennt Dokument und Frage durch ausdrückliche Textbegrenzer und verlangt nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumenttext bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Bewahren Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und verlangen Sie anschließend Formel, verwendete Werte und ein Endergebnis. Für einen Richtlinienvergleich kennzeichnen Sie die Dokumente A und B und verlangen Sie eine Tabelle übereinstimmender Regeln, Unterschiede und des stützenden Abschnitts für jede Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.
Das Beispiel wertet Reasoning-Text und endgültige Antwort getrennt aus. Es verwendet ein Generierungsbudget von 10.000 Token, temperature 0.7 und top_p 0.95; dies sind Beispieleinstellungen, keine erklärte maximale Ausgabelänge. Die Modellkarte zeigt außerdem eine optionale Systemnachricht zur Festlegung der Identität. Bewahren Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints allein deshalb zu übernehmen, weil er in der Herkunft des Modells vorkommt.
Lange Dokumente verarbeiten
Tongyi Lab validiert Kontextlängen bis 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Ein- und Ausgabe zusammen 32.768 Token deutlich überschreiten. Die Beispiele beschreiben einen Faktor vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; deshalb rät die Modellkarte davon ab, sie zu aktivieren, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration führt 131.072 Positionen an, aber kein aktiviertes rope_scaling-Feld. Konfiguration und das bedingte Verfahren des Herstellers für lange Kontexte sollten daher gemeinsam geprüft werden.
Eine lange Eingabe benötigt weiterhin Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage erforderlichen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstexte und behalten Sie Seiten- oder Abschnittskennungen bei. Verlangen Sie Belegverweise im Ergebnis, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großes Kontextbudget hilft, mehr Belege in einer Anfrage unterzubringen; es belegt keinen perfekten Abruf jedes Details.
Was das Dokumenttraining abdeckt
DocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen spezialisierten Dokumenten wie Finanzberichten; 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten; und 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelinterpretation und Fragen, die mehrere stützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine berufliche Zertifizierung oder garantierten Schlussfolgerungen.
Praktische Ausgabe und Grenzen
Wählen Sie eine überprüfbare Antwort: einen berechneten Wert mit Einheiten, einen Regelvergleich mit Abschnittsverweisen oder eine kurze Schlussfolgerung mit der Kette stützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, lassen Sie das Modell den fehlenden Beleg benennen, statt ihn zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf Fragenbeantwortung zu Dokumenten und belegen keinen speziellen Vertrag für Werkzeugaufrufe und keine separate harte Ausgabeobergrenze. Behandeln Sie Antworten als beleggestützte Entwürfe und prüfen Sie Berechnungen, Verweise und Interpretationen anhand der bereitgestellten Dokumente.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.