Einführung: Reasoning über lange Dokumente
QwenLong-L1-32B ist Tongyi Labs Text-Reasoning-Modell mit langem Kontext. Es soll Fragen beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt einfach eine benachbarte Textstelle zu wiederholen. Es baut auf DeepSeek-R1-Distill-Qwen-32B auf und wurde für dokumentengestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Abfolge und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Text-Workflow einen passenden separaten Konvertierungsschritt.
So funktioniert das Training für langen Kontext
Das QwenLong-L1-Framework wärmt zunächst eine Reasoning-Policy mit überwachtem Fine-Tuning auf und erhöht anschließend die Kontextlänge durch ein Reinforcement-Learning-Curriculum. Eine schwierigkeitsbewusste retrospektive Stichprobenauswahl passt an, welche Beispiele im Verlauf des Trainings erneut betrachtet werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und verwendet 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 Instanz verifiziert 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 Dokumentenspezialisierung des Modells ist für die Auswahl relevanter, als die Bezeichnung 32B als Beweis zu behandeln, dass sich jede allgemeine Aufgabe verbessert.
Eine Dokumentfrage vorbereiten
Das Herstellerbeispiel trennt Dokument und Frage durch ausdrückliche Textbegrenzer und fordert nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort an. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumentinhalt bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Erhalten Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und fordern Sie anschließend Formel, verwendete Werte und Endergebnis an. Kennzeichnen Sie bei einem Richtlinienvergleich die Dokumente als A und B und verlangen Sie eine Tabelle mit übereinstimmenden Regeln, Unterschieden und dem unterstützenden Abschnitt pro Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.
Das Beispiel parst Reasoning-Text und endgültige Antwort getrennt. 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. Erhalten Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints nur deshalb zu übernehmen, weil es in der Abstammung des Modells erscheint.
Lange Dokumente verarbeiten
Tongyi Lab validiert Kontextlängen bis zu 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Eingabe und Ausgabe zusammen 32.768 Token deutlich überschreiten. Seine Beispiele beschreiben einen Faktor von vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; die Modellkarte rät daher von ihrer Aktivierung ab, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration nennt 131.072 Positionen, aber kein aktiviertes rope_scaling-Feld; Konfiguration und das bedingte Langkontextverfahren des Herstellers sollten daher gemeinsam geprüft werden.
Auch eine lange Eingabe braucht Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage nötigen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstext und erhalten Sie Seiten- oder Abschnittskennungen. Fordern Sie Belegreferenzen im Ergebnis an, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großer Kontext erlaubt mehr Belege in einer Anfrage; er belegt keine perfekte Erinnerung an jedes Detail.
Was das Dokumententraining abdeckt
DocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen Fachdokumenten wie Finanzberichten, 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten sowie 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelauslegung und Fragen, die mehrere unterstützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine fachliche Zertifizierung oder garantierte 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 unterstützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, fordern Sie das Modell auf, die fehlenden Belege zu benennen, statt sie zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf die Beantwortung von Dokumentfragen und belegen keinen speziellen Tool-Calling-Vertrag oder eine separate harte Ausgabegrenze. 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 Tongyi Labs Text-Reasoning-Modell mit langem Kontext. Es soll Fragen beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt einfach eine benachbarte Textstelle zu wiederholen. Es baut auf DeepSeek-R1-Distill-Qwen-32B auf und wurde für dokumentengestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Abfolge und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Text-Workflow einen passenden separaten Konvertierungsschritt.\n\nSo funktioniert das Training für langen Kontext\n\nDas QwenLong-L1-Framework wärmt zunächst eine Reasoning-Policy mit überwachtem Fine-Tuning auf und erhöht anschließend die Kontextlänge durch ein Reinforcement-Learning-Curriculum. Eine schwierigkeitsbewusste retrospektive Stichprobenauswahl passt an, welche Beispiele im Verlauf des Trainings erneut betrachtet werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und verwendet 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 Instanz verifiziert 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 Dokumentenspezialisierung des Modells ist für die Auswahl relevanter, als die Bezeichnung 32B als Beweis zu behandeln, dass sich jede allgemeine Aufgabe verbessert.\n\nEine Dokumentfrage vorbereiten\n\nDas Herstellerbeispiel trennt Dokument und Frage durch ausdrückliche Textbegrenzer und fordert nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort an. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumentinhalt bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Erhalten Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und fordern Sie anschließend Formel, verwendete Werte und Endergebnis an. Kennzeichnen Sie bei einem Richtlinienvergleich die Dokumente als A und B und verlangen Sie eine Tabelle mit übereinstimmenden Regeln, Unterschieden und dem unterstützenden Abschnitt pro Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.\n\nDas Beispiel parst Reasoning-Text und endgültige Antwort getrennt. 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. Erhalten Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints nur deshalb zu übernehmen, weil es in der Abstammung des Modells erscheint.\n\nLange Dokumente verarbeiten\n\nTongyi Lab validiert Kontextlängen bis zu 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Eingabe und Ausgabe zusammen 32.768 Token deutlich überschreiten. Seine Beispiele beschreiben einen Faktor von vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; die Modellkarte rät daher von ihrer Aktivierung ab, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration nennt 131.072 Positionen, aber kein aktiviertes rope_scaling-Feld; Konfiguration und das bedingte Langkontextverfahren des Herstellers sollten daher gemeinsam geprüft werden.\n\nAuch eine lange Eingabe braucht Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage nötigen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstext und erhalten Sie Seiten- oder Abschnittskennungen. Fordern Sie Belegreferenzen im Ergebnis an, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großer Kontext erlaubt mehr Belege in einer Anfrage; er belegt keine perfekte Erinnerung an jedes Detail.\n\nWas das Dokumententraining abdeckt\n\nDocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen Fachdokumenten wie Finanzberichten, 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten sowie 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelauslegung und Fragen, die mehrere unterstützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine fachliche Zertifizierung oder garantierte 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 unterstützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, fordern Sie das Modell auf, die fehlenden Belege zu benennen, statt sie zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf die Beantwortung von Dokumentfragen und belegen keinen speziellen Tool-Calling-Vertrag oder eine separate harte Ausgabegrenze. 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 Tongyi Labs Text-Reasoning-Modell für Fragen auf Grundlage langer Dokumente. Es verbindet DeepSeek-R1-Distill-Qwen-32B als Ausgangspunkt mit dokumentenorientiertem 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 Tongyi Labs Text-Reasoning-Modell mit langem Kontext. Es soll Fragen beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt einfach eine benachbarte Textstelle zu wiederholen. Es baut auf DeepSeek-R1-Distill-Qwen-32B auf und wurde für dokumentengestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Abfolge und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Text-Workflow einen passenden separaten Konvertierungsschritt.
So funktioniert das Training für langen Kontext
Das QwenLong-L1-Framework wärmt zunächst eine Reasoning-Policy mit überwachtem Fine-Tuning auf und erhöht anschließend die Kontextlänge durch ein Reinforcement-Learning-Curriculum. Eine schwierigkeitsbewusste retrospektive Stichprobenauswahl passt an, welche Beispiele im Verlauf des Trainings erneut betrachtet werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und verwendet 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 Instanz verifiziert 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 Dokumentenspezialisierung des Modells ist für die Auswahl relevanter, als die Bezeichnung 32B als Beweis zu behandeln, dass sich jede allgemeine Aufgabe verbessert.
Eine Dokumentfrage vorbereiten
Das Herstellerbeispiel trennt Dokument und Frage durch ausdrückliche Textbegrenzer und fordert nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort an. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumentinhalt bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Erhalten Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und fordern Sie anschließend Formel, verwendete Werte und Endergebnis an. Kennzeichnen Sie bei einem Richtlinienvergleich die Dokumente als A und B und verlangen Sie eine Tabelle mit übereinstimmenden Regeln, Unterschieden und dem unterstützenden Abschnitt pro Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.
Das Beispiel parst Reasoning-Text und endgültige Antwort getrennt. 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. Erhalten Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints nur deshalb zu übernehmen, weil es in der Abstammung des Modells erscheint.
Lange Dokumente verarbeiten
Tongyi Lab validiert Kontextlängen bis zu 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Eingabe und Ausgabe zusammen 32.768 Token deutlich überschreiten. Seine Beispiele beschreiben einen Faktor von vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; die Modellkarte rät daher von ihrer Aktivierung ab, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration nennt 131.072 Positionen, aber kein aktiviertes rope_scaling-Feld; Konfiguration und das bedingte Langkontextverfahren des Herstellers sollten daher gemeinsam geprüft werden.
Auch eine lange Eingabe braucht Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage nötigen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstext und erhalten Sie Seiten- oder Abschnittskennungen. Fordern Sie Belegreferenzen im Ergebnis an, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großer Kontext erlaubt mehr Belege in einer Anfrage; er belegt keine perfekte Erinnerung an jedes Detail.
Was das Dokumententraining abdeckt
DocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen Fachdokumenten wie Finanzberichten, 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten sowie 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelauslegung und Fragen, die mehrere unterstützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine fachliche Zertifizierung oder garantierte 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 unterstützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, fordern Sie das Modell auf, die fehlenden Belege zu benennen, statt sie zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf die Beantwortung von Dokumentfragen und belegen keinen speziellen Tool-Calling-Vertrag oder eine separate harte Ausgabegrenze. 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 Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 Tongyi Labs Text-Reasoning-Modell für Fragen auf Grundlage langer Dokumente. Es verbindet DeepSeek-R1-Distill-Qwen-32B als Ausgangspunkt mit dokumentenorientiertem 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 Tongyi Labs Text-Reasoning-Modell mit langem Kontext. Es soll Fragen beantworten, deren Belege über ein Dokument oder mehrere Dokumente verteilt sind, statt einfach eine benachbarte Textstelle zu wiederholen. Es baut auf DeepSeek-R1-Distill-Qwen-32B auf und wurde für dokumentengestütztes Reasoning weitertrainiert. Stellen Sie Text und eine Frage bereit; das Modell erzeugt eine textliche Reasoning-Abfolge und Antwort. Gescannte Seiten, Audio und Video benötigen vor diesem Text-Workflow einen passenden separaten Konvertierungsschritt.
So funktioniert das Training für langen Kontext
Das QwenLong-L1-Framework wärmt zunächst eine Reasoning-Policy mit überwachtem Fine-Tuning auf und erhöht anschließend die Kontextlänge durch ein Reinforcement-Learning-Curriculum. Eine schwierigkeitsbewusste retrospektive Stichprobenauswahl passt an, welche Beispiele im Verlauf des Trainings erneut betrachtet werden. Der Hersteller verbindet regelbasierte und modellbasierte binäre Ergebnisbelohnungen und verwendet 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 Instanz verifiziert 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 Dokumentenspezialisierung des Modells ist für die Auswahl relevanter, als die Bezeichnung 32B als Beweis zu behandeln, dass sich jede allgemeine Aufgabe verbessert.
Eine Dokumentfrage vorbereiten
Das Herstellerbeispiel trennt Dokument und Frage durch ausdrückliche Textbegrenzer und fordert nach dem Reasoning eine erkennbare Formulierung für die endgültige Antwort an. Folgen Sie dieser Struktur: Stellen Sie den relevanten Dokumentinhalt bereit, halten Sie Überschriften und Tabellen lesbar und stellen Sie eine konkrete Frage. Erhalten Sie für eine Berichtsberechnung Einheiten, Berichtszeiträume und Tabellenbeschriftungen und fordern Sie anschließend Formel, verwendete Werte und Endergebnis an. Kennzeichnen Sie bei einem Richtlinienvergleich die Dokumente als A und B und verlangen Sie eine Tabelle mit übereinstimmenden Regeln, Unterschieden und dem unterstützenden Abschnitt pro Zeile. Dies sind ausgearbeitete Anwendungen der dokumentierten numerischen und dokumentübergreifenden Fähigkeiten.
Das Beispiel parst Reasoning-Text und endgültige Antwort getrennt. 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. Erhalten Sie die eigenen Prompt-Hinweise dieses Modells, statt Empfehlungen eines anderen Checkpoints nur deshalb zu übernehmen, weil es in der Abstammung des Modells erscheint.
Lange Dokumente verarbeiten
Tongyi Lab validiert Kontextlängen bis zu 131.072 Token mit YaRN und empfiehlt Skalierung, wenn Eingabe und Ausgabe zusammen 32.768 Token deutlich überschreiten. Seine Beispiele beschreiben einen Faktor von vier oder einen kleineren Faktor wie zwei für eine Arbeitslast von 65.536 Token. Statische Skalierung kann die Leistung bei kürzeren Texten verringern; die Modellkarte rät daher von ihrer Aktivierung ab, wenn gewöhnliche Anfragen innerhalb von 32.768 Token bleiben. Die veröffentlichte Konfiguration nennt 131.072 Positionen, aber kein aktiviertes rope_scaling-Feld; Konfiguration und das bedingte Langkontextverfahren des Herstellers sollten daher gemeinsam geprüft werden.
Auch eine lange Eingabe braucht Platz für Reasoning und Antwort. Beginnen Sie mit den für die Frage nötigen Textstellen, entfernen Sie wiederholte Kopfzeilen und Navigationstext und erhalten Sie Seiten- oder Abschnittskennungen. Fordern Sie Belegreferenzen im Ergebnis an, damit eine prüfende Person die Schlussfolgerung zum bereitgestellten Material zurückverfolgen kann. Ein großer Kontext erlaubt mehr Belege in einer Anfrage; er belegt keine perfekte Erinnerung an jedes Detail.
Was das Dokumententraining abdeckt
DocQA-RL-1.6K enthält 1.600 Trainingsaufgaben aus drei Reasoning-Bereichen: 600 numerische Fragen aus langen Fachdokumenten wie Finanzberichten, 600 logische Multiple-Choice-Fragen zu Rechts-, Finanz-, Versicherungs- und Produktionsdokumenten sowie 400 mehrstufige Beispiele, die Belege über Quellen hinweg verbinden. Dies macht das Modell zu einem relevanten Kandidaten für Berechnungen in Berichten, Regelauslegung und Fragen, die mehrere unterstützende Textstellen erfordern. Die Trainingsbereiche beschreiben Erfahrung mit diesen Aufgaben, keine fachliche Zertifizierung oder garantierte 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 unterstützender Fakten. Fehlt im Dokument ein erforderliches Datum oder eine Definition, fordern Sie das Modell auf, die fehlenden Belege zu benennen, statt sie zu erfinden. Die Veröffentlichungsmaterialien konzentrieren sich auf die Beantwortung von Dokumentfragen und belegen keinen speziellen Tool-Calling-Vertrag oder eine separate harte Ausgabegrenze. 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 Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.