Introducción: razonamiento sobre documentos largos
QwenLong-L1-32B es el modelo de razonamiento con texto y contexto largo de Tongyi Lab. Su propósito es responder preguntas cuya evidencia está distribuida a lo largo de un documento o entre varios documentos, en lugar de simplemente repetir un pasaje cercano. Está construido a partir de DeepSeek-R1-Distill-Qwen-32B y recibe entrenamiento adicional para razonamiento basado en documentos. Proporciona texto y una pregunta; el modelo genera una secuencia de razonamiento textual y una respuesta. Las páginas escaneadas, el audio y el video necesitan un paso separado de conversión adecuado antes de este flujo de texto.
Cómo funciona el entrenamiento de contexto largo
El marco QwenLong-L1 primero prepara una política de razonamiento con ajuste fino supervisado y después aumenta la longitud de contexto mediante un plan progresivo de aprendizaje por refuerzo. El muestreo retrospectivo según la dificultad ajusta qué ejemplos se vuelven a visitar conforme avanza el entrenamiento. El fabricante combina recompensas binarias de resultado basadas en reglas y en modelos, usando optimización de políticas relativa a grupos para fomentar respuestas que se mantengan basadas en evidencia extensa. Esto describe el enfoque de entrenamiento del punto de control; no significa que un juez externo verifique automáticamente una respuesta individual.
La edición publicada
Esta es la versión original de QwenLong-L1-32B. QwenLong-L1-32B-AWQ, con nombre separado, es una edición cuantizada INT4 y debe conservar su propia identidad. La configuración publicada de este modelo usa una arquitectura Qwen2 de modelo de lenguaje causal con 64 capas y pesos bfloat16. La especialización documental del modelo es más pertinente para seleccionarlo que tratar el nombre 32B como prueba de que mejorará en toda tarea de propósito general.
Preparación de una pregunta sobre documentos
El ejemplo del fabricante separa el documento de la pregunta con delimitadores explícitos de texto y pide una frase reconocible de respuesta final después del razonamiento. Sigue esa estructura: proporciona el cuerpo pertinente del documento, mantén legibles los encabezados y las tablas y haz una pregunta concreta. Para un cálculo sobre un informe, conserva las unidades, los periodos de reporte y las etiquetas de las tablas; después pide la fórmula, los valores usados y un resultado final. Para comparar políticas, etiqueta los documentos A y B y pide una tabla de reglas coincidentes, diferencias y la sección de respaldo para cada fila. Estas son aplicaciones elaboradas de las capacidades numéricas y entre documentos que están documentadas.
El ejemplo analiza por separado el razonamiento y el texto de respuesta final. Usa un presupuesto de generación de 10,000 tokens, temperature 0.7 y top_p 0.95; son ajustes de ejemplo, no una longitud máxima de salida declarada. La tarjeta también muestra un mensaje opcional de sistema para establecer la identidad. Conserva las indicaciones de prompts propias de este modelo en lugar de importar las recomendaciones de otro punto de control únicamente porque aparezca en su ascendencia.
Procesamiento de documentos largos
Tongyi Lab valida longitudes de contexto de hasta 131,072 tokens usando YaRN y recomienda ampliar cuando la entrada y la salida combinadas superen significativamente 32,768 tokens. Sus ejemplos describen un factor de cuatro, o un factor menor, como dos, para una carga de trabajo de 65,536 tokens. La ampliación estática puede reducir el rendimiento en textos más cortos, por lo que la tarjeta desaconseja habilitarla cuando las solicitudes normales se mantienen dentro de 32,768 tokens. La configuración publicada enumera 131,072 posiciones, pero no un campo rope_scaling habilitado; por lo tanto, la configuración y el procedimiento condicional de contexto largo del fabricante se deben revisar juntos.
Una entrada larga sigue necesitando espacio para el razonamiento y la respuesta. Comienza con los pasajes necesarios para la pregunta, elimina los encabezados repetidos y el texto de navegación y conserva los identificadores de página o sección. Pide referencias a la evidencia en el resultado para que quien lo revise pueda rastrear la conclusión hasta el material proporcionado. Una capacidad de contexto amplia ayuda a incluir más evidencia en una sola solicitud; no establece un recuerdo perfecto de cada detalle.
Qué abarca el entrenamiento documental
DocQA-RL-1.6K contiene 1,600 problemas de entrenamiento en tres ámbitos de razonamiento: 600 preguntas numéricas de documentos largos especializados, como informes financieros; 600 preguntas lógicas de opción múltiple sobre documentos legales, financieros, de seguros y de producción; y 400 ejemplos de varios pasos que conectan evidencia entre fuentes. Esto hace que el modelo sea un candidato pertinente para aritmética de informes, interpretación de reglas y preguntas que requieren varios pasajes de respaldo. Los ámbitos de entrenamiento describen experiencia con esas tareas, no certificación profesional ni conclusiones garantizadas.
Salida práctica y límites
Elige una respuesta que se pueda verificar: un valor calculado con unidades, una comparación de reglas con referencias de secciones o una conclusión breve con la cadena de hechos que la respaldan. Si el documento omite una fecha o definición requerida, pide al modelo que identifique la evidencia faltante en lugar de inventarla. Los materiales de la versión se centran en responder preguntas sobre documentos y no establecen un contrato dedicado de llamadas a herramientas ni un límite máximo estricto de salida separado. Trata las respuestas como borradores basados en fuentes y verifica los cálculos, las referencias y las interpretaciones contra los documentos proporcionados.
", "aboutText": "Introducción: razonamiento sobre documentos largos\n\nQwenLong-L1-32B es el modelo de razonamiento con texto y contexto largo de Tongyi Lab. Su propósito es responder preguntas cuya evidencia está distribuida a lo largo de un documento o entre varios documentos, en lugar de simplemente repetir un pasaje cercano. Está construido a partir de DeepSeek-R1-Distill-Qwen-32B y recibe entrenamiento adicional para razonamiento basado en documentos. Proporciona texto y una pregunta; el modelo genera una secuencia de razonamiento textual y una respuesta. Las páginas escaneadas, el audio y el video necesitan un paso separado de conversión adecuado antes de este flujo de texto.\n\nCómo funciona el entrenamiento de contexto largo\n\nEl marco QwenLong-L1 primero prepara una política de razonamiento con ajuste fino supervisado y después aumenta la longitud de contexto mediante un plan progresivo de aprendizaje por refuerzo. El muestreo retrospectivo según la dificultad ajusta qué ejemplos se vuelven a visitar conforme avanza el entrenamiento. El fabricante combina recompensas binarias de resultado basadas en reglas y en modelos, usando optimización de políticas relativa a grupos para fomentar respuestas que se mantengan basadas en evidencia extensa. Esto describe el enfoque de entrenamiento del punto de control; no significa que un juez externo verifique automáticamente una respuesta individual.\n\nLa edición publicada\n\nEsta es la versión original de QwenLong-L1-32B. QwenLong-L1-32B-AWQ, con nombre separado, es una edición cuantizada INT4 y debe conservar su propia identidad. La configuración publicada de este modelo usa una arquitectura Qwen2 de modelo de lenguaje causal con 64 capas y pesos bfloat16. La especialización documental del modelo es más pertinente para seleccionarlo que tratar el nombre 32B como prueba de que mejorará en toda tarea de propósito general.\n\nPreparación de una pregunta sobre documentos\n\nEl ejemplo del fabricante separa el documento de la pregunta con delimitadores explícitos de texto y pide una frase reconocible de respuesta final después del razonamiento. Sigue esa estructura: proporciona el cuerpo pertinente del documento, mantén legibles los encabezados y las tablas y haz una pregunta concreta. Para un cálculo sobre un informe, conserva las unidades, los periodos de reporte y las etiquetas de las tablas; después pide la fórmula, los valores usados y un resultado final. Para comparar políticas, etiqueta los documentos A y B y pide una tabla de reglas coincidentes, diferencias y la sección de respaldo para cada fila. Estas son aplicaciones elaboradas de las capacidades numéricas y entre documentos que están documentadas.\n\nEl ejemplo analiza por separado el razonamiento y el texto de respuesta final. Usa un presupuesto de generación de 10,000 tokens, temperature 0.7 y top_p 0.95; son ajustes de ejemplo, no una longitud máxima de salida declarada. La tarjeta también muestra un mensaje opcional de sistema para establecer la identidad. Conserva las indicaciones de prompts propias de este modelo en lugar de importar las recomendaciones de otro punto de control únicamente porque aparezca en su ascendencia.\n\nProcesamiento de documentos largos\n\nTongyi Lab valida longitudes de contexto de hasta 131,072 tokens usando YaRN y recomienda ampliar cuando la entrada y la salida combinadas superen significativamente 32,768 tokens. Sus ejemplos describen un factor de cuatro, o un factor menor, como dos, para una carga de trabajo de 65,536 tokens. La ampliación estática puede reducir el rendimiento en textos más cortos, por lo que la tarjeta desaconseja habilitarla cuando las solicitudes normales se mantienen dentro de 32,768 tokens. La configuración publicada enumera 131,072 posiciones, pero no un campo rope_scaling habilitado; por lo tanto, la configuración y el procedimiento condicional de contexto largo del fabricante se deben revisar juntos.\n\nUna entrada larga sigue necesitando espacio para el razonamiento y la respuesta. Comienza con los pasajes necesarios para la pregunta, elimina los encabezados repetidos y el texto de navegación y conserva los identificadores de página o sección. Pide referencias a la evidencia en el resultado para que quien lo revise pueda rastrear la conclusión hasta el material proporcionado. Una capacidad de contexto amplia ayuda a incluir más evidencia en una sola solicitud; no establece un recuerdo perfecto de cada detalle.\n\nQué abarca el entrenamiento documental\n\nDocQA-RL-1.6K contiene 1,600 problemas de entrenamiento en tres ámbitos de razonamiento: 600 preguntas numéricas de documentos largos especializados, como informes financieros; 600 preguntas lógicas de opción múltiple sobre documentos legales, financieros, de seguros y de producción; y 400 ejemplos de varios pasos que conectan evidencia entre fuentes. Esto hace que el modelo sea un candidato pertinente para aritmética de informes, interpretación de reglas y preguntas que requieren varios pasajes de respaldo. Los ámbitos de entrenamiento describen experiencia con esas tareas, no certificación profesional ni conclusiones garantizadas.\n\nSalida práctica y límites\n\nElige una respuesta que se pueda verificar: un valor calculado con unidades, una comparación de reglas con referencias de secciones o una conclusión breve con la cadena de hechos que la respaldan. Si el documento omite una fecha o definición requerida, pide al modelo que identifique la evidencia faltante en lugar de inventarla. Los materiales de la versión se centran en responder preguntas sobre documentos y no establecen un contrato dedicado de llamadas a herramientas ni un límite máximo estricto de salida separado. Trata las respuestas como borradores basados en fuentes y verifica los cálculos, las referencias y las interpretaciones contra los documentos proporcionados.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es el modelo de razonamiento con texto de Tongyi Lab para preguntas basadas en documentos largos. Combina un punto de partida DeepSeek-R1-Distill-Qwen-32B con aprendizaje por refuerzo centrado en documentos para razonamiento numérico, lógico y entre documentos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Introducción: razonamiento sobre documentos largos
QwenLong-L1-32B es el modelo de razonamiento con texto y contexto largo de Tongyi Lab. Su propósito es responder preguntas cuya evidencia está distribuida a lo largo de un documento o entre varios documentos, en lugar de simplemente repetir un pasaje cercano. Está construido a partir de DeepSeek-R1-Distill-Qwen-32B y recibe entrenamiento adicional para razonamiento basado en documentos. Proporciona texto y una pregunta; el modelo genera una secuencia de razonamiento textual y una respuesta. Las páginas escaneadas, el audio y el video necesitan un paso separado de conversión adecuado antes de este flujo de texto.
Cómo funciona el entrenamiento de contexto largo
El marco QwenLong-L1 primero prepara una política de razonamiento con ajuste fino supervisado y después aumenta la longitud de contexto mediante un plan progresivo de aprendizaje por refuerzo. El muestreo retrospectivo según la dificultad ajusta qué ejemplos se vuelven a visitar conforme avanza el entrenamiento. El fabricante combina recompensas binarias de resultado basadas en reglas y en modelos, usando optimización de políticas relativa a grupos para fomentar respuestas que se mantengan basadas en evidencia extensa. Esto describe el enfoque de entrenamiento del punto de control; no significa que un juez externo verifique automáticamente una respuesta individual.
La edición publicada
Esta es la versión original de QwenLong-L1-32B. QwenLong-L1-32B-AWQ, con nombre separado, es una edición cuantizada INT4 y debe conservar su propia identidad. La configuración publicada de este modelo usa una arquitectura Qwen2 de modelo de lenguaje causal con 64 capas y pesos bfloat16. La especialización documental del modelo es más pertinente para seleccionarlo que tratar el nombre 32B como prueba de que mejorará en toda tarea de propósito general.
Preparación de una pregunta sobre documentos
El ejemplo del fabricante separa el documento de la pregunta con delimitadores explícitos de texto y pide una frase reconocible de respuesta final después del razonamiento. Sigue esa estructura: proporciona el cuerpo pertinente del documento, mantén legibles los encabezados y las tablas y haz una pregunta concreta. Para un cálculo sobre un informe, conserva las unidades, los periodos de reporte y las etiquetas de las tablas; después pide la fórmula, los valores usados y un resultado final. Para comparar políticas, etiqueta los documentos A y B y pide una tabla de reglas coincidentes, diferencias y la sección de respaldo para cada fila. Estas son aplicaciones elaboradas de las capacidades numéricas y entre documentos que están documentadas.
El ejemplo analiza por separado el razonamiento y el texto de respuesta final. Usa un presupuesto de generación de 10,000 tokens, temperature 0.7 y top_p 0.95; son ajustes de ejemplo, no una longitud máxima de salida declarada. La tarjeta también muestra un mensaje opcional de sistema para establecer la identidad. Conserva las indicaciones de prompts propias de este modelo en lugar de importar las recomendaciones de otro punto de control únicamente porque aparezca en su ascendencia.
Procesamiento de documentos largos
Tongyi Lab valida longitudes de contexto de hasta 131,072 tokens usando YaRN y recomienda ampliar cuando la entrada y la salida combinadas superen significativamente 32,768 tokens. Sus ejemplos describen un factor de cuatro, o un factor menor, como dos, para una carga de trabajo de 65,536 tokens. La ampliación estática puede reducir el rendimiento en textos más cortos, por lo que la tarjeta desaconseja habilitarla cuando las solicitudes normales se mantienen dentro de 32,768 tokens. La configuración publicada enumera 131,072 posiciones, pero no un campo rope_scaling habilitado; por lo tanto, la configuración y el procedimiento condicional de contexto largo del fabricante se deben revisar juntos.
Una entrada larga sigue necesitando espacio para el razonamiento y la respuesta. Comienza con los pasajes necesarios para la pregunta, elimina los encabezados repetidos y el texto de navegación y conserva los identificadores de página o sección. Pide referencias a la evidencia en el resultado para que quien lo revise pueda rastrear la conclusión hasta el material proporcionado. Una capacidad de contexto amplia ayuda a incluir más evidencia en una sola solicitud; no establece un recuerdo perfecto de cada detalle.
Qué abarca el entrenamiento documental
DocQA-RL-1.6K contiene 1,600 problemas de entrenamiento en tres ámbitos de razonamiento: 600 preguntas numéricas de documentos largos especializados, como informes financieros; 600 preguntas lógicas de opción múltiple sobre documentos legales, financieros, de seguros y de producción; y 400 ejemplos de varios pasos que conectan evidencia entre fuentes. Esto hace que el modelo sea un candidato pertinente para aritmética de informes, interpretación de reglas y preguntas que requieren varios pasajes de respaldo. Los ámbitos de entrenamiento describen experiencia con esas tareas, no certificación profesional ni conclusiones garantizadas.
Salida práctica y límites
Elige una respuesta que se pueda verificar: un valor calculado con unidades, una comparación de reglas con referencias de secciones o una conclusión breve con la cadena de hechos que la respaldan. Si el documento omite una fecha o definición requerida, pide al modelo que identifique la evidencia faltante en lugar de inventarla. Los materiales de la versión se centran en responder preguntas sobre documentos y no establecen un contrato dedicado de llamadas a herramientas ni un límite máximo estricto de salida separado. Trata las respuestas como borradores basados en fuentes y verifica los cálculos, las referencias y las interpretaciones contra los documentos proporcionados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Tongyi-Zhiwen/QwenLong-L1-32B | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00028 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Usa las rutas de método indicadas arriba.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B es el modelo de razonamiento con texto de Tongyi Lab para preguntas basadas en documentos largos. Combina un punto de partida DeepSeek-R1-Distill-Qwen-32B con aprendizaje por refuerzo centrado en documentos para razonamiento numérico, lógico y entre documentos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Introducción: razonamiento sobre documentos largos
QwenLong-L1-32B es el modelo de razonamiento con texto y contexto largo de Tongyi Lab. Su propósito es responder preguntas cuya evidencia está distribuida a lo largo de un documento o entre varios documentos, en lugar de simplemente repetir un pasaje cercano. Está construido a partir de DeepSeek-R1-Distill-Qwen-32B y recibe entrenamiento adicional para razonamiento basado en documentos. Proporciona texto y una pregunta; el modelo genera una secuencia de razonamiento textual y una respuesta. Las páginas escaneadas, el audio y el video necesitan un paso separado de conversión adecuado antes de este flujo de texto.
Cómo funciona el entrenamiento de contexto largo
El marco QwenLong-L1 primero prepara una política de razonamiento con ajuste fino supervisado y después aumenta la longitud de contexto mediante un plan progresivo de aprendizaje por refuerzo. El muestreo retrospectivo según la dificultad ajusta qué ejemplos se vuelven a visitar conforme avanza el entrenamiento. El fabricante combina recompensas binarias de resultado basadas en reglas y en modelos, usando optimización de políticas relativa a grupos para fomentar respuestas que se mantengan basadas en evidencia extensa. Esto describe el enfoque de entrenamiento del punto de control; no significa que un juez externo verifique automáticamente una respuesta individual.
La edición publicada
Esta es la versión original de QwenLong-L1-32B. QwenLong-L1-32B-AWQ, con nombre separado, es una edición cuantizada INT4 y debe conservar su propia identidad. La configuración publicada de este modelo usa una arquitectura Qwen2 de modelo de lenguaje causal con 64 capas y pesos bfloat16. La especialización documental del modelo es más pertinente para seleccionarlo que tratar el nombre 32B como prueba de que mejorará en toda tarea de propósito general.
Preparación de una pregunta sobre documentos
El ejemplo del fabricante separa el documento de la pregunta con delimitadores explícitos de texto y pide una frase reconocible de respuesta final después del razonamiento. Sigue esa estructura: proporciona el cuerpo pertinente del documento, mantén legibles los encabezados y las tablas y haz una pregunta concreta. Para un cálculo sobre un informe, conserva las unidades, los periodos de reporte y las etiquetas de las tablas; después pide la fórmula, los valores usados y un resultado final. Para comparar políticas, etiqueta los documentos A y B y pide una tabla de reglas coincidentes, diferencias y la sección de respaldo para cada fila. Estas son aplicaciones elaboradas de las capacidades numéricas y entre documentos que están documentadas.
El ejemplo analiza por separado el razonamiento y el texto de respuesta final. Usa un presupuesto de generación de 10,000 tokens, temperature 0.7 y top_p 0.95; son ajustes de ejemplo, no una longitud máxima de salida declarada. La tarjeta también muestra un mensaje opcional de sistema para establecer la identidad. Conserva las indicaciones de prompts propias de este modelo en lugar de importar las recomendaciones de otro punto de control únicamente porque aparezca en su ascendencia.
Procesamiento de documentos largos
Tongyi Lab valida longitudes de contexto de hasta 131,072 tokens usando YaRN y recomienda ampliar cuando la entrada y la salida combinadas superen significativamente 32,768 tokens. Sus ejemplos describen un factor de cuatro, o un factor menor, como dos, para una carga de trabajo de 65,536 tokens. La ampliación estática puede reducir el rendimiento en textos más cortos, por lo que la tarjeta desaconseja habilitarla cuando las solicitudes normales se mantienen dentro de 32,768 tokens. La configuración publicada enumera 131,072 posiciones, pero no un campo rope_scaling habilitado; por lo tanto, la configuración y el procedimiento condicional de contexto largo del fabricante se deben revisar juntos.
Una entrada larga sigue necesitando espacio para el razonamiento y la respuesta. Comienza con los pasajes necesarios para la pregunta, elimina los encabezados repetidos y el texto de navegación y conserva los identificadores de página o sección. Pide referencias a la evidencia en el resultado para que quien lo revise pueda rastrear la conclusión hasta el material proporcionado. Una capacidad de contexto amplia ayuda a incluir más evidencia en una sola solicitud; no establece un recuerdo perfecto de cada detalle.
Qué abarca el entrenamiento documental
DocQA-RL-1.6K contiene 1,600 problemas de entrenamiento en tres ámbitos de razonamiento: 600 preguntas numéricas de documentos largos especializados, como informes financieros; 600 preguntas lógicas de opción múltiple sobre documentos legales, financieros, de seguros y de producción; y 400 ejemplos de varios pasos que conectan evidencia entre fuentes. Esto hace que el modelo sea un candidato pertinente para aritmética de informes, interpretación de reglas y preguntas que requieren varios pasajes de respaldo. Los ámbitos de entrenamiento describen experiencia con esas tareas, no certificación profesional ni conclusiones garantizadas.
Salida práctica y límites
Elige una respuesta que se pueda verificar: un valor calculado con unidades, una comparación de reglas con referencias de secciones o una conclusión breve con la cadena de hechos que la respaldan. Si el documento omite una fecha o definición requerida, pide al modelo que identifique la evidencia faltante en lugar de inventarla. Los materiales de la versión se centran en responder preguntas sobre documentos y no establecen un contrato dedicado de llamadas a herramientas ni un límite máximo estricto de salida separado. Trata las respuestas como borradores basados en fuentes y verifica los cálculos, las referencias y las interpretaciones contra los documentos proporcionados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Tongyi-Zhiwen/QwenLong-L1-32B | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00028 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.