modelos

QwenLong L1 32B

Markdown · JSON

QwenLong L1 32B

QwenLong-L1-32B es el modelo de razonamiento textual de Tongyi Lab para preguntas fundamentadas en documentos extensos. Combina un punto de partida DeepSeek-R1-Distill-Qwen-32B con aprendizaje por refuerzo centrado en documentos para razonamiento numérico, lógico y entre documentos.

Sobre el modelo

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 extensos

QwenLong-L1-32B es el modelo de razonamiento textual con contexto largo de Tongyi Lab. Su propósito es responder preguntas cuyas pruebas están dispersas en un documento o entre varios documentos, en lugar de limitarse a repetir un pasaje cercano. Está construido a partir de DeepSeek-R1-Distill-Qwen-32B y recibe entrenamiento adicional para razonamiento fundamentado en documentos. Proporciona texto y una pregunta; el modelo genera una secuencia textual de razonamiento y una respuesta. Las páginas escaneadas, el audio y el vídeo necesitan un paso separado de conversión adecuado antes de entrar en este flujo de texto.

Cómo funciona el entrenamiento con contexto largo

El marco QwenLong-L1 prepara primero una política de razonamiento mediante ajuste fino supervisado y después aumenta la longitud del contexto con un programa progresivo de aprendizaje por refuerzo. El muestreo retrospectivo sensible a la dificultad ajusta qué ejemplos se vuelven a utilizar a medida que avanza el entrenamiento. El fabricante combina recompensas binarias de resultado basadas en reglas y en modelos, utilizando optimización de políticas relativa al grupo para fomentar respuestas que sigan fundamentadas en pruebas extensas. Esto describe el enfoque de entrenamiento del punto de control; no significa que cada respuesta quede verificada automáticamente por un evaluador externo.

La edición publicada

Esta es la versión original de QwenLong-L1-32B. QwenLong-L1-32B-AWQ, con nombre separado, es una edición cuantizada en INT4 y debe conservar su propia identidad. La configuración publicada de este modelo utiliza una arquitectura Qwen2 de modelo de lenguaje causal con 64 capas y pesos bfloat16. La especialización documental del modelo es más relevante para seleccionarlo que tratar el nombre 32B como prueba de que mejorarán todas las tareas de propósito general.

Preparación de una pregunta sobre documentos

El ejemplo del fabricante separa el documento de la pregunta con delimitadores de texto explícitos y pide una frase reconocible de respuesta final después del razonamiento. Sigue esa estructura: proporciona el cuerpo del documento pertinente, mantén legibles los encabezados y las tablas y formula una pregunta concreta. Para un cálculo sobre un informe, conserva las unidades, los periodos de información y las etiquetas de las tablas, y pide la fórmula, los valores utilizados 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 de cada fila. Son aplicaciones redactadas a partir de las capacidades numéricas y entre documentos documentadas.

El ejemplo analiza por separado el texto de razonamiento y el de respuesta final. Utiliza un presupuesto de generación de 10,000 tokens, temperature 0.7 y top_p 0.95; son ajustes del ejemplo, no una extensión máxima de salida declarada. La ficha también muestra un mensaje de sistema opcional para establecer la identidad. Conserva las indicaciones de prompts propias de este modelo en lugar de importar las recomendaciones de otro punto de control solo porque aparezca entre sus antecedentes.

Procesamiento de documentos extensos

Tongyi Lab valida longitudes de contexto de hasta 131,072 tokens utilizando YaRN y recomienda escalar cuando la entrada y la salida combinadas superen significativamente los 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. El escalado estático puede reducir el rendimiento en textos más cortos, por lo que la ficha desaconseja activarlo cuando las peticiones ordinarias se mantengan dentro de 32,768 tokens. La configuración publicada enumera 131,072 posiciones, pero no un campo rope_scaling activado; por tanto, la configuración y el procedimiento condicional del fabricante para contexto largo deben comprobarse juntos.

Una entrada larga sigue necesitando espacio para el razonamiento y la respuesta. Empieza 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 las pruebas en el resultado para que quien lo revise pueda seguir la conclusión hasta el material proporcionado. Un contexto amplio ayuda a incluir más pruebas en una sola petición; 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 especializados extensos, como informes financieros; 600 preguntas lógicas de opción múltiple sobre documentos jurídicos, financieros, de seguros y de producción; y 400 ejemplos de varios pasos que conectan pruebas entre fuentes. Esto convierte al modelo en 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 pueda comprobarse: un valor calculado con unidades, una comparación de reglas con referencias de sección o una conclusión breve con la cadena de hechos que la sustentan. Si el documento omite una fecha o definición requerida, pide al modelo que identifique las pruebas que faltan en lugar de inventarlas. Los materiales de la versión se centran en responder preguntas sobre documentos y no establecen un contrato dedicado de llamadas a herramientas ni un máximo estricto de salida separado. Trata las respuestas como borradores fundamentados y verifica los cálculos, las referencias y las interpretaciones frente a los documentos proporcionados.

Tarea práctica

Tarea práctica

Ejemplo técnico en inglés

Connect evidence across report sections

Document 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.

Resultado esperado

A source-linked formula and calculation, a revenue-information limit and a labelled final result.

Comprobar el resultado

Check that all three source sections support the calculation and that a price or revenue value is not invented.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions Tongyi-Zhiwen/QwenLong-L1-32B

Tongyi-Zhiwen/QwenLong-L1-32B

Otros /Tongyi-Zhiwen/QwenLong-L1-32B

Primeros pasos

QwenLong-L1-32B es el modelo de razonamiento textual de Tongyi Lab para preguntas fundamentadas en documentos extensos. Combina un punto de partida DeepSeek-R1-Distill-Qwen-32B con aprendizaje por refuerzo centrado en documentos para razonamiento numérico, lógico y entre documentos.

Entradas aceptadas
Texto
Resultados
Texto

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Tipos de entrada
text
Tipos de salida
text
Formato de salida
json o SSE
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
Tongyi-Zhiwen/QwenLong-L1-32B
Predeterminado—
CampomessagesTipomessage[]RequisitoObligatorioValores y límites
Número mínimo de elementos: 1
Predeterminado—
Campomessages[].roleTipostringRequisitoObligatorioValores 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[].contentTipostring|content_part[]|nullRequisitoOpcionalValores y límitesPredeterminado—
Campomessages[].tool_callsTipotool_call[]RequisitoOpcionalValores y límitesPredeterminado—
Campomessages[].tool_call_idTipostringRequisitoOpcionalValores y límites
Se aplica cuando: role=tool; utiliza el ID real devuelto
Predeterminado—
Campomessages[].nameTipostringRequisitoOpcionalValores y límitesPredeterminado—
Campomessages[].reasoning_contentTipostringRequisitoOpcionalValores y límites
Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice
Predeterminado—
Campomessages[].reasoning_detailsTipoobject|arrayRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campomax_tokensTipointegerRequisitoOpcionalValores y límites
Mínimo: 1
Depende del modelo
Predeterminado—
Campomax_completion_tokensTipointegerRequisitoOpcionalValores y límites
Mínimo: 1
Depende del modelo
Predeterminado—
CampostreamTipobooleanRequisitoOpcionalValores y límitesPredeterminadofalse
Campostream_options.include_usageTipobooleanRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampotemperatureTiponumberRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campotop_pTiponumberRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampostopTipostring|string[]RequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampotoolsTipofunction_tool[]RequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campotools[].typeTipostringRequisitoOpcionalValores y límites
function
Depende del modelo
Predeterminado—
Campotools[].function.nameTipostringRequisitoObligatorioValores y límites
Se aplica cuando: herramienta de función proporcionada
Predeterminado—
Campotools[].function.descriptionTipostringRequisitoOpcionalValores y límitesPredeterminado—
Campotools[].function.parametersTipoJSON_schemaRequisitoOpcionalValores y límitesPredeterminado—
Campotool_choiceTipostring|objectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campoparallel_tool_callsTipobooleanRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Camporesponse_formatTipoobjectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Camporeasoning_effortTipostringRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CamporeasoningTipoobjectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Camposervice_tierTipostringRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampoinstructionsTipostringRequisitoOpcionalValores y límites
Campo de compatibilidad
Predeterminado—
CampofunctionsTipofunction[]RequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campofunction_callTipostring|objectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campoprompt_cache_optionsTipoobjectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampomodalitiesTipostring[]RequisitoOpcionalValores y límites
text
Predeterminado—
CampoproviderTipoobjectRequisitoOpcionalValores y límites
Condiciones: provider.options se rechaza en esta ruta de texto Ultra
Predeterminado—
Campocache_control.ttlTipostringRequisitoOpcionalValores y límites
Condiciones: 1h se rechaza en los campos reales de caché de instrucciones
Predeterminado—
Combinaciones de materiales de entrada

Texto · Texto UTF8

messages[].content

Parámetros del método y ciclo de vida
ParámetroContrato
Parámetrocontent_typeContratoapplication/json
ParámetrorequiredContratomodel, messages
Parámetromaterial_typesContratotext
ParámetromessagesContratomatriz de mensajes con estructura role/content
Parámetrofile_materialContratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo
Parámetrooptional_controlsContratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parámetrocontrol_scopeContratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas
Parámetrooutput_modalitiesContratotext
Parámetrohosted_operationsContratofalse
Parámetromultimodal_input_bindingContratonull

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.

Planes

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo rápido
Sin especificar Cuando se selecciona el modo rápido
Modo flex
Sin especificar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento
Sin especificar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (default)

Tarifas de Ailoot

Precios por configuración

ConfiguraciónTabla de tarifasCargo
ConfiguraciónTarifas base por tokenTabla de tarifasTarifa baseCargo
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 importe 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 →

Solicitudes de ejemplo

Ailoot Ultra · OpenAI Chat

curlPython SDKFlujo en Python
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "Tongyi-Zhiwen/QwenLong-L1-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Recibir y guardar resultados

Ailoot Ultra · OpenAI Chat

json o SSE

Conserva todos los resultados completados

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.

Si es necesario revisar la respuesta original

Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.

Campos de respuesta
CampoTipo
Campochoices[].indexTipointeger
Campochoices[].message.contentTipostring|null
Campochoices[].message.tool_callsTipotool_call[]
Campochoices[].message.reasoning_contentTipostring
Campochoices[].message.reasoning_detailsTipoobject|array
Campochoices[].finish_reasonTipostring|null
CampousageTipoobject
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónCampos obligatorios, representación del material o valor del parámetro no válidosSiguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

Tongyi-Zhiwen/QwenLong-L1-32B

Ailoot Ultra · Anthropic Messages POST /v1/messages Tongyi-Zhiwen/QwenLong-L1-32B

Tongyi-Zhiwen/QwenLong-L1-32B

Otros /Tongyi-Zhiwen/QwenLong-L1-32B

Primeros pasos

QwenLong-L1-32B es el modelo de razonamiento textual de Tongyi Lab para preguntas fundamentadas en documentos extensos. Combina un punto de partida DeepSeek-R1-Distill-Qwen-32B con aprendizaje por refuerzo centrado en documentos para razonamiento numérico, lógico y entre documentos.

Entradas aceptadas
Texto
Resultados
json · sse

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · Anthropic Messages POST /v1/messages
Tipos de entrada
text
Tipos de salida
json, sse
Formato de salida
JSON o SSE
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
Tongyi-Zhiwen/QwenLong-L1-32B
Predeterminado—
CampomessagesTipomessage[]RequisitoObligatorioValores y límitesPredeterminado—
Campomessages[].roleTipostringRequisitoObligatorioValores y límites
user, assistant
Predeterminado—
Campomessages[].contentTipostringRequisitoObligatorioValores y límitesPredeterminado—
Campomax_tokensTipointegerRequisitoObligatorioValores y límitesPredeterminado—
CampostreamTipobooleanRequisitoOpcionalValores y límitesPredeterminadofalse
Combinaciones de materiales de entrada

Texto · Texto UTF-8

cadena messages[].content

Parámetros del método y ciclo de vida
ParámetroContrato
Parámetrocontent_typeContratoapplication/json
ParámetrorequiredContratomodel, messages, max_tokens
Parámetrooptional_controlsContratostream
Parámetromaterial_typesContratotext
Parámetrotext_file_materialContratoLee 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

Planes

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo rápido
Sin especificar Cuando se selecciona el modo rápido
Modo flex
Sin especificar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento
Sin especificar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (default)

Tarifas de Ailoot

Precios por configuración

ConfiguraciónTabla de tarifasCargo
ConfiguraciónTarifas base por tokenTabla de tarifasTarifa baseCargo
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 importe 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 →

Solicitudes de ejemplo

Ailoot Ultra · Anthropic Messages

Cuerpo JSON mínimo completocurl · usa tu documento en UTF-8Python · guarda el resultado completo
{
  "model": "Tongyi-Zhiwen/QwenLong-L1-32B",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Recibir y guardar resultados

Ailoot Ultra · Anthropic Messages

JSON o SSE

Conserva todos los resultados completados

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.

Si es necesario revisar la respuesta original

Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.

Campos de respuesta
CampoTipo
CampoidTipostring
CampomodelTipostring
Campocontent[]Tipotext|thinking|tool_use|other content block
Campostop_reasonTipostring|null
CampousageTipoobject
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónCampos obligatorios, representación del material o valor del parámetro no válidosSiguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

Tongyi-Zhiwen/QwenLong-L1-32B

FAQ · Tongyi-Zhiwen/QwenLong-L1-32B
¿Qué entradas y resultados están disponibles?

POST /v1/chat/completions · Tongyi-Zhiwen/QwenLong-L1-32B: text → text

POST /v1/messages · Tongyi-Zhiwen/QwenLong-L1-32B: text → json, sse

¿Qué campos utiliza la solicitud?

POST /v1/chat/completions · Tongyi-Zhiwen/QwenLong-L1-32B: model, messages, stream, modalities, provider

POST /v1/messages · Tongyi-Zhiwen/QwenLong-L1-32B: model, messages, max_tokens, stream

¿Qué límites se aplican?

POST /v1/chat/completions · Tongyi-Zhiwen/QwenLong-L1-32B: messages.min_items: 1

Más detalles

Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación.

La empresa y su cartera de proyectos

La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes.

Compra tokens con descuento.

Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens.

Suscripción
Elige un plan con descuento para tus peticiones habituales.
Código de hasta el 50%
Introduce el código al comprar. El precio se recalcula según la promoción vigente.
Gasto en el historial
Modelo, tokens e importe quedan guardados por cada petición.

Elegir suscripción · Consultar precios de modelos

Conecta la API al producto que vendes.

SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso.

Aplicación comercial
Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio.
Licencia para revendedores
Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa.
Documentos en la web
La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar.

Solicitar licencia de reventa · Oferta y acuerdo de licencia