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.
", "aboutText": "Introducción: razonamiento sobre documentos extensos\n\nQwenLong-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.\n\nCómo funciona el entrenamiento con contexto largo\n\nEl 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.\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 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.\n\nPreparación de una pregunta sobre documentos\n\nEl 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.\n\nEl 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.\n\nProcesamiento de documentos extensos\n\nTongyi 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.\n\nUna 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.\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 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.\n\nSalida práctica y límites\n\nElige 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.", "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 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.
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.
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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 las cabeceras. 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 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.
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.
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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 las cabeceras. 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.