Présentation : raisonner sur des documents longs
QwenLong-L1-32B est le modèle de raisonnement textuel en contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter simplement un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez du texte et une question ; le modèle génère une séquence de raisonnement textuelle et une réponse. Les pages numérisées, l’audio et la vidéo nécessitent une étape de conversion distincte adaptée avant ce processus textuel.
Fonctionnement de l’entraînement en contexte long
Le cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur de contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté ajuste les exemples revisités à mesure que l’entraînement progresse. Le concepteur combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant une optimisation de politique relative au groupe pour encourager des réponses qui restent ancrées dans de longs contenus probants. Cela décrit l’approche d’entraînement du point de contrôle ; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un évaluateur externe.
L’édition publiée
Il s’agit de la version QwenLong-L1-32B d’origine. L’édition nommée séparément QwenLong-L1-32B-AWQ est quantifiée en INT4 et doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langage causal Qwen2 avec 64 couches et des poids bfloat16. Sa spécialisation documentaire est plus pertinente pour le choix du modèle que de traiter le nom 32B comme la preuve d’une amélioration pour toute tâche généraliste.
Préparer une question documentaire
L’exemple du concepteur sépare le document de la question par des délimiteurs textuels explicites et demande une formule reconnaissable de réponse finale après le raisonnement. Suivez cette structure : fournissez le corps pertinent du document, gardez les titres et tableaux lisibles et posez une question concrète. Pour un calcul sur un rapport, conservez les unités, les périodes de reporting et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour une comparaison de politiques, identifiez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section à l’appui de chaque ligne. Ce sont des applications rédigées des capacités numériques et interdocumentaires documentées.
L’exemple analyse séparément le texte de raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, une température de 0.7 et top_p à 0.95 ; ce sont des réglages d’exemple, et non une longueur de sortie maximale déclarée. La fiche montre également un message système facultatif définissant l’identité. Conservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre point de contrôle au seul motif qu’il figure dans son ascendance.
Traiter des documents longs
Tongyi Lab valide des longueurs de contexte jusqu’à 131 072 tokens avec YaRN et recommande une extension lorsque l’entrée et la sortie combinées dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur quatre, ou un facteur plus petit comme deux pour une charge de 65 536 tokens. L’extension statique peut réduire les performances sur les textes plus courts ; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans les 32 768 tokens. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé ; la configuration et la procédure conditionnelle de contexte long du concepteur doivent donc être examinées ensemble.
Une entrée longue doit encore laisser de la place au raisonnement et à la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes et textes de navigation répétés et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat afin qu’un relecteur puisse retracer la conclusion jusqu’au contenu fourni. Un grand contexte permet de placer davantage d’éléments dans une requête ; il n’établit pas un rappel parfait de chaque détail.
Ce que couvre l’entraînement documentaire
DocQA-RL-1.6K contient 1 600 problèmes d’entraînement répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, comme des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples à plusieurs étapes reliant des éléments entre sources. Le modèle est donc un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions nécessitant plusieurs passages à l’appui. Les domaines d’entraînement décrivent une expérience de ces tâches, et non une certification professionnelle ou des conclusions garanties.
Sortie pratique et limites
Choisissez une réponse vérifiable : une valeur calculée avec ses unités, une comparaison de règles avec des références de sections ou une courte conclusion accompagnée de l’enchaînement des faits qui l’étayent. Si le document omet une date ou une définition nécessaire, demandez au modèle d’identifier les éléments manquants plutôt que de les inventer. Les contenus de publication se concentrent sur les réponses aux questions documentaires et n’établissent ni contrat dédié d’appel d’outils ni plafond strict séparé de sortie. Traitez les réponses comme des brouillons fondés sur les sources et vérifiez les calculs, les références et les interprétations par rapport aux documents fournis.
", "aboutText": "Présentation : raisonner sur des documents longs\n\nQwenLong-L1-32B est le modèle de raisonnement textuel en contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter simplement un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez du texte et une question ; le modèle génère une séquence de raisonnement textuelle et une réponse. Les pages numérisées, l’audio et la vidéo nécessitent une étape de conversion distincte adaptée avant ce processus textuel.\n\nFonctionnement de l’entraînement en contexte long\n\nLe cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur de contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté ajuste les exemples revisités à mesure que l’entraînement progresse. Le concepteur combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant une optimisation de politique relative au groupe pour encourager des réponses qui restent ancrées dans de longs contenus probants. Cela décrit l’approche d’entraînement du point de contrôle ; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un évaluateur externe.\n\nL’édition publiée\n\nIl s’agit de la version QwenLong-L1-32B d’origine. L’édition nommée séparément QwenLong-L1-32B-AWQ est quantifiée en INT4 et doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langage causal Qwen2 avec 64 couches et des poids bfloat16. Sa spécialisation documentaire est plus pertinente pour le choix du modèle que de traiter le nom 32B comme la preuve d’une amélioration pour toute tâche généraliste.\n\nPréparer une question documentaire\n\nL’exemple du concepteur sépare le document de la question par des délimiteurs textuels explicites et demande une formule reconnaissable de réponse finale après le raisonnement. Suivez cette structure : fournissez le corps pertinent du document, gardez les titres et tableaux lisibles et posez une question concrète. Pour un calcul sur un rapport, conservez les unités, les périodes de reporting et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour une comparaison de politiques, identifiez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section à l’appui de chaque ligne. Ce sont des applications rédigées des capacités numériques et interdocumentaires documentées.\n\nL’exemple analyse séparément le texte de raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, une température de 0.7 et top_p à 0.95 ; ce sont des réglages d’exemple, et non une longueur de sortie maximale déclarée. La fiche montre également un message système facultatif définissant l’identité. Conservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre point de contrôle au seul motif qu’il figure dans son ascendance.\n\nTraiter des documents longs\n\nTongyi Lab valide des longueurs de contexte jusqu’à 131 072 tokens avec YaRN et recommande une extension lorsque l’entrée et la sortie combinées dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur quatre, ou un facteur plus petit comme deux pour une charge de 65 536 tokens. L’extension statique peut réduire les performances sur les textes plus courts ; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans les 32 768 tokens. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé ; la configuration et la procédure conditionnelle de contexte long du concepteur doivent donc être examinées ensemble.\n\nUne entrée longue doit encore laisser de la place au raisonnement et à la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes et textes de navigation répétés et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat afin qu’un relecteur puisse retracer la conclusion jusqu’au contenu fourni. Un grand contexte permet de placer davantage d’éléments dans une requête ; il n’établit pas un rappel parfait de chaque détail.\n\nCe que couvre l’entraînement documentaire\n\nDocQA-RL-1.6K contient 1 600 problèmes d’entraînement répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, comme des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples à plusieurs étapes reliant des éléments entre sources. Le modèle est donc un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions nécessitant plusieurs passages à l’appui. Les domaines d’entraînement décrivent une expérience de ces tâches, et non une certification professionnelle ou des conclusions garanties.\n\nSortie pratique et limites\n\nChoisissez une réponse vérifiable : une valeur calculée avec ses unités, une comparaison de règles avec des références de sections ou une courte conclusion accompagnée de l’enchaînement des faits qui l’étayent. Si le document omet une date ou une définition nécessaire, demandez au modèle d’identifier les éléments manquants plutôt que de les inventer. Les contenus de publication se concentrent sur les réponses aux questions documentaires et n’établissent ni contrat dédié d’appel d’outils ni plafond strict séparé de sortie. Traitez les réponses comme des brouillons fondés sur les sources et vérifiez les calculs, les références et les interprétations par rapport aux documents fournis.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le modèle de raisonnement textuel de Tongyi Lab pour les questions fondées sur des documents longs. Il associe une base DeepSeek-R1-Distill-Qwen-32B à un apprentissage par renforcement axé sur les documents pour le raisonnement numérique, logique et interdocumentaire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Présentation : raisonner sur des documents longs
QwenLong-L1-32B est le modèle de raisonnement textuel en contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter simplement un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez du texte et une question ; le modèle génère une séquence de raisonnement textuelle et une réponse. Les pages numérisées, l’audio et la vidéo nécessitent une étape de conversion distincte adaptée avant ce processus textuel.
Fonctionnement de l’entraînement en contexte long
Le cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur de contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté ajuste les exemples revisités à mesure que l’entraînement progresse. Le concepteur combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant une optimisation de politique relative au groupe pour encourager des réponses qui restent ancrées dans de longs contenus probants. Cela décrit l’approche d’entraînement du point de contrôle ; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un évaluateur externe.
L’édition publiée
Il s’agit de la version QwenLong-L1-32B d’origine. L’édition nommée séparément QwenLong-L1-32B-AWQ est quantifiée en INT4 et doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langage causal Qwen2 avec 64 couches et des poids bfloat16. Sa spécialisation documentaire est plus pertinente pour le choix du modèle que de traiter le nom 32B comme la preuve d’une amélioration pour toute tâche généraliste.
Préparer une question documentaire
L’exemple du concepteur sépare le document de la question par des délimiteurs textuels explicites et demande une formule reconnaissable de réponse finale après le raisonnement. Suivez cette structure : fournissez le corps pertinent du document, gardez les titres et tableaux lisibles et posez une question concrète. Pour un calcul sur un rapport, conservez les unités, les périodes de reporting et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour une comparaison de politiques, identifiez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section à l’appui de chaque ligne. Ce sont des applications rédigées des capacités numériques et interdocumentaires documentées.
L’exemple analyse séparément le texte de raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, une température de 0.7 et top_p à 0.95 ; ce sont des réglages d’exemple, et non une longueur de sortie maximale déclarée. La fiche montre également un message système facultatif définissant l’identité. Conservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre point de contrôle au seul motif qu’il figure dans son ascendance.
Traiter des documents longs
Tongyi Lab valide des longueurs de contexte jusqu’à 131 072 tokens avec YaRN et recommande une extension lorsque l’entrée et la sortie combinées dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur quatre, ou un facteur plus petit comme deux pour une charge de 65 536 tokens. L’extension statique peut réduire les performances sur les textes plus courts ; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans les 32 768 tokens. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé ; la configuration et la procédure conditionnelle de contexte long du concepteur doivent donc être examinées ensemble.
Une entrée longue doit encore laisser de la place au raisonnement et à la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes et textes de navigation répétés et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat afin qu’un relecteur puisse retracer la conclusion jusqu’au contenu fourni. Un grand contexte permet de placer davantage d’éléments dans une requête ; il n’établit pas un rappel parfait de chaque détail.
Ce que couvre l’entraînement documentaire
DocQA-RL-1.6K contient 1 600 problèmes d’entraînement répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, comme des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples à plusieurs étapes reliant des éléments entre sources. Le modèle est donc un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions nécessitant plusieurs passages à l’appui. Les domaines d’entraînement décrivent une expérience de ces tâches, et non une certification professionnelle ou des conclusions garanties.
Sortie pratique et limites
Choisissez une réponse vérifiable : une valeur calculée avec ses unités, une comparaison de règles avec des références de sections ou une courte conclusion accompagnée de l’enchaînement des faits qui l’étayent. Si le document omet une date ou une définition nécessaire, demandez au modèle d’identifier les éléments manquants plutôt que de les inventer. Les contenus de publication se concentrent sur les réponses aux questions documentaires et n’établissent ni contrat dédié d’appel d’outils ni plafond strict séparé de sortie. Traitez les réponses comme des brouillons fondés sur les sources et vérifiez les calculs, les références et les interprétations par rapport aux documents fournis.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Tongyi-Zhiwen/QwenLong-L1-32B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00028 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Utilisez les chemins de méthode indiqués ci-dessus.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B est le modèle de raisonnement textuel de Tongyi Lab pour les questions fondées sur des documents longs. Il associe une base DeepSeek-R1-Distill-Qwen-32B à un apprentissage par renforcement axé sur les documents pour le raisonnement numérique, logique et interdocumentaire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Présentation : raisonner sur des documents longs
QwenLong-L1-32B est le modèle de raisonnement textuel en contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter simplement un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez du texte et une question ; le modèle génère une séquence de raisonnement textuelle et une réponse. Les pages numérisées, l’audio et la vidéo nécessitent une étape de conversion distincte adaptée avant ce processus textuel.
Fonctionnement de l’entraînement en contexte long
Le cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur de contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté ajuste les exemples revisités à mesure que l’entraînement progresse. Le concepteur combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant une optimisation de politique relative au groupe pour encourager des réponses qui restent ancrées dans de longs contenus probants. Cela décrit l’approche d’entraînement du point de contrôle ; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un évaluateur externe.
L’édition publiée
Il s’agit de la version QwenLong-L1-32B d’origine. L’édition nommée séparément QwenLong-L1-32B-AWQ est quantifiée en INT4 et doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langage causal Qwen2 avec 64 couches et des poids bfloat16. Sa spécialisation documentaire est plus pertinente pour le choix du modèle que de traiter le nom 32B comme la preuve d’une amélioration pour toute tâche généraliste.
Préparer une question documentaire
L’exemple du concepteur sépare le document de la question par des délimiteurs textuels explicites et demande une formule reconnaissable de réponse finale après le raisonnement. Suivez cette structure : fournissez le corps pertinent du document, gardez les titres et tableaux lisibles et posez une question concrète. Pour un calcul sur un rapport, conservez les unités, les périodes de reporting et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour une comparaison de politiques, identifiez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section à l’appui de chaque ligne. Ce sont des applications rédigées des capacités numériques et interdocumentaires documentées.
L’exemple analyse séparément le texte de raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, une température de 0.7 et top_p à 0.95 ; ce sont des réglages d’exemple, et non une longueur de sortie maximale déclarée. La fiche montre également un message système facultatif définissant l’identité. Conservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre point de contrôle au seul motif qu’il figure dans son ascendance.
Traiter des documents longs
Tongyi Lab valide des longueurs de contexte jusqu’à 131 072 tokens avec YaRN et recommande une extension lorsque l’entrée et la sortie combinées dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur quatre, ou un facteur plus petit comme deux pour une charge de 65 536 tokens. L’extension statique peut réduire les performances sur les textes plus courts ; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans les 32 768 tokens. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé ; la configuration et la procédure conditionnelle de contexte long du concepteur doivent donc être examinées ensemble.
Une entrée longue doit encore laisser de la place au raisonnement et à la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes et textes de navigation répétés et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat afin qu’un relecteur puisse retracer la conclusion jusqu’au contenu fourni. Un grand contexte permet de placer davantage d’éléments dans une requête ; il n’établit pas un rappel parfait de chaque détail.
Ce que couvre l’entraînement documentaire
DocQA-RL-1.6K contient 1 600 problèmes d’entraînement répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, comme des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples à plusieurs étapes reliant des éléments entre sources. Le modèle est donc un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions nécessitant plusieurs passages à l’appui. Les domaines d’entraînement décrivent une expérience de ces tâches, et non une certification professionnelle ou des conclusions garanties.
Sortie pratique et limites
Choisissez une réponse vérifiable : une valeur calculée avec ses unités, une comparaison de règles avec des références de sections ou une courte conclusion accompagnée de l’enchaînement des faits qui l’étayent. Si le document omet une date ou une définition nécessaire, demandez au modèle d’identifier les éléments manquants plutôt que de les inventer. Les contenus de publication se concentrent sur les réponses aux questions documentaires et n’établissent ni contrat dédié d’appel d’outils ni plafond strict séparé de sortie. Traitez les réponses comme des brouillons fondés sur les sources et vérifiez les calculs, les références et les interprétations par rapport aux documents fournis.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Tongyi-Zhiwen/QwenLong-L1-32B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00028 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.