Introduction : raisonnement sur de longs documents
QwenLong-L1-32B est le modèle de raisonnement textuel à contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou dans plusieurs documents, plutôt que de simplement répéter un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage pour le 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 appropriée avant ce flux textuel.
Fonctionnement de l’entraînement en contexte long
Le cadre QwenLong-L1 commence par amorcer une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte au moyen d’un programme progressif d’apprentissage par renforcement. Un échantillonnage rétrospectif sensible à la difficulté ajuste les exemples revisités au fil de l’entraînement. Le fabricant combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses ancrées dans un vaste ensemble d’éléments de preuve. Cela décrit l’approche d’entraînement du point de contrôle; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un juge externe.
L’édition publiée
Il s’agit de la version originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, nommé séparément, est une édition quantifiée INT4 qui doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langue causal Qwen2 avec 64 couches et des poids bfloat16. La spécialisation documentaire du modèle est plus pertinente pour le choix que de considérer le nom 32B comme la preuve que toutes les tâches généralistes s’amélioreront.
Préparer une question documentaire
L’exemple du fabricant 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 de document pertinent, gardez les titres et les tableaux lisibles et posez une question concrète. Pour un calcul de rapport, conservez les unités, les périodes de déclaration et les étiquettes des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour comparer des politiques, étiquetez 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 à partir des capacités numériques et interdocuments documentées.
L’exemple analyse séparément le texte de raisonnement et la réponse finale. Il utilise un budget de génération de 10 000 jetons, temperature 0.7 et top_p 0.95; ce sont des paramètres d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif qui définit l’identité. Conservez les consignes d’invite propres à ce modèle plutôt que d’importer les recommandations d’un autre point de contrôle simplement parce qu’il figure dans son ascendance.
Traiter de longs documents
Tongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 jetons avec YaRN et recommande la mise à l’échelle lorsque l’entrée et la sortie combinées dépassent nettement 32 768 jetons. Ses exemples décrivent un facteur de quatre, ou un facteur plus petit comme deux pour une charge de 65 536 jetons. La mise à l’échelle statique peut réduire les performances sur les textes courts; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans 32 768 jetons. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé; il faut donc vérifier ensemble la configuration et la procédure conditionnelle de contexte long du fabricant.
Une longue entrée a toujours besoin de place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, retirez les en-têtes répétés et le texte de navigation et conservez les identifiants de pages ou de sections. Demandez des références aux éléments de preuve dans le résultat pour qu’un réviseur puisse retracer la conclusion jusqu’au contenu fourni. Une grande allocation de contexte aide à réunir plus d’éléments dans une requête; elle 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 dans trois domaines de raisonnement : 600 questions numériques tirées de longs documents spécialisés comme les rapports financiers; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production; et 400 exemples à plusieurs étapes qui relient des éléments entre sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant 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 avec l’enchaînement des faits à l’appui. Si le document omet une date ou une définition requise, demandez au modèle d’identifier l’élément manquant au lieu de l’inventer. Les documents de la version portent sur les réponses aux questions documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond strict distinct de sortie. Traitez les réponses comme des versions appuyées sur les sources et vérifiez les calculs, les références et les interprétations à partir des documents fournis.
", "aboutText": "Introduction : raisonnement sur de longs documents\n\nQwenLong-L1-32B est le modèle de raisonnement textuel à contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou dans plusieurs documents, plutôt que de simplement répéter un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage pour le 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 appropriée avant ce flux textuel.\n\nFonctionnement de l’entraînement en contexte long\n\nLe cadre QwenLong-L1 commence par amorcer une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte au moyen d’un programme progressif d’apprentissage par renforcement. Un échantillonnage rétrospectif sensible à la difficulté ajuste les exemples revisités au fil de l’entraînement. Le fabricant combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses ancrées dans un vaste ensemble d’éléments de preuve. Cela décrit l’approche d’entraînement du point de contrôle; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un juge externe.\n\nL’édition publiée\n\nIl s’agit de la version originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, nommé séparément, est une édition quantifiée INT4 qui doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langue causal Qwen2 avec 64 couches et des poids bfloat16. La spécialisation documentaire du modèle est plus pertinente pour le choix que de considérer le nom 32B comme la preuve que toutes les tâches généralistes s’amélioreront.\n\nPréparer une question documentaire\n\nL’exemple du fabricant 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 de document pertinent, gardez les titres et les tableaux lisibles et posez une question concrète. Pour un calcul de rapport, conservez les unités, les périodes de déclaration et les étiquettes des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour comparer des politiques, étiquetez 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 à partir des capacités numériques et interdocuments documentées.\n\nL’exemple analyse séparément le texte de raisonnement et la réponse finale. Il utilise un budget de génération de 10 000 jetons, temperature 0.7 et top_p 0.95; ce sont des paramètres d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif qui définit l’identité. Conservez les consignes d’invite propres à ce modèle plutôt que d’importer les recommandations d’un autre point de contrôle simplement parce qu’il figure dans son ascendance.\n\nTraiter de longs documents\n\nTongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 jetons avec YaRN et recommande la mise à l’échelle lorsque l’entrée et la sortie combinées dépassent nettement 32 768 jetons. Ses exemples décrivent un facteur de quatre, ou un facteur plus petit comme deux pour une charge de 65 536 jetons. La mise à l’échelle statique peut réduire les performances sur les textes courts; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans 32 768 jetons. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé; il faut donc vérifier ensemble la configuration et la procédure conditionnelle de contexte long du fabricant.\n\nUne longue entrée a toujours besoin de place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, retirez les en-têtes répétés et le texte de navigation et conservez les identifiants de pages ou de sections. Demandez des références aux éléments de preuve dans le résultat pour qu’un réviseur puisse retracer la conclusion jusqu’au contenu fourni. Une grande allocation de contexte aide à réunir plus d’éléments dans une requête; elle 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 dans trois domaines de raisonnement : 600 questions numériques tirées de longs documents spécialisés comme les rapports financiers; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production; et 400 exemples à plusieurs étapes qui relient des éléments entre sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant 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 avec l’enchaînement des faits à l’appui. Si le document omet une date ou une définition requise, demandez au modèle d’identifier l’élément manquant au lieu de l’inventer. Les documents de la version portent sur les réponses aux questions documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond strict distinct de sortie. Traitez les réponses comme des versions appuyées sur les sources et vérifiez les calculs, les références et les interprétations à partir des 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 de longs documents. Il combine un point de départ DeepSeek-R1-Distill-Qwen-32B et un apprentissage par renforcement axé sur les documents pour le raisonnement numérique, logique et entre documents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Introduction : raisonnement sur de longs documents
QwenLong-L1-32B est le modèle de raisonnement textuel à contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou dans plusieurs documents, plutôt que de simplement répéter un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage pour le 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 appropriée avant ce flux textuel.
Fonctionnement de l’entraînement en contexte long
Le cadre QwenLong-L1 commence par amorcer une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte au moyen d’un programme progressif d’apprentissage par renforcement. Un échantillonnage rétrospectif sensible à la difficulté ajuste les exemples revisités au fil de l’entraînement. Le fabricant combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses ancrées dans un vaste ensemble d’éléments de preuve. Cela décrit l’approche d’entraînement du point de contrôle; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un juge externe.
L’édition publiée
Il s’agit de la version originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, nommé séparément, est une édition quantifiée INT4 qui doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langue causal Qwen2 avec 64 couches et des poids bfloat16. La spécialisation documentaire du modèle est plus pertinente pour le choix que de considérer le nom 32B comme la preuve que toutes les tâches généralistes s’amélioreront.
Préparer une question documentaire
L’exemple du fabricant 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 de document pertinent, gardez les titres et les tableaux lisibles et posez une question concrète. Pour un calcul de rapport, conservez les unités, les périodes de déclaration et les étiquettes des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour comparer des politiques, étiquetez 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 à partir des capacités numériques et interdocuments documentées.
L’exemple analyse séparément le texte de raisonnement et la réponse finale. Il utilise un budget de génération de 10 000 jetons, temperature 0.7 et top_p 0.95; ce sont des paramètres d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif qui définit l’identité. Conservez les consignes d’invite propres à ce modèle plutôt que d’importer les recommandations d’un autre point de contrôle simplement parce qu’il figure dans son ascendance.
Traiter de longs documents
Tongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 jetons avec YaRN et recommande la mise à l’échelle lorsque l’entrée et la sortie combinées dépassent nettement 32 768 jetons. Ses exemples décrivent un facteur de quatre, ou un facteur plus petit comme deux pour une charge de 65 536 jetons. La mise à l’échelle statique peut réduire les performances sur les textes courts; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans 32 768 jetons. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé; il faut donc vérifier ensemble la configuration et la procédure conditionnelle de contexte long du fabricant.
Une longue entrée a toujours besoin de place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, retirez les en-têtes répétés et le texte de navigation et conservez les identifiants de pages ou de sections. Demandez des références aux éléments de preuve dans le résultat pour qu’un réviseur puisse retracer la conclusion jusqu’au contenu fourni. Une grande allocation de contexte aide à réunir plus d’éléments dans une requête; elle 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 dans trois domaines de raisonnement : 600 questions numériques tirées de longs documents spécialisés comme les rapports financiers; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production; et 400 exemples à plusieurs étapes qui relient des éléments entre sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant 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 avec l’enchaînement des faits à l’appui. Si le document omet une date ou une définition requise, demandez au modèle d’identifier l’élément manquant au lieu de l’inventer. Les documents de la version portent sur les réponses aux questions documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond strict distinct de sortie. Traitez les réponses comme des versions appuyées sur les sources et vérifiez les calculs, les références et les interprétations à partir des 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00028 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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 de longs documents. Il combine un point de départ DeepSeek-R1-Distill-Qwen-32B et un apprentissage par renforcement axé sur les documents pour le raisonnement numérique, logique et entre documents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Introduction : raisonnement sur de longs documents
QwenLong-L1-32B est le modèle de raisonnement textuel à contexte long de Tongyi Lab. Il vise à répondre aux questions dont les éléments sont répartis dans un document ou dans plusieurs documents, plutôt que de simplement répéter un passage voisin. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage pour le 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 appropriée avant ce flux textuel.
Fonctionnement de l’entraînement en contexte long
Le cadre QwenLong-L1 commence par amorcer une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte au moyen d’un programme progressif d’apprentissage par renforcement. Un échantillonnage rétrospectif sensible à la difficulté ajuste les exemples revisités au fil de l’entraînement. Le fabricant combine des récompenses binaires de résultat fondées sur des règles et sur des modèles, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses ancrées dans un vaste ensemble d’éléments de preuve. Cela décrit l’approche d’entraînement du point de contrôle; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un juge externe.
L’édition publiée
Il s’agit de la version originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, nommé séparément, est une édition quantifiée INT4 qui doit conserver sa propre identité. La configuration publiée de ce modèle utilise une architecture de modèle de langue causal Qwen2 avec 64 couches et des poids bfloat16. La spécialisation documentaire du modèle est plus pertinente pour le choix que de considérer le nom 32B comme la preuve que toutes les tâches généralistes s’amélioreront.
Préparer une question documentaire
L’exemple du fabricant 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 de document pertinent, gardez les titres et les tableaux lisibles et posez une question concrète. Pour un calcul de rapport, conservez les unités, les périodes de déclaration et les étiquettes des tableaux, puis demandez la formule, les valeurs utilisées et le résultat final. Pour comparer des politiques, étiquetez 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 à partir des capacités numériques et interdocuments documentées.
L’exemple analyse séparément le texte de raisonnement et la réponse finale. Il utilise un budget de génération de 10 000 jetons, temperature 0.7 et top_p 0.95; ce sont des paramètres d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif qui définit l’identité. Conservez les consignes d’invite propres à ce modèle plutôt que d’importer les recommandations d’un autre point de contrôle simplement parce qu’il figure dans son ascendance.
Traiter de longs documents
Tongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 jetons avec YaRN et recommande la mise à l’échelle lorsque l’entrée et la sortie combinées dépassent nettement 32 768 jetons. Ses exemples décrivent un facteur de quatre, ou un facteur plus petit comme deux pour une charge de 65 536 jetons. La mise à l’échelle statique peut réduire les performances sur les textes courts; la fiche déconseille donc de l’activer lorsque les requêtes ordinaires restent dans 32 768 jetons. La configuration publiée indique 131 072 positions, mais aucun champ rope_scaling activé; il faut donc vérifier ensemble la configuration et la procédure conditionnelle de contexte long du fabricant.
Une longue entrée a toujours besoin de place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, retirez les en-têtes répétés et le texte de navigation et conservez les identifiants de pages ou de sections. Demandez des références aux éléments de preuve dans le résultat pour qu’un réviseur puisse retracer la conclusion jusqu’au contenu fourni. Une grande allocation de contexte aide à réunir plus d’éléments dans une requête; elle 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 dans trois domaines de raisonnement : 600 questions numériques tirées de longs documents spécialisés comme les rapports financiers; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production; et 400 exemples à plusieurs étapes qui relient des éléments entre sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant 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 avec l’enchaînement des faits à l’appui. Si le document omet une date ou une définition requise, demandez au modèle d’identifier l’élément manquant au lieu de l’inventer. Les documents de la version portent sur les réponses aux questions documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond strict distinct de sortie. Traitez les réponses comme des versions appuyées sur les sources et vérifiez les calculs, les références et les interprétations à partir des 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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00028 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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.