Introduction : raisonner 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 probants sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter un passage proche. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez un 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 distincte de conversion appropriée avant ce processus textuel.
Fonctionnement de l’entraînement à contexte long
Le cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté adapte les exemples revisités à mesure que progresse l’entraînement. Le fabricant associe des récompenses binaires de résultat fondées sur des règles et sur un modèle, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses qui restent ancrées dans de longs éléments probants. Cela décrit l’approche d’entraînement du checkpoint ; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un juge externe.
L’édition publiée
Il s’agit de la version QwenLong-L1-32B d’origine. QwenLong-L1-32B-AWQ, nommée séparément, est une édition quantifiée INT4 qui 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. La spécialisation documentaire du modèle est plus pertinente pour le choisir que de considérer le nom 32B comme une preuve d’amélioration de toutes les tâches généralistes.
Préparer une question documentaire
L’exemple du fabricant sépare le document de la question par des délimiteurs textuels explicites et demande une formule reconnaissable introduisant la 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 sur un rapport, conservez les unités, les périodes de référence et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et un résultat final. Pour une comparaison de politiques, nommez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section justificative pour chaque ligne. Ce sont des applications rédigées à partir des capacités numériques et interdocumentaires documentées.
L’exemple analyse séparément le texte du raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, temperature 0.7 et top_p 0.95 ; ce sont des réglages d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif définissant l’identité. Préservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre checkpoint uniquement parce qu’il figure dans son ascendance.
Traiter de longs documents
Tongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 tokens avec YaRN et recommande une mise à l’échelle lorsque l’entrée et la sortie réunies dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur de quatre, ou un facteur inférieur tel que deux pour une charge de 65 536 tokens. 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 la limite de 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 fabricant doivent donc être vérifiées ensemble.
Une entrée longue doit toujours laisser de la place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes répétés et les textes de navigation, et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat pour permettre à la personne qui le vérifie de relier la conclusion au contenu fourni. Une grande capacité de contexte aide à placer davantage 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 répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, tels que des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples en plusieurs étapes reliant les éléments de différentes sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant plusieurs passages justificatifs. 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 la chaîne de faits qui l’étayent. 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 se concentrent sur les questions-réponses documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond de sortie strict séparé. Considérez les réponses comme des propositions fondées sur les sources et vérifiez les calculs, les références et les interprétations par rapport aux documents fournis.
", "aboutText": "Introduction : raisonner 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 probants sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter un passage proche. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez un 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 distincte de conversion appropriée avant ce processus textuel.\n\nFonctionnement de l’entraînement à contexte long\n\nLe cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté adapte les exemples revisités à mesure que progresse l’entraînement. Le fabricant associe des récompenses binaires de résultat fondées sur des règles et sur un modèle, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses qui restent ancrées dans de longs éléments probants. Cela décrit l’approche d’entraînement du checkpoint ; 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 QwenLong-L1-32B d’origine. QwenLong-L1-32B-AWQ, nommée séparément, est une édition quantifiée INT4 qui 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. La spécialisation documentaire du modèle est plus pertinente pour le choisir que de considérer le nom 32B comme une preuve d’amélioration de toutes les tâches généralistes.\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 introduisant la 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 sur un rapport, conservez les unités, les périodes de référence et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et un résultat final. Pour une comparaison de politiques, nommez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section justificative pour chaque ligne. Ce sont des applications rédigées à partir des capacités numériques et interdocumentaires documentées.\n\nL’exemple analyse séparément le texte du raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, temperature 0.7 et top_p 0.95 ; ce sont des réglages d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif définissant l’identité. Préservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre checkpoint uniquement 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 tokens avec YaRN et recommande une mise à l’échelle lorsque l’entrée et la sortie réunies dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur de quatre, ou un facteur inférieur tel que deux pour une charge de 65 536 tokens. 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 la limite de 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 fabricant doivent donc être vérifiées ensemble.\n\nUne entrée longue doit toujours laisser de la place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes répétés et les textes de navigation, et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat pour permettre à la personne qui le vérifie de relier la conclusion au contenu fourni. Une grande capacité de contexte aide à placer davantage 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 répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, tels que des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples en plusieurs étapes reliant les éléments de différentes sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant plusieurs passages justificatifs. 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 la chaîne de faits qui l’étayent. 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 se concentrent sur les questions-réponses documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond de sortie strict séparé. Considérez les réponses comme des propositions fondées 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 de longs documents. Il associe une base DeepSeek-R1-Distill-Qwen-32B à un apprentissage par renforcement centré 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 : raisonner 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 probants sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter un passage proche. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez un 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 distincte de conversion appropriée avant ce processus textuel.
Fonctionnement de l’entraînement à contexte long
Le cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté adapte les exemples revisités à mesure que progresse l’entraînement. Le fabricant associe des récompenses binaires de résultat fondées sur des règles et sur un modèle, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses qui restent ancrées dans de longs éléments probants. Cela décrit l’approche d’entraînement du checkpoint ; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un juge externe.
L’édition publiée
Il s’agit de la version QwenLong-L1-32B d’origine. QwenLong-L1-32B-AWQ, nommée séparément, est une édition quantifiée INT4 qui 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. La spécialisation documentaire du modèle est plus pertinente pour le choisir que de considérer le nom 32B comme une preuve d’amélioration de toutes les tâches généralistes.
Préparer une question documentaire
L’exemple du fabricant sépare le document de la question par des délimiteurs textuels explicites et demande une formule reconnaissable introduisant la 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 sur un rapport, conservez les unités, les périodes de référence et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et un résultat final. Pour une comparaison de politiques, nommez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section justificative pour chaque ligne. Ce sont des applications rédigées à partir des capacités numériques et interdocumentaires documentées.
L’exemple analyse séparément le texte du raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, temperature 0.7 et top_p 0.95 ; ce sont des réglages d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif définissant l’identité. Préservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre checkpoint uniquement parce qu’il figure dans son ascendance.
Traiter de longs documents
Tongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 tokens avec YaRN et recommande une mise à l’échelle lorsque l’entrée et la sortie réunies dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur de quatre, ou un facteur inférieur tel que deux pour une charge de 65 536 tokens. 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 la limite de 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 fabricant doivent donc être vérifiées ensemble.
Une entrée longue doit toujours laisser de la place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes répétés et les textes de navigation, et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat pour permettre à la personne qui le vérifie de relier la conclusion au contenu fourni. Une grande capacité de contexte aide à placer davantage 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 répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, tels que des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples en plusieurs étapes reliant les éléments de différentes sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant plusieurs passages justificatifs. 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 la chaîne de faits qui l’étayent. 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 se concentrent sur les questions-réponses documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond de sortie strict séparé. Considérez les réponses comme des propositions fondées 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 de longs documents. Il associe une base DeepSeek-R1-Distill-Qwen-32B à un apprentissage par renforcement centré 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 : raisonner 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 probants sont répartis dans un document ou entre plusieurs documents, plutôt qu’à répéter un passage proche. Il est construit à partir de DeepSeek-R1-Distill-Qwen-32B et entraîné davantage au raisonnement fondé sur les documents. Fournissez un 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 distincte de conversion appropriée avant ce processus textuel.
Fonctionnement de l’entraînement à contexte long
Le cadre QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte selon un programme d’apprentissage par renforcement. Un échantillonnage rétrospectif tenant compte de la difficulté adapte les exemples revisités à mesure que progresse l’entraînement. Le fabricant associe des récompenses binaires de résultat fondées sur des règles et sur un modèle, en utilisant l’optimisation de politique relative au groupe pour encourager les réponses qui restent ancrées dans de longs éléments probants. Cela décrit l’approche d’entraînement du checkpoint ; cela ne signifie pas qu’une réponse individuelle est automatiquement vérifiée par un juge externe.
L’édition publiée
Il s’agit de la version QwenLong-L1-32B d’origine. QwenLong-L1-32B-AWQ, nommée séparément, est une édition quantifiée INT4 qui 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. La spécialisation documentaire du modèle est plus pertinente pour le choisir que de considérer le nom 32B comme une preuve d’amélioration de toutes les tâches généralistes.
Préparer une question documentaire
L’exemple du fabricant sépare le document de la question par des délimiteurs textuels explicites et demande une formule reconnaissable introduisant la 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 sur un rapport, conservez les unités, les périodes de référence et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et un résultat final. Pour une comparaison de politiques, nommez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section justificative pour chaque ligne. Ce sont des applications rédigées à partir des capacités numériques et interdocumentaires documentées.
L’exemple analyse séparément le texte du raisonnement et celui de la réponse finale. Il utilise un budget de génération de 10 000 tokens, temperature 0.7 et top_p 0.95 ; ce sont des réglages d’exemple, et non une longueur maximale de sortie déclarée. La fiche montre aussi un message système facultatif définissant l’identité. Préservez les consignes de prompt propres à ce modèle au lieu d’importer les recommandations d’un autre checkpoint uniquement parce qu’il figure dans son ascendance.
Traiter de longs documents
Tongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 tokens avec YaRN et recommande une mise à l’échelle lorsque l’entrée et la sortie réunies dépassent sensiblement 32 768 tokens. Ses exemples décrivent un facteur de quatre, ou un facteur inférieur tel que deux pour une charge de 65 536 tokens. 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 la limite de 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 fabricant doivent donc être vérifiées ensemble.
Une entrée longue doit toujours laisser de la place pour le raisonnement et la réponse. Commencez par les passages nécessaires à la question, supprimez les en-têtes répétés et les textes de navigation, et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat pour permettre à la personne qui le vérifie de relier la conclusion au contenu fourni. Une grande capacité de contexte aide à placer davantage 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 répartis entre trois domaines de raisonnement : 600 questions numériques issues de longs documents spécialisés, tels que des rapports financiers ; 600 questions logiques à choix multiples sur des documents juridiques, financiers, d’assurance et de production ; et 400 exemples en plusieurs étapes reliant les éléments de différentes sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions exigeant plusieurs passages justificatifs. 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 la chaîne de faits qui l’étayent. 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 se concentrent sur les questions-réponses documentaires et n’établissent pas de contrat dédié d’appel d’outils ni de plafond de sortie strict séparé. Considérez les réponses comme des propositions fondées 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.