Source: https://ailoot.ai/models/fr/tongyi-zhiwen-qwenlong-l1-32b/ Canonical: https://ailoot.ai/models/fr/tongyi-zhiwen-qwenlong-l1-32b/ Language: fr # QwenLong L1 32B [Markdown](https://ailoot.ai/models/fr/tongyi-zhiwen-qwenlong-l1-32b/index.md) · [JSON](https://ailoot.ai/models/fr/tongyi-zhiwen-qwenlong-l1-32b/facts.json) ## [QwenLong L1 32B](https://ailoot.ai/models/fr/tongyi-zhiwen-qwenlong-l1-32b/) QwenLong-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 axé sur les documents pour le raisonnement numérique, logique et interdocumentaire. - [**Ailoot Ultra · Chat OpenAI** `POST /v1/chat/completions` `Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/tongyi-zhiwen-qwenlong-l1-32b/#method-0) - [**Ailoot Ultra · Messages Anthropic** `POST /v1/messages` `Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/tongyi-zhiwen-qwenlong-l1-32b/#method-1) À propos du modèle 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 en contexte long de Tongyi Lab. Il vise à répondre à des 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 des 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 workflow textuel. Comment fonctionne l’entraînement en contexte long Le framework QwenLong-L1 prépare d’abord une politique de raisonnement par ajustement fin supervisé, puis augmente la longueur du contexte selon 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, avec une optimisation de politique relative au groupe pour encourager des réponses restant ancrées dans de longs éléments probants. Cela décrit l’approche d’entraînement du checkpoint ; une réponse individuelle n’est pas pour autant automatiquement vérifiée par un évaluateur 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 compte davantage pour sa sélection que de traiter le nom 32B comme la preuve que toute tâche généraliste sera améliorée. Préparer une question documentaire L’exemple du fabricant sépare le document de la question avec des délimiteurs textuels explicites et demande une formule reconnaissable introduisant la réponse finale après le raisonnement. Suivez cette structure : fournissez le corps pertinent du document, gardez les titres et les tableaux lisibles et posez une question concrète. Pour un calcul dans un rapport, conservez les unités, les périodes de reporting et les libellés des tableaux, puis demandez la formule, les valeurs utilisées et un résultat final. Pour comparer des politiques, identifiez les documents A et B et demandez un tableau des règles correspondantes, des différences et de la section justificative de chaque ligne. Ce sont des applications rédigées à partir des capacités numériques et interdocumentaires documentées. L’exemple analyse séparément le raisonnement et le texte 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, pas une longueur de sortie maximale déclarée. La fiche montre aussi un message système facultatif définissant l’identité. Conservez les recommandations de prompt propres à ce modèle au lieu d’importer celles d’un autre checkpoint uniquement parce qu’il figure dans son ascendance. Traiter les longs documents Tongyi Lab valide des longueurs de contexte allant jusqu’à 131 072 tokens avec YaRN et recommande l’extension lorsque l’entrée et la sortie combinées dépassent nettement 32 768 tokens. Ses exemples décrivent un facteur de 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 courts ; la fiche déconseille donc son activation lorsque les requêtes ordinaires restent dans 32 768 tokens. La configuration publiée indique 131 072 positions mais aucun champ rope\_scaling activé ; il faut donc examiner ensemble la configuration et la procédure conditionnelle de contexte long du fabricant. Une entrée longue doit toujours 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 répétitifs et conservez les identifiants de pages ou de sections. Demandez des références aux éléments probants dans le résultat pour permettre à un relecteur de remonter de la conclusion 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 sur 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 en plusieurs étapes reliant des éléments entre différentes sources. Cela fait du modèle un candidat pertinent pour les calculs de rapports, l’interprétation de règles et les questions nécessitant plusieurs passages justificatifs. Les domaines d’entraînement décrivent une expérience de ces tâches, pas 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 références aux sections ou une courte conclusion accompagnée de la chaîne des faits justificatifs. 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 publication se concentrent sur les réponses aux questions documentaires et n’établissent ni contrat dédié d’appel d’outils ni plafond de sortie strict distinct. Traitez les réponses comme des brouillons étayés et vérifiez calculs, références et interprétations par rapport aux documents fournis. Cas pratique ### Cas pratique Exemple technique en anglais ``` Connect evidence across report sections Document section 1 says 240 units were shipped. Section 4 says 30 shipped units were returned before month end. Appendix A says net shipped units equal shipped minus returned units. Calculate net shipped units for the month, cite every section needed and state whether revenue can be calculated from these facts. End with a clearly labelled final answer. ``` #### Résultat attendu ``` A source-linked formula and calculation, a revenue-information limit and a labelled final result. ``` #### Vérifier le résultat ``` Check that all three source sections support the calculation and that a price or revenue value is not invented. ``` **Ailoot Ultra · Chat OpenAI** `POST /v1/chat/completions` `Tongyi-Zhiwen/QwenLong-L1-32B` [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) Autre /`Tongyi-Zhiwen/QwenLong-L1-32B` ### Premiers pas QwenLong-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 axé sur les documents pour le raisonnement numérique, logique et interdocumentaire. Entrées acceptées Texte Résultats Texte ### Disponible dans Ailoot · entrées et méthodes **Ailoot Ultra · Chat OpenAI** `POST /v1/chat/completions` Types d’entrée `text` Types de sortie `text` Format de sortie json ou SSE | Champ | Type | Exigence | Valeurs et limites | Par défaut | | --- | --- | --- | --- | --- | | Champ`model` | Type`string` | ExigenceObligatoire | Valeurs et limites Tongyi-Zhiwen/QwenLong-L1-32B | Par défaut— | | Champ`messages` | Type`message[]` | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— | | Champ`messages[].role` | Type`string` | 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— | | Champ`messages[].content` | Type`string\|content_part[]\|null` | ExigenceFacultatif | Valeurs et limites | Par défaut— | | Champ`messages[].tool_calls` | Type`tool_call[]` | ExigenceFacultatif | Valeurs et limites | Par défaut— | | Champ`messages[].tool_call_id` | Type`string` | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— | | Champ`messages[].name` | Type`string` | ExigenceFacultatif | Valeurs et limites | Par défaut— | | Champ`messages[].reasoning_content` | Type`string` | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— | | Champ`messages[].reasoning_details` | Type`object\|array` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`max_tokens` | Type`integer` | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— | | Champ`max_completion_tokens` | Type`integer` | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— | | Champ`stream` | Type`boolean` | ExigenceFacultatif | Valeurs et limites | Par défautfalse | | Champ`stream_options.include_usage` | Type`boolean` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`temperature` | Type`number` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`top_p` | Type`number` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`stop` | Type`string\|string[]` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`tools` | Type`function_tool[]` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`tools[].type` | Type`string` | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— | | Champ`tools[].function.name` | Type`string` | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— | | Champ`tools[].function.description` | Type`string` | ExigenceFacultatif | Valeurs et limites | Par défaut— | | Champ`tools[].function.parameters` | Type`JSON_schema` | ExigenceFacultatif | Valeurs et limites | Par défaut— | | Champ`tool_choice` | Type`string\|object` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`parallel_tool_calls` | Type`boolean` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`response_format` | Type`object` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`reasoning_effort` | Type`string` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`reasoning` | Type`object` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`service_tier` | Type`string` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`instructions` | Type`string` | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— | | Champ`functions` | Type`function[]` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`function_call` | Type`string\|object` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`prompt_cache_options` | Type`object` | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— | | Champ`modalities` | Type`string[]` | ExigenceFacultatif | Valeurs et limites text | Par défaut— | | Champ`provider` | Type`object` | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— | | Champ`cache_control.ttl` | Type`string` | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— | Combinaisons d’éléments d’entrée **Texte** · Texte UTF8 `messages[].content` Paramètres et cycle de vie de la méthode | Paramètre | Contrat | | --- | --- | | Paramètre`content_type` | Contratapplication/json | | Paramètre`required` | Contratmodel, messages | | Paramètre`material_types` | Contrattext | | Paramètre`messages` | Contrattableau de messages avec une structure role/content | | Paramètre`file_material` | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit | | Paramètre`optional_controls` | Contratstream, temperature, top\_p, stop, max\_tokens, max\_completion\_tokens, reasoning, response\_format, tools, tool\_choice | | Paramètre`control_scope` | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés | | Paramètre`output_modalities` | Contrattext | | Paramètre`hosted_operations` | Contratfalse | | Paramètre`multimodal_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. ### Tarifs Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée. Mode rapide Non précisé Lorsque le mode rapide est sélectionné Mode Flex Non précisé Lorsque le mode flex est sélectionné Effort de raisonnement maximal Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default) #### Tarifs Ailoot #### Prix par configuration | 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 **$0** / 1K tokens Entrée · Écriture dans le cache, 1 h **—** / 1K tokens | Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. [Fonctionnement de la réservation et du débit →](https://ailoot.ai/docs/fr/billing/reserve/) ### Exemples de requêtes #### Ailoot Ultra · Chat OpenAI curlPython SDKStreaming Python ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "Tongyi-Zhiwen/QwenLong-L1-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("choices",[]): if x.get("message",{}).get("content"): print(x["message"]["content"]) PY_RESULT ``` ```python from openai import OpenAI import os if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.chat.completions.create(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) ext = "png" if raw.startswith(b"\x89PNG\r\n\x1a\n") else "jpg" if raw.startswith(b"\xff\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) save_result(result.to_dict(mode="json")) ``` ```python from openai import OpenAI import os from pathlib import Path if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) ext = "png" if raw.startswith(b"\x89PNG\r\n\x1a\n") else "jpg" if raw.startswith(b"\xff\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) with client.chat.completions.stream(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream: with Path("stream-events.jsonl").open("w",encoding="utf-8") as log: for event in stream: payload=event.to_dict(mode="json") log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush() print(json.dumps(payload,ensure_ascii=False)) final=stream.get_final_completion() save_result(final.to_dict(mode="json"),"stream-result") ``` ### Recevoir et enregistrer les résultats #### Ailoot Ultra · Chat OpenAI json ou SSE ##### Conserver tous les résultats terminés 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. ##### Si la réponse d’origine doit être vérifiée Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie. Champs de la réponse | Champ | Type | | --- | --- | | Champ`choices[].index` | Typeinteger | | Champ`choices[].message.content` | Typestring\|null | | Champ`choices[].message.tool_calls` | Typetool\_call\[\] | | Champ`choices[].message.reasoning_content` | Typestring | | Champ`choices[].message.reasoning_details` | Typeobject\|array | | Champ`choices[].finish_reason` | Typestring\|null | | Champ`usage` | Typeobject | Erreurs et étapes suivantes | 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. | ### Alias #### Alias du modèle **Ailoot Ultra** [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) #### Alias des chemins de méthode Utilisez les chemins de méthode indiqués ci-dessus. #### ID d’appel associés [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) **Ailoot Ultra · Messages Anthropic** `POST /v1/messages` `Tongyi-Zhiwen/QwenLong-L1-32B` [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) Autre /`Tongyi-Zhiwen/QwenLong-L1-32B` ### Premiers pas QwenLong-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 axé sur les documents pour le raisonnement numérique, logique et interdocumentaire. Entrées acceptées Texte Résultats json · sse ### Disponible dans Ailoot · entrées et méthodes **Ailoot Ultra · Messages Anthropic** `POST /v1/messages` Types d’entrée `text` Types de sortie `json`, `sse` Format de sortie JSON ou SSE | Champ | Type | Exigence | Valeurs et limites | Par défaut | | --- | --- | --- | --- | --- | | Champ`model` | Type`string` | ExigenceObligatoire | Valeurs et limites Tongyi-Zhiwen/QwenLong-L1-32B | Par défaut— | | Champ`messages` | Type`message[]` | ExigenceObligatoire | Valeurs et limites | Par défaut— | | Champ`messages[].role` | Type`string` | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— | | Champ`messages[].content` | Type`string` | ExigenceObligatoire | Valeurs et limites | Par défaut— | | Champ`max_tokens` | Type`integer` | ExigenceObligatoire | Valeurs et limites | Par défaut— | | Champ`stream` | Type`boolean` | ExigenceFacultatif | Valeurs et limites | Par défautfalse | Combinaisons d’éléments d’entrée **Texte** · Texte UTF-8 `chaîne messages[].content` Paramètres et cycle de vie de la méthode | Paramètre | Contrat | | --- | --- | | Paramètre`content_type` | Contratapplication/json | | Paramètre`required` | Contratmodel, messages, max\_tokens | | Paramètre`optional_controls` | Contratstream | | Paramètre`material_types` | Contrattext | | Paramètre`text_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` ### Tarifs Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée. Mode rapide Non précisé Lorsque le mode rapide est sélectionné Mode Flex Non précisé Lorsque le mode flex est sélectionné Effort de raisonnement maximal Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default) #### Tarifs Ailoot #### Prix par configuration | 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 **$0** / 1K tokens Entrée · Écriture dans le cache, 1 h **—** / 1K tokens | Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. [Fonctionnement de la réservation et du débit →](https://ailoot.ai/docs/fr/billing/reserve/) ### Exemples de requêtes #### Ailoot Ultra · Messages Anthropic Corps JSON minimal completcurl · utilisez votre document UTF-8Python · enregistrez le résultat complet ```json { "model": "Tongyi-Zhiwen/QwenLong-L1-32B", "max_tokens": 128, "messages": [ { "role": "user", "content": "Summarize the incident report." } ], "stream": false } ``` ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}" export AILOOT_TEXT_FILE python3 - <<'PY_REQUEST' import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \ -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) PY_RESULT ``` ```python import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text from urllib.request import Request, urlopen from urllib.error import HTTPError api_key = os.environ['AILOOT_API_KEY'] if not api_key.strip(): raise SystemExit('Set AILOOT_API_KEY before making a request') headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'} headers['x-api-key'] = api_key request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST') try: with urlopen(request, timeout=120) as response: raw = response.read() Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8') except HTTPError as error: Path('result.json').write_bytes(error.read()) Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8') raise Path('result.json').write_bytes(raw) import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) ``` ### Recevoir et enregistrer les résultats #### Ailoot Ultra · Messages Anthropic JSON ou SSE ##### Conserver tous les résultats terminés 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. ##### Si la réponse d’origine doit être vérifiée Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie. Champs de la réponse | Champ | Type | | --- | --- | | Champ`id` | Typestring | | Champ`model` | Typestring | | Champ`content[]` | Typetext\|thinking\|tool\_use\|other content block | | Champ`stop_reason` | Typestring\|null | | Champ`usage` | Typeobject | Erreurs et étapes suivantes | 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. | ### Alias #### Alias du modèle **Ailoot Ultra** [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) #### Alias des chemins de méthode Utilisez les chemins de méthode indiqués ci-dessus. #### ID d’appel associés [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/fr/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) FAQ · Tongyi-Zhiwen/QwenLong-L1-32B Quelles entrées et quels résultats sont disponibles ? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `text` → `text` `POST /v1/messages` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `text` → `json`, `sse` Quels champs la requête utilise-t-elle ? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `model`, `messages`, `stream`, `modalities`, `provider` `POST /v1/messages` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `model`, `messages`, `max_tokens`, `stream` Quelles limites s’appliquent ? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `messages.min_items`: `1` Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application. ## L’entreprise et son portefeuille de projets L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. ## Achetez des tokens à prix réduit. Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens. Abonnement Choisissez une offre à tarif réduit pour vos requêtes régulières. Code promo jusqu’à 50% Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours. Dépenses dans l’historique Modèle, tokens et montant sont enregistrés pour chaque requête. [Choisir un abonnement](https://ailoot.ai/docs/fr/billing/subscriptions/) · [Voir les prix des modèles](https://ailoot.ai/models/fr/) ## Connectez l’API au produit que vous vendez. SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur. Application commerciale Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service. Licence revendeur Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente. Documents sur le site L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion. [Demander une licence revendeur](mailto:support@ailoot.ai) · [Offre officielle et contrat de licence](https://ailoot.ai/legal/offer?lang=fr) ## Ailoot · L’entreprise et son portefeuille de projets Ailoot s’appuie sur une expérience opérationnelle éprouvée, une large clientèle, un service stable et un suivi continu des KPI. L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. Ailoot met cette expérience opérationnelle au service de l’accès API aux fonctions d’IA dans les produits des clients, leurs agents, applications et automatisations.