מבוא: הסקה על מסמכים ארוכים
QwenLong-L1-32B הוא מודל ההסקה הטקסטואלית בהקשר ארוך של Tongyi Lab. מטרתו לענות על שאלות שהראיות להן מפוזרות לאורך מסמך או בין כמה מסמכים, ולא רק לחזור על קטע סמוך. הוא נבנה מ־DeepSeek-R1-Distill-Qwen-32B ואומן בהמשך להסקה המעוגנת במסמכים. ספקו טקסט ושאלה; המודל יוצר רצף הסקה טקסטואלי ותשובה. עמודים סרוקים, אודיו ווידאו דורשים שלב המרה נפרד מתאים לפני תהליך הטקסט הזה.
כיצד פועל אימון ההקשר הארוך
מסגרת QwenLong-L1 מחממת תחילה מדיניות הסקה באמצעות כוונון עדין מונחה, ואז מגדילה את אורך ההקשר באמצעות תוכנית לימוד של למידת חיזוק. דגימה רטרוספקטיבית המודעת לקושי מתאימה אילו דוגמאות ייבחנו מחדש ככל שהאימון מתקדם. היצרן משלב תגמולי תוצאה בינאריים מבוססי כללים ומבוססי מודל, תוך שימוש באופטימיזציית מדיניות יחסית לקבוצה כדי לעודד תשובות הנשארות מעוגנות בראיות ארוכות. הדבר מתאר את גישת האימון של נקודת השמירה; אין פירושו שתשובה בודדת מאומתת אוטומטית בידי שופט חיצוני.
המהדורה שפורסמה
זוהי גרסת QwenLong-L1-32B המקורית. QwenLong-L1-32B-AWQ, בעלת שם נפרד, היא מהדורה מכוומתת INT4 וצריכה לשמור על זהותה משלה. התצורה שפורסמה למודל זה משתמשת בארכיטקטורת מודל שפה סיבתי Qwen2 עם 64 שכבות ומשקולות bfloat16. ההתמחות של המודל במסמכים רלוונטית לבחירה יותר מהתייחסות לשם 32B כהוכחה לכך שכל משימה כללית תשתפר.
הכנת שאלה על מסמך
דוגמת היצרן מפרידה בין המסמך לשאלה באמצעות תוחמי טקסט מפורשים ומבקשת ביטוי מזוהה לתשובה הסופית לאחר ההסקה. פעלו לפי המבנה הזה: ספקו את גוף המסמך הרלוונטי, שמרו על כותרות וטבלאות קריאות ושאלו שאלה קונקרטית אחת. בחישוב מתוך דוח, שמרו על יחידות, תקופות דיווח ותוויות טבלה, ואז בקשו את הנוסחה, את הערכים ששימשו ואת התוצאה הסופית. בהשוואת מדיניות, סמנו את המסמכים A ו־B ובקשו טבלה של כללים תואמים, הבדלים וסעיף תומך לכל שורה. אלה דוגמאות יישום שנכתבו על בסיס היכולות המספריות והבין־מסמכיות המתועדות.
הדוגמה מנתחת בנפרד את טקסט ההסקה ואת טקסט התשובה הסופית. היא משתמשת בתקציב יצירה של 10,000 טוקנים, ב־temperature 0.7 וב־top_p 0.95; אלה הגדרות לדוגמה, ולא אורך פלט מרבי מוצהר. הכרטיס מציג גם הודעת מערכת אופציונלית לקביעת זהות. שמרו על הנחיות ההנחיה של המודל עצמו, במקום לייבא המלצות מנקודת שמירה אחרת רק מפני שהיא מופיעה בשושלת המודל.
עיבוד מסמכים ארוכים
Tongyi Lab מאמתת אורכי הקשר עד 131,072 טוקנים באמצעות YaRN וממליצה על הרחבה כאשר הקלט והפלט יחד עולים במידה ניכרת על 32,768 טוקנים. הדוגמאות שלה מתארות מקדם של ארבע, או מקדם קטן יותר כגון שתיים לעומס של 65,536 טוקנים. הרחבה סטטית עלולה להפחית ביצועים בטקסט קצר יותר, ולכן הכרטיס ממליץ שלא להפעילה כאשר בקשות רגילות נשארות בתוך 32,768 טוקנים. התצורה שפורסמה מציינת 131,072 מיקומים אך ללא שדה rope_scaling מופעל; לכן יש לבדוק יחד את התצורה ואת ההליך המותנה של היצרן להקשר ארוך.
גם קלט ארוך צריך להשאיר מקום להסקה ולתשובה. התחילו בקטעים הדרושים לשאלה, הסירו כותרות וטקסט ניווט חוזרים ושמרו מזהי עמודים או סעיפים. בקשו הפניות לראיות בתוצאה כדי שבודק יוכל להתחקות אחר המסקנה בחזרה לחומר שסופק. מכסת הקשר גדולה מסייעת לכלול יותר ראיות בבקשה אחת; היא אינה מבססת זכירה מושלמת של כל פרט.
מה מכסה האימון על מסמכים
DocQA-RL-1.6K מכיל 1,600 בעיות אימון בשלושה תחומי הסקה: 600 שאלות מספריות ממסמכים ייעודיים ארוכים כגון דוחות פיננסיים; 600 שאלות לוגיות מרובות ברירה על מסמכים משפטיים, פיננסיים, ביטוחיים ומסמכי ייצור; ו־400 דוגמאות רב־שלביות המקשרות ראיות בין מקורות. כך המודל הוא מועמד רלוונטי לחישובי דוחות, לפירוש כללים ולשאלות הדורשות כמה קטעים תומכים. תחומי האימון מתארים ניסיון במשימות הללו, ולא הסמכה מקצועית או מסקנות מובטחות.
פלט מעשי ומגבלות
בחרו תשובה שניתן לבדוק: ערך מחושב עם יחידות, השוואת כללים עם הפניות לסעיפים או מסקנה קצרה עם שרשרת העובדות התומכות בה. אם המסמך אינו כולל תאריך או הגדרה נדרשים, בקשו מהמודל לזהות את הראיות החסרות במקום להמציא אותן. חומרי הגרסה מתמקדים במענה לשאלות על מסמכים ואינם מבססים חוזה ייעודי לקריאת כלים או תקרת פלט קשיחה נפרדת. התייחסו לתשובות כטיוטות מעוגנות במקורות ואמתו חישובים, הפניות ופירושים מול המסמכים שסופקו.
", "aboutText": "מבוא: הסקה על מסמכים ארוכים\n\nQwenLong-L1-32B הוא מודל ההסקה הטקסטואלית בהקשר ארוך של Tongyi Lab. מטרתו לענות על שאלות שהראיות להן מפוזרות לאורך מסמך או בין כמה מסמכים, ולא רק לחזור על קטע סמוך. הוא נבנה מ־DeepSeek-R1-Distill-Qwen-32B ואומן בהמשך להסקה המעוגנת במסמכים. ספקו טקסט ושאלה; המודל יוצר רצף הסקה טקסטואלי ותשובה. עמודים סרוקים, אודיו ווידאו דורשים שלב המרה נפרד מתאים לפני תהליך הטקסט הזה.\n\nכיצד פועל אימון ההקשר הארוך\n\nמסגרת QwenLong-L1 מחממת תחילה מדיניות הסקה באמצעות כוונון עדין מונחה, ואז מגדילה את אורך ההקשר באמצעות תוכנית לימוד של למידת חיזוק. דגימה רטרוספקטיבית המודעת לקושי מתאימה אילו דוגמאות ייבחנו מחדש ככל שהאימון מתקדם. היצרן משלב תגמולי תוצאה בינאריים מבוססי כללים ומבוססי מודל, תוך שימוש באופטימיזציית מדיניות יחסית לקבוצה כדי לעודד תשובות הנשארות מעוגנות בראיות ארוכות. הדבר מתאר את גישת האימון של נקודת השמירה; אין פירושו שתשובה בודדת מאומתת אוטומטית בידי שופט חיצוני.\n\nהמהדורה שפורסמה\n\nזוהי גרסת QwenLong-L1-32B המקורית. QwenLong-L1-32B-AWQ, בעלת שם נפרד, היא מהדורה מכוומתת INT4 וצריכה לשמור על זהותה משלה. התצורה שפורסמה למודל זה משתמשת בארכיטקטורת מודל שפה סיבתי Qwen2 עם 64 שכבות ומשקולות bfloat16. ההתמחות של המודל במסמכים רלוונטית לבחירה יותר מהתייחסות לשם 32B כהוכחה לכך שכל משימה כללית תשתפר.\n\nהכנת שאלה על מסמך\n\nדוגמת היצרן מפרידה בין המסמך לשאלה באמצעות תוחמי טקסט מפורשים ומבקשת ביטוי מזוהה לתשובה הסופית לאחר ההסקה. פעלו לפי המבנה הזה: ספקו את גוף המסמך הרלוונטי, שמרו על כותרות וטבלאות קריאות ושאלו שאלה קונקרטית אחת. בחישוב מתוך דוח, שמרו על יחידות, תקופות דיווח ותוויות טבלה, ואז בקשו את הנוסחה, את הערכים ששימשו ואת התוצאה הסופית. בהשוואת מדיניות, סמנו את המסמכים A ו־B ובקשו טבלה של כללים תואמים, הבדלים וסעיף תומך לכל שורה. אלה דוגמאות יישום שנכתבו על בסיס היכולות המספריות והבין־מסמכיות המתועדות.\n\nהדוגמה מנתחת בנפרד את טקסט ההסקה ואת טקסט התשובה הסופית. היא משתמשת בתקציב יצירה של 10,000 טוקנים, ב־temperature 0.7 וב־top_p 0.95; אלה הגדרות לדוגמה, ולא אורך פלט מרבי מוצהר. הכרטיס מציג גם הודעת מערכת אופציונלית לקביעת זהות. שמרו על הנחיות ההנחיה של המודל עצמו, במקום לייבא המלצות מנקודת שמירה אחרת רק מפני שהיא מופיעה בשושלת המודל.\n\nעיבוד מסמכים ארוכים\n\nTongyi Lab מאמתת אורכי הקשר עד 131,072 טוקנים באמצעות YaRN וממליצה על הרחבה כאשר הקלט והפלט יחד עולים במידה ניכרת על 32,768 טוקנים. הדוגמאות שלה מתארות מקדם של ארבע, או מקדם קטן יותר כגון שתיים לעומס של 65,536 טוקנים. הרחבה סטטית עלולה להפחית ביצועים בטקסט קצר יותר, ולכן הכרטיס ממליץ שלא להפעילה כאשר בקשות רגילות נשארות בתוך 32,768 טוקנים. התצורה שפורסמה מציינת 131,072 מיקומים אך ללא שדה rope_scaling מופעל; לכן יש לבדוק יחד את התצורה ואת ההליך המותנה של היצרן להקשר ארוך.\n\nגם קלט ארוך צריך להשאיר מקום להסקה ולתשובה. התחילו בקטעים הדרושים לשאלה, הסירו כותרות וטקסט ניווט חוזרים ושמרו מזהי עמודים או סעיפים. בקשו הפניות לראיות בתוצאה כדי שבודק יוכל להתחקות אחר המסקנה בחזרה לחומר שסופק. מכסת הקשר גדולה מסייעת לכלול יותר ראיות בבקשה אחת; היא אינה מבססת זכירה מושלמת של כל פרט.\n\nמה מכסה האימון על מסמכים\n\nDocQA-RL-1.6K מכיל 1,600 בעיות אימון בשלושה תחומי הסקה: 600 שאלות מספריות ממסמכים ייעודיים ארוכים כגון דוחות פיננסיים; 600 שאלות לוגיות מרובות ברירה על מסמכים משפטיים, פיננסיים, ביטוחיים ומסמכי ייצור; ו־400 דוגמאות רב־שלביות המקשרות ראיות בין מקורות. כך המודל הוא מועמד רלוונטי לחישובי דוחות, לפירוש כללים ולשאלות הדורשות כמה קטעים תומכים. תחומי האימון מתארים ניסיון במשימות הללו, ולא הסמכה מקצועית או מסקנות מובטחות.\n\nפלט מעשי ומגבלות\n\nבחרו תשובה שניתן לבדוק: ערך מחושב עם יחידות, השוואת כללים עם הפניות לסעיפים או מסקנה קצרה עם שרשרת העובדות התומכות בה. אם המסמך אינו כולל תאריך או הגדרה נדרשים, בקשו מהמודל לזהות את הראיות החסרות במקום להמציא אותן. חומרי הגרסה מתמקדים במענה לשאלות על מסמכים ואינם מבססים חוזה ייעודי לקריאת כלים או תקרת פלט קשיחה נפרדת. התייחסו לתשובות כטיוטות מעוגנות במקורות ואמתו חישובים, הפניות ופירושים מול המסמכים שסופקו.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
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 הוא מודל ההסקה הטקסטואלית של Tongyi Lab לשאלות המעוגנות במסמכים ארוכים. הוא משלב נקודת פתיחה של DeepSeek-R1-Distill-Qwen-32B עם למידת חיזוק ממוקדת מסמכים להסקה מספרית, לוגית ובין־מסמכית.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
מבוא: הסקה על מסמכים ארוכים
QwenLong-L1-32B הוא מודל ההסקה הטקסטואלית בהקשר ארוך של Tongyi Lab. מטרתו לענות על שאלות שהראיות להן מפוזרות לאורך מסמך או בין כמה מסמכים, ולא רק לחזור על קטע סמוך. הוא נבנה מ־DeepSeek-R1-Distill-Qwen-32B ואומן בהמשך להסקה המעוגנת במסמכים. ספקו טקסט ושאלה; המודל יוצר רצף הסקה טקסטואלי ותשובה. עמודים סרוקים, אודיו ווידאו דורשים שלב המרה נפרד מתאים לפני תהליך הטקסט הזה.
כיצד פועל אימון ההקשר הארוך
מסגרת QwenLong-L1 מחממת תחילה מדיניות הסקה באמצעות כוונון עדין מונחה, ואז מגדילה את אורך ההקשר באמצעות תוכנית לימוד של למידת חיזוק. דגימה רטרוספקטיבית המודעת לקושי מתאימה אילו דוגמאות ייבחנו מחדש ככל שהאימון מתקדם. היצרן משלב תגמולי תוצאה בינאריים מבוססי כללים ומבוססי מודל, תוך שימוש באופטימיזציית מדיניות יחסית לקבוצה כדי לעודד תשובות הנשארות מעוגנות בראיות ארוכות. הדבר מתאר את גישת האימון של נקודת השמירה; אין פירושו שתשובה בודדת מאומתת אוטומטית בידי שופט חיצוני.
המהדורה שפורסמה
זוהי גרסת QwenLong-L1-32B המקורית. QwenLong-L1-32B-AWQ, בעלת שם נפרד, היא מהדורה מכוומתת INT4 וצריכה לשמור על זהותה משלה. התצורה שפורסמה למודל זה משתמשת בארכיטקטורת מודל שפה סיבתי Qwen2 עם 64 שכבות ומשקולות bfloat16. ההתמחות של המודל במסמכים רלוונטית לבחירה יותר מהתייחסות לשם 32B כהוכחה לכך שכל משימה כללית תשתפר.
הכנת שאלה על מסמך
דוגמת היצרן מפרידה בין המסמך לשאלה באמצעות תוחמי טקסט מפורשים ומבקשת ביטוי מזוהה לתשובה הסופית לאחר ההסקה. פעלו לפי המבנה הזה: ספקו את גוף המסמך הרלוונטי, שמרו על כותרות וטבלאות קריאות ושאלו שאלה קונקרטית אחת. בחישוב מתוך דוח, שמרו על יחידות, תקופות דיווח ותוויות טבלה, ואז בקשו את הנוסחה, את הערכים ששימשו ואת התוצאה הסופית. בהשוואת מדיניות, סמנו את המסמכים A ו־B ובקשו טבלה של כללים תואמים, הבדלים וסעיף תומך לכל שורה. אלה דוגמאות יישום שנכתבו על בסיס היכולות המספריות והבין־מסמכיות המתועדות.
הדוגמה מנתחת בנפרד את טקסט ההסקה ואת טקסט התשובה הסופית. היא משתמשת בתקציב יצירה של 10,000 טוקנים, ב־temperature 0.7 וב־top_p 0.95; אלה הגדרות לדוגמה, ולא אורך פלט מרבי מוצהר. הכרטיס מציג גם הודעת מערכת אופציונלית לקביעת זהות. שמרו על הנחיות ההנחיה של המודל עצמו, במקום לייבא המלצות מנקודת שמירה אחרת רק מפני שהיא מופיעה בשושלת המודל.
עיבוד מסמכים ארוכים
Tongyi Lab מאמתת אורכי הקשר עד 131,072 טוקנים באמצעות YaRN וממליצה על הרחבה כאשר הקלט והפלט יחד עולים במידה ניכרת על 32,768 טוקנים. הדוגמאות שלה מתארות מקדם של ארבע, או מקדם קטן יותר כגון שתיים לעומס של 65,536 טוקנים. הרחבה סטטית עלולה להפחית ביצועים בטקסט קצר יותר, ולכן הכרטיס ממליץ שלא להפעילה כאשר בקשות רגילות נשארות בתוך 32,768 טוקנים. התצורה שפורסמה מציינת 131,072 מיקומים אך ללא שדה rope_scaling מופעל; לכן יש לבדוק יחד את התצורה ואת ההליך המותנה של היצרן להקשר ארוך.
גם קלט ארוך צריך להשאיר מקום להסקה ולתשובה. התחילו בקטעים הדרושים לשאלה, הסירו כותרות וטקסט ניווט חוזרים ושמרו מזהי עמודים או סעיפים. בקשו הפניות לראיות בתוצאה כדי שבודק יוכל להתחקות אחר המסקנה בחזרה לחומר שסופק. מכסת הקשר גדולה מסייעת לכלול יותר ראיות בבקשה אחת; היא אינה מבססת זכירה מושלמת של כל פרט.
מה מכסה האימון על מסמכים
DocQA-RL-1.6K מכיל 1,600 בעיות אימון בשלושה תחומי הסקה: 600 שאלות מספריות ממסמכים ייעודיים ארוכים כגון דוחות פיננסיים; 600 שאלות לוגיות מרובות ברירה על מסמכים משפטיים, פיננסיים, ביטוחיים ומסמכי ייצור; ו־400 דוגמאות רב־שלביות המקשרות ראיות בין מקורות. כך המודל הוא מועמד רלוונטי לחישובי דוחות, לפירוש כללים ולשאלות הדורשות כמה קטעים תומכים. תחומי האימון מתארים ניסיון במשימות הללו, ולא הסמכה מקצועית או מסקנות מובטחות.
פלט מעשי ומגבלות
בחרו תשובה שניתן לבדוק: ערך מחושב עם יחידות, השוואת כללים עם הפניות לסעיפים או מסקנה קצרה עם שרשרת העובדות התומכות בה. אם המסמך אינו כולל תאריך או הגדרה נדרשים, בקשו מהמודל לזהות את הראיות החסרות במקום להמציא אותן. חומרי הגרסה מתמקדים במענה לשאלות על מסמכים ואינם מבססים חוזה ייעודי לקריאת כלים או תקרת פלט קשיחה נפרדת. התייחסו לתשובות כטיוטות מעוגנות במקורות ואמתו חישובים, הפניות ופירושים מול המסמכים שסופקו.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות Tongyi-Zhiwen/QwenLong-L1-32B | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות דוגמאות: system, user, assistant, tool, function תנאים: התפקידים האלה מיוצגים במפורש בטיפוסי התאימות בקוד המקור; מערך התפקידים המדויק נשאר ייחודי לכל מודל. תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring|content_part[]|null | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_calls | סוגtool_call[] | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_call_id | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: role=tool; השתמשו במזהה שהוחזר בפועל | ברירת מחדל— |
שדהmessages[].name | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].reasoning_content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: החזירו בהמשך את ההנמקה שהתקבלה בפועל כאשר המודל הזה משתמש בה | ברירת מחדל— |
שדהmessages[].reasoning_details | סוגobject|array | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
שדהstream_options.include_usage | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהstop | סוגstring|string[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools | סוגfunction_tool[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools[].type | סוגstring | דרישהרשות | ערכים ומגבלות function תלוי במודל | ברירת מחדל— |
שדהtools[].function.name | סוגstring | דרישהחובה | ערכים ומגבלות חל כאשר: סופק כלי פונקציה | ברירת מחדל— |
שדהtools[].function.description | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtools[].function.parameters | סוגJSON_schema | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtool_choice | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהparallel_tool_calls | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהresponse_format | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning_effort | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהservice_tier | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהinstructions | סוגstring | דרישהרשות | ערכים ומגבלות שדה תאימות | ברירת מחדל— |
שדהfunctions | סוגfunction[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהfunction_call | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהprompt_cache_options | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmodalities | סוגstring[] | דרישהרשות | ערכים ומגבלות text | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה במסלול הטקסט הזה של Ultra | ברירת מחדל— |
שדהcache_control.ttl | סוגstring | דרישהרשות | ערכים ומגבלות תנאים: 1h נדחה במיקומים המשמשים בפועל למטמון הנחיות | ברירת מחדל— |
טקסט · טקסט UTF8
messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרmaterial_types | מפרטtext |
פרמטרmessages | מפרטמערך הודעות במבנה role/content |
פרמטרfile_material | מפרטמסמך UTF-8 בפועל מוכנס כטקסט מילולי; לא מוסק מזהה קובץ |
פרמטרoptional_controls | מפרטstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
פרמטרcontrol_scope | מפרטייחודי למודל; כלי פונקציות של המשתמש שונים מכלים מתארחים |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
מחזור חיים: synchronous_or_streamed
שלחו את מזהה המודל המדויק עם messages.
אורך ההקשר אינו תקרת פלט.
קובץ טקסט יכול לספק טקסט מילולי; קלטי תמונה/אודיו/אובייקט קובץ דורשים קישור מדויק.
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.00028 / 1K טוקנים פלט · טוקני פלט $0.0012 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו כל בחירה ואת התוכן, קריאות הכלים וההנמקה שלה. ב-SSE הרכיבו עדכונים לפי אינדקס הבחירה/הכלי ושמרו את סיבת הסיום הסופית ואת השימוש.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהchoices[].index | סוגinteger |
שדהchoices[].message.content | סוגstring|null |
שדהchoices[].message.tool_calls | סוגtool_call[] |
שדהchoices[].message.reasoning_content | סוגstring |
שדהchoices[].message.reasoning_details | סוגobject|array |
שדהchoices[].finish_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
השתמשו בנתיבי השיטות המוצגים למעלה.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B הוא מודל ההסקה הטקסטואלית של Tongyi Lab לשאלות המעוגנות במסמכים ארוכים. הוא משלב נקודת פתיחה של DeepSeek-R1-Distill-Qwen-32B עם למידת חיזוק ממוקדת מסמכים להסקה מספרית, לוגית ובין־מסמכית.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
מבוא: הסקה על מסמכים ארוכים
QwenLong-L1-32B הוא מודל ההסקה הטקסטואלית בהקשר ארוך של Tongyi Lab. מטרתו לענות על שאלות שהראיות להן מפוזרות לאורך מסמך או בין כמה מסמכים, ולא רק לחזור על קטע סמוך. הוא נבנה מ־DeepSeek-R1-Distill-Qwen-32B ואומן בהמשך להסקה המעוגנת במסמכים. ספקו טקסט ושאלה; המודל יוצר רצף הסקה טקסטואלי ותשובה. עמודים סרוקים, אודיו ווידאו דורשים שלב המרה נפרד מתאים לפני תהליך הטקסט הזה.
כיצד פועל אימון ההקשר הארוך
מסגרת QwenLong-L1 מחממת תחילה מדיניות הסקה באמצעות כוונון עדין מונחה, ואז מגדילה את אורך ההקשר באמצעות תוכנית לימוד של למידת חיזוק. דגימה רטרוספקטיבית המודעת לקושי מתאימה אילו דוגמאות ייבחנו מחדש ככל שהאימון מתקדם. היצרן משלב תגמולי תוצאה בינאריים מבוססי כללים ומבוססי מודל, תוך שימוש באופטימיזציית מדיניות יחסית לקבוצה כדי לעודד תשובות הנשארות מעוגנות בראיות ארוכות. הדבר מתאר את גישת האימון של נקודת השמירה; אין פירושו שתשובה בודדת מאומתת אוטומטית בידי שופט חיצוני.
המהדורה שפורסמה
זוהי גרסת QwenLong-L1-32B המקורית. QwenLong-L1-32B-AWQ, בעלת שם נפרד, היא מהדורה מכוומתת INT4 וצריכה לשמור על זהותה משלה. התצורה שפורסמה למודל זה משתמשת בארכיטקטורת מודל שפה סיבתי Qwen2 עם 64 שכבות ומשקולות bfloat16. ההתמחות של המודל במסמכים רלוונטית לבחירה יותר מהתייחסות לשם 32B כהוכחה לכך שכל משימה כללית תשתפר.
הכנת שאלה על מסמך
דוגמת היצרן מפרידה בין המסמך לשאלה באמצעות תוחמי טקסט מפורשים ומבקשת ביטוי מזוהה לתשובה הסופית לאחר ההסקה. פעלו לפי המבנה הזה: ספקו את גוף המסמך הרלוונטי, שמרו על כותרות וטבלאות קריאות ושאלו שאלה קונקרטית אחת. בחישוב מתוך דוח, שמרו על יחידות, תקופות דיווח ותוויות טבלה, ואז בקשו את הנוסחה, את הערכים ששימשו ואת התוצאה הסופית. בהשוואת מדיניות, סמנו את המסמכים A ו־B ובקשו טבלה של כללים תואמים, הבדלים וסעיף תומך לכל שורה. אלה דוגמאות יישום שנכתבו על בסיס היכולות המספריות והבין־מסמכיות המתועדות.
הדוגמה מנתחת בנפרד את טקסט ההסקה ואת טקסט התשובה הסופית. היא משתמשת בתקציב יצירה של 10,000 טוקנים, ב־temperature 0.7 וב־top_p 0.95; אלה הגדרות לדוגמה, ולא אורך פלט מרבי מוצהר. הכרטיס מציג גם הודעת מערכת אופציונלית לקביעת זהות. שמרו על הנחיות ההנחיה של המודל עצמו, במקום לייבא המלצות מנקודת שמירה אחרת רק מפני שהיא מופיעה בשושלת המודל.
עיבוד מסמכים ארוכים
Tongyi Lab מאמתת אורכי הקשר עד 131,072 טוקנים באמצעות YaRN וממליצה על הרחבה כאשר הקלט והפלט יחד עולים במידה ניכרת על 32,768 טוקנים. הדוגמאות שלה מתארות מקדם של ארבע, או מקדם קטן יותר כגון שתיים לעומס של 65,536 טוקנים. הרחבה סטטית עלולה להפחית ביצועים בטקסט קצר יותר, ולכן הכרטיס ממליץ שלא להפעילה כאשר בקשות רגילות נשארות בתוך 32,768 טוקנים. התצורה שפורסמה מציינת 131,072 מיקומים אך ללא שדה rope_scaling מופעל; לכן יש לבדוק יחד את התצורה ואת ההליך המותנה של היצרן להקשר ארוך.
גם קלט ארוך צריך להשאיר מקום להסקה ולתשובה. התחילו בקטעים הדרושים לשאלה, הסירו כותרות וטקסט ניווט חוזרים ושמרו מזהי עמודים או סעיפים. בקשו הפניות לראיות בתוצאה כדי שבודק יוכל להתחקות אחר המסקנה בחזרה לחומר שסופק. מכסת הקשר גדולה מסייעת לכלול יותר ראיות בבקשה אחת; היא אינה מבססת זכירה מושלמת של כל פרט.
מה מכסה האימון על מסמכים
DocQA-RL-1.6K מכיל 1,600 בעיות אימון בשלושה תחומי הסקה: 600 שאלות מספריות ממסמכים ייעודיים ארוכים כגון דוחות פיננסיים; 600 שאלות לוגיות מרובות ברירה על מסמכים משפטיים, פיננסיים, ביטוחיים ומסמכי ייצור; ו־400 דוגמאות רב־שלביות המקשרות ראיות בין מקורות. כך המודל הוא מועמד רלוונטי לחישובי דוחות, לפירוש כללים ולשאלות הדורשות כמה קטעים תומכים. תחומי האימון מתארים ניסיון במשימות הללו, ולא הסמכה מקצועית או מסקנות מובטחות.
פלט מעשי ומגבלות
בחרו תשובה שניתן לבדוק: ערך מחושב עם יחידות, השוואת כללים עם הפניות לסעיפים או מסקנה קצרה עם שרשרת העובדות התומכות בה. אם המסמך אינו כולל תאריך או הגדרה נדרשים, בקשו מהמודל לזהות את הראיות החסרות במקום להמציא אותן. חומרי הגרסה מתמקדים במענה לשאלות על מסמכים ואינם מבססים חוזה ייעודי לקריאת כלים או תקרת פלט קשיחה נפרדת. התייחסו לתשובות כטיוטות מעוגנות במקורות ואמתו חישובים, הפניות ופירושים מול המסמכים שסופקו.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות Tongyi-Zhiwen/QwenLong-L1-32B | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות user, assistant | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
טקסט · טקסט UTF-8
מחרוזת messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional_controls | מפרטstream |
פרמטרmaterial_types | מפרטtext |
פרמטרtext_file_material | מפרטקראו את מסמך UTF-8 בפועל והכניסו את הטקסט שלו לקלט שצוין או למחרוזת תוכן ההודעה. |
מחזור חיים: synchronous_or_streamed
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.00028 / 1K טוקנים פלט · טוקני פלט $0.0012 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו את כל בלוקי התוכן, חתימות החשיבה ומזהי השימוש בכלים בפועל. הרכיבו את כל עדכוני הבלוקים של SSE; בלוק הטקסט הראשון אינו הפלט המלא.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהid | סוגstring |
שדהmodel | סוגstring |
שדהcontent[] | סוגtext|thinking|tool_use|other content block |
שדהstop_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
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.