Bevezetés: következtetés hosszú dokumentumok alapján
A QwenLong-L1-32B a Tongyi Lab hosszú kontextusú szöveges következtető modellje. Célja olyan kérdések megválaszolása, amelyek bizonyítékai egy dokumentum különböző részein vagy több dokumentumban találhatók, nem pusztán egy közeli szövegrészlet megismétlése. A DeepSeek-R1-Distill-Qwen-32B modellre épül, és dokumentumokra alapozott következtetésre továbbtanították. Adj meg szöveget és kérdést; a modell szöveges következtetési sort és választ generál. A szkennelt oldalakhoz, hanghoz és videóhoz megfelelő külön átalakítási lépés szükséges e szöveges munkafolyamat előtt.
A hosszú kontextusú tanítás működése
A QwenLong-L1 keretrendszer először felügyelt finomhangolással melegít be egy következtetési stratégiát, majd megerősítéses tanulási tanmenettel növeli a kontextushosszt. A nehézséget figyelembe vevő visszatekintő mintavételezés a tanítás előrehaladtával módosítja, mely példákhoz tér vissza. A készítő szabályalapú és modellalapú bináris eredményjutalmakat kombinál, csoportrelatív stratégiaoptimalizálással ösztönözve a hosszú bizonyítékanyaghoz hű válaszokat. Ez az ellenőrzőpont tanítási megközelítését írja le; nem jelenti, hogy egy egyedi választ automatikusan külső értékelő ellenőriz.
A kiadott változat
Ez az eredeti QwenLong-L1-32B kiadás. A külön elnevezett QwenLong-L1-32B-AWQ INT4-kvantált kiadás, és saját azonosságát kell megőriznie. E modell közzétett konfigurációja Qwen2 kauzális nyelvimodell-architektúrát használ 64 réteggel és bfloat16 súlyokkal. A kiválasztásnál fontosabb a modell dokumentumokra szakosodása, mint a 32B nevet annak bizonyítékaként kezelni, hogy minden általános célú feladat javulni fog.
Dokumentumra vonatkozó kérdés előkészítése
A készítő példája kifejezett szöveges elválasztókkal különíti el a dokumentumot a kérdéstől, és a végső választ jelölő, felismerhető kifejezést kér a következtetés után. Kövesd ezt a szerkezetet: add meg a releváns dokumentumtörzset, tartsd olvashatóan a címsorokat és táblázatokat, és tegyél fel egy konkrét kérdést. Jelentésben végzett számításnál őrizd meg a mértékegységeket, a beszámolási időszakokat és a táblázatjelöléseket, majd kérd a képletet, a felhasznált értékeket és a végső eredményt. Szabályzatok összehasonlításánál jelöld a dokumentumokat A és B betűvel, és kérj táblázatot az egyező szabályokról, eltérésekről és az egyes sorokat alátámasztó szakaszról. Ezek a dokumentált számszerű és dokumentumok közötti képességek megfogalmazott alkalmazásai.
A példa külön elemzi a következtetési és végsőválasz-szöveget. 10 000 tokenes generálási keretet, temperature 0.7 és top_p 0.95 értéket használ; ezek példabeállítások, nem megadott maximális kimeneti hosszak. Az ismertető egy opcionális, azonosságot beállító rendszerüzenetet is bemutat. Őrizd meg e modell saját promptútmutatását, ahelyett hogy pusztán a modell elődei között való szereplése miatt másik ellenőrzőpont ajánlásait vennéd át.
Hosszú dokumentumok feldolgozása
A Tongyi Lab YaRN használatával legfeljebb 131 072 tokenes kontextushosszakat validál, és skálázást ajánl, ha a bemenet és kimenet együttesen jelentősen meghaladja a 32 768 tokent. Példái négyszeres szorzót írnak le, vagy kisebb, például kétszeres szorzót 65 536 tokenes munkaterheléshez. A statikus skálázás ronthatja a rövidebb szövegeken elért teljesítményt, ezért az ismertető nem javasolja az engedélyezését, ha a szokásos kérések 32 768 tokenen belül maradnak. A közzétett konfiguráció 131 072 pozíciót sorol fel, de nincs engedélyezett rope_scaling mező; ezért a konfigurációt és a készítő feltételes hosszúkontextus-eljárását együtt kell ellenőrizni.
A hosszú bemenet mellett is kell hely a következtetésnek és a válasznak. Kezdd a kérdéshez szükséges szövegrészletekkel, távolítsd el az ismétlődő fejléceket és navigációs szöveget, és tartsd meg az oldal- vagy szakaszazonosítókat. Kérj bizonyítékhivatkozásokat az eredményben, hogy az ellenőrző olvasó vissza tudja követni a következtetést a megadott anyaghoz. A nagy kontextuskeret segít több bizonyítékot egy kérésbe helyezni; nem jelent minden részletre kiterjedő tökéletes emlékezetet.
Mit fed le a dokumentumos tanítás
A DocQA-RL-1.6K 1 600 tanítási problémát tartalmaz három következtetési területen: 600 számszerű kérdést hosszú szakterületi dokumentumokból, például pénzügyi jelentésekből; 600 logikai feleletválasztós kérdést jogi, pénzügyi, biztosítási és termelési dokumentumokról; valamint 400 többlépéses példát, amelyek források közötti bizonyítékokat kapcsolnak össze. Ez a modellt releváns jelöltté teszi jelentésszámításokhoz, szabályértelmezéshez és több alátámasztó szövegrészletet igénylő kérdésekhez. A tanítási területek ezekben a feladatokban szerzett tapasztalatot írnak le, nem szakmai minősítést vagy garantált következtetéseket.
Gyakorlati kimenet és korlátok
Válassz ellenőrizhető választ: kiszámított értéket mértékegységgel, szabály-összehasonlítást szakaszhivatkozásokkal vagy rövid következtetést az alátámasztó tények láncával. Ha a dokumentumból hiányzik egy szükséges dátum vagy definíció, kérd a modellt a hiányzó bizonyíték megnevezésére annak kitalálása helyett. A kiadási anyagok a dokumentumokkal kapcsolatos kérdésmegválaszolásra összpontosítanak, és nem rögzítenek külön eszközhívási szerződést vagy külön szigorú kimeneti plafont. A válaszokat forrásokra alapozott tervezetként kezeld, és a számításokat, hivatkozásokat és értelmezéseket ellenőrizd a megadott dokumentumok alapján.
", "aboutText": "Bevezetés: következtetés hosszú dokumentumok alapján\n\nA QwenLong-L1-32B a Tongyi Lab hosszú kontextusú szöveges következtető modellje. Célja olyan kérdések megválaszolása, amelyek bizonyítékai egy dokumentum különböző részein vagy több dokumentumban találhatók, nem pusztán egy közeli szövegrészlet megismétlése. A DeepSeek-R1-Distill-Qwen-32B modellre épül, és dokumentumokra alapozott következtetésre továbbtanították. Adj meg szöveget és kérdést; a modell szöveges következtetési sort és választ generál. A szkennelt oldalakhoz, hanghoz és videóhoz megfelelő külön átalakítási lépés szükséges e szöveges munkafolyamat előtt.\n\nA hosszú kontextusú tanítás működése\n\nA QwenLong-L1 keretrendszer először felügyelt finomhangolással melegít be egy következtetési stratégiát, majd megerősítéses tanulási tanmenettel növeli a kontextushosszt. A nehézséget figyelembe vevő visszatekintő mintavételezés a tanítás előrehaladtával módosítja, mely példákhoz tér vissza. A készítő szabályalapú és modellalapú bináris eredményjutalmakat kombinál, csoportrelatív stratégiaoptimalizálással ösztönözve a hosszú bizonyítékanyaghoz hű válaszokat. Ez az ellenőrzőpont tanítási megközelítését írja le; nem jelenti, hogy egy egyedi választ automatikusan külső értékelő ellenőriz.\n\nA kiadott változat\n\nEz az eredeti QwenLong-L1-32B kiadás. A külön elnevezett QwenLong-L1-32B-AWQ INT4-kvantált kiadás, és saját azonosságát kell megőriznie. E modell közzétett konfigurációja Qwen2 kauzális nyelvimodell-architektúrát használ 64 réteggel és bfloat16 súlyokkal. A kiválasztásnál fontosabb a modell dokumentumokra szakosodása, mint a 32B nevet annak bizonyítékaként kezelni, hogy minden általános célú feladat javulni fog.\n\nDokumentumra vonatkozó kérdés előkészítése\n\nA készítő példája kifejezett szöveges elválasztókkal különíti el a dokumentumot a kérdéstől, és a végső választ jelölő, felismerhető kifejezést kér a következtetés után. Kövesd ezt a szerkezetet: add meg a releváns dokumentumtörzset, tartsd olvashatóan a címsorokat és táblázatokat, és tegyél fel egy konkrét kérdést. Jelentésben végzett számításnál őrizd meg a mértékegységeket, a beszámolási időszakokat és a táblázatjelöléseket, majd kérd a képletet, a felhasznált értékeket és a végső eredményt. Szabályzatok összehasonlításánál jelöld a dokumentumokat A és B betűvel, és kérj táblázatot az egyező szabályokról, eltérésekről és az egyes sorokat alátámasztó szakaszról. Ezek a dokumentált számszerű és dokumentumok közötti képességek megfogalmazott alkalmazásai.\n\nA példa külön elemzi a következtetési és végsőválasz-szöveget. 10 000 tokenes generálási keretet, temperature 0.7 és top_p 0.95 értéket használ; ezek példabeállítások, nem megadott maximális kimeneti hosszak. Az ismertető egy opcionális, azonosságot beállító rendszerüzenetet is bemutat. Őrizd meg e modell saját promptútmutatását, ahelyett hogy pusztán a modell elődei között való szereplése miatt másik ellenőrzőpont ajánlásait vennéd át.\n\nHosszú dokumentumok feldolgozása\n\nA Tongyi Lab YaRN használatával legfeljebb 131 072 tokenes kontextushosszakat validál, és skálázást ajánl, ha a bemenet és kimenet együttesen jelentősen meghaladja a 32 768 tokent. Példái négyszeres szorzót írnak le, vagy kisebb, például kétszeres szorzót 65 536 tokenes munkaterheléshez. A statikus skálázás ronthatja a rövidebb szövegeken elért teljesítményt, ezért az ismertető nem javasolja az engedélyezését, ha a szokásos kérések 32 768 tokenen belül maradnak. A közzétett konfiguráció 131 072 pozíciót sorol fel, de nincs engedélyezett rope_scaling mező; ezért a konfigurációt és a készítő feltételes hosszúkontextus-eljárását együtt kell ellenőrizni.\n\nA hosszú bemenet mellett is kell hely a következtetésnek és a válasznak. Kezdd a kérdéshez szükséges szövegrészletekkel, távolítsd el az ismétlődő fejléceket és navigációs szöveget, és tartsd meg az oldal- vagy szakaszazonosítókat. Kérj bizonyítékhivatkozásokat az eredményben, hogy az ellenőrző olvasó vissza tudja követni a következtetést a megadott anyaghoz. A nagy kontextuskeret segít több bizonyítékot egy kérésbe helyezni; nem jelent minden részletre kiterjedő tökéletes emlékezetet.\n\nMit fed le a dokumentumos tanítás\n\nA DocQA-RL-1.6K 1 600 tanítási problémát tartalmaz három következtetési területen: 600 számszerű kérdést hosszú szakterületi dokumentumokból, például pénzügyi jelentésekből; 600 logikai feleletválasztós kérdést jogi, pénzügyi, biztosítási és termelési dokumentumokról; valamint 400 többlépéses példát, amelyek források közötti bizonyítékokat kapcsolnak össze. Ez a modellt releváns jelöltté teszi jelentésszámításokhoz, szabályértelmezéshez és több alátámasztó szövegrészletet igénylő kérdésekhez. A tanítási területek ezekben a feladatokban szerzett tapasztalatot írnak le, nem szakmai minősítést vagy garantált következtetéseket.\n\nGyakorlati kimenet és korlátok\n\nVálassz ellenőrizhető választ: kiszámított értéket mértékegységgel, szabály-összehasonlítást szakaszhivatkozásokkal vagy rövid következtetést az alátámasztó tények láncával. Ha a dokumentumból hiányzik egy szükséges dátum vagy definíció, kérd a modellt a hiányzó bizonyíték megnevezésére annak kitalálása helyett. A kiadási anyagok a dokumentumokkal kapcsolatos kérdésmegválaszolásra összpontosítanak, és nem rögzítenek külön eszközhívási szerződést vagy külön szigorú kimeneti plafont. A válaszokat forrásokra alapozott tervezetként kezeld, és a számításokat, hivatkozásokat és értelmezéseket ellenőrizd a megadott dokumentumok alapján.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
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-L1-32BA QwenLong-L1-32B a Tongyi Lab szöveges következtető modellje hosszú dokumentumokra alapozott kérdésekhez. A DeepSeek-R1-Distill-Qwen-32B kiindulópontot dokumentumközpontú megerősítéses tanulással kapcsolja össze számszerű, logikai és dokumentumok közötti következtetéshez.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: következtetés hosszú dokumentumok alapján
A QwenLong-L1-32B a Tongyi Lab hosszú kontextusú szöveges következtető modellje. Célja olyan kérdések megválaszolása, amelyek bizonyítékai egy dokumentum különböző részein vagy több dokumentumban találhatók, nem pusztán egy közeli szövegrészlet megismétlése. A DeepSeek-R1-Distill-Qwen-32B modellre épül, és dokumentumokra alapozott következtetésre továbbtanították. Adj meg szöveget és kérdést; a modell szöveges következtetési sort és választ generál. A szkennelt oldalakhoz, hanghoz és videóhoz megfelelő külön átalakítási lépés szükséges e szöveges munkafolyamat előtt.
A hosszú kontextusú tanítás működése
A QwenLong-L1 keretrendszer először felügyelt finomhangolással melegít be egy következtetési stratégiát, majd megerősítéses tanulási tanmenettel növeli a kontextushosszt. A nehézséget figyelembe vevő visszatekintő mintavételezés a tanítás előrehaladtával módosítja, mely példákhoz tér vissza. A készítő szabályalapú és modellalapú bináris eredményjutalmakat kombinál, csoportrelatív stratégiaoptimalizálással ösztönözve a hosszú bizonyítékanyaghoz hű válaszokat. Ez az ellenőrzőpont tanítási megközelítését írja le; nem jelenti, hogy egy egyedi választ automatikusan külső értékelő ellenőriz.
A kiadott változat
Ez az eredeti QwenLong-L1-32B kiadás. A külön elnevezett QwenLong-L1-32B-AWQ INT4-kvantált kiadás, és saját azonosságát kell megőriznie. E modell közzétett konfigurációja Qwen2 kauzális nyelvimodell-architektúrát használ 64 réteggel és bfloat16 súlyokkal. A kiválasztásnál fontosabb a modell dokumentumokra szakosodása, mint a 32B nevet annak bizonyítékaként kezelni, hogy minden általános célú feladat javulni fog.
Dokumentumra vonatkozó kérdés előkészítése
A készítő példája kifejezett szöveges elválasztókkal különíti el a dokumentumot a kérdéstől, és a végső választ jelölő, felismerhető kifejezést kér a következtetés után. Kövesd ezt a szerkezetet: add meg a releváns dokumentumtörzset, tartsd olvashatóan a címsorokat és táblázatokat, és tegyél fel egy konkrét kérdést. Jelentésben végzett számításnál őrizd meg a mértékegységeket, a beszámolási időszakokat és a táblázatjelöléseket, majd kérd a képletet, a felhasznált értékeket és a végső eredményt. Szabályzatok összehasonlításánál jelöld a dokumentumokat A és B betűvel, és kérj táblázatot az egyező szabályokról, eltérésekről és az egyes sorokat alátámasztó szakaszról. Ezek a dokumentált számszerű és dokumentumok közötti képességek megfogalmazott alkalmazásai.
A példa külön elemzi a következtetési és végsőválasz-szöveget. 10 000 tokenes generálási keretet, temperature 0.7 és top_p 0.95 értéket használ; ezek példabeállítások, nem megadott maximális kimeneti hosszak. Az ismertető egy opcionális, azonosságot beállító rendszerüzenetet is bemutat. Őrizd meg e modell saját promptútmutatását, ahelyett hogy pusztán a modell elődei között való szereplése miatt másik ellenőrzőpont ajánlásait vennéd át.
Hosszú dokumentumok feldolgozása
A Tongyi Lab YaRN használatával legfeljebb 131 072 tokenes kontextushosszakat validál, és skálázást ajánl, ha a bemenet és kimenet együttesen jelentősen meghaladja a 32 768 tokent. Példái négyszeres szorzót írnak le, vagy kisebb, például kétszeres szorzót 65 536 tokenes munkaterheléshez. A statikus skálázás ronthatja a rövidebb szövegeken elért teljesítményt, ezért az ismertető nem javasolja az engedélyezését, ha a szokásos kérések 32 768 tokenen belül maradnak. A közzétett konfiguráció 131 072 pozíciót sorol fel, de nincs engedélyezett rope_scaling mező; ezért a konfigurációt és a készítő feltételes hosszúkontextus-eljárását együtt kell ellenőrizni.
A hosszú bemenet mellett is kell hely a következtetésnek és a válasznak. Kezdd a kérdéshez szükséges szövegrészletekkel, távolítsd el az ismétlődő fejléceket és navigációs szöveget, és tartsd meg az oldal- vagy szakaszazonosítókat. Kérj bizonyítékhivatkozásokat az eredményben, hogy az ellenőrző olvasó vissza tudja követni a következtetést a megadott anyaghoz. A nagy kontextuskeret segít több bizonyítékot egy kérésbe helyezni; nem jelent minden részletre kiterjedő tökéletes emlékezetet.
Mit fed le a dokumentumos tanítás
A DocQA-RL-1.6K 1 600 tanítási problémát tartalmaz három következtetési területen: 600 számszerű kérdést hosszú szakterületi dokumentumokból, például pénzügyi jelentésekből; 600 logikai feleletválasztós kérdést jogi, pénzügyi, biztosítási és termelési dokumentumokról; valamint 400 többlépéses példát, amelyek források közötti bizonyítékokat kapcsolnak össze. Ez a modellt releváns jelöltté teszi jelentésszámításokhoz, szabályértelmezéshez és több alátámasztó szövegrészletet igénylő kérdésekhez. A tanítási területek ezekben a feladatokban szerzett tapasztalatot írnak le, nem szakmai minősítést vagy garantált következtetéseket.
Gyakorlati kimenet és korlátok
Válassz ellenőrizhető választ: kiszámított értéket mértékegységgel, szabály-összehasonlítást szakaszhivatkozásokkal vagy rövid következtetést az alátámasztó tények láncával. Ha a dokumentumból hiányzik egy szükséges dátum vagy definíció, kérd a modellt a hiányzó bizonyíték megnevezésére annak kitalálása helyett. A kiadási anyagok a dokumentumokkal kapcsolatos kérdésmegválaszolásra összpontosítanak, és nem rögzítenek külön eszközhívási szerződést vagy külön szigorú kimeneti plafont. A válaszokat forrásokra alapozott tervezetként kezeld, és a számításokat, hivatkozásokat és értelmezéseket ellenőrizd a megadott dokumentumok alapján.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Tongyi-Zhiwen/QwenLong-L1-32B | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00028 / 1K token Kimenet · Kimeneti tokenek $0.0012 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Használja a fent látható metódusútvonalakat.
Tongyi-Zhiwen/QwenLong-L1-32BA QwenLong-L1-32B a Tongyi Lab szöveges következtető modellje hosszú dokumentumokra alapozott kérdésekhez. A DeepSeek-R1-Distill-Qwen-32B kiindulópontot dokumentumközpontú megerősítéses tanulással kapcsolja össze számszerű, logikai és dokumentumok közötti következtetéshez.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: következtetés hosszú dokumentumok alapján
A QwenLong-L1-32B a Tongyi Lab hosszú kontextusú szöveges következtető modellje. Célja olyan kérdések megválaszolása, amelyek bizonyítékai egy dokumentum különböző részein vagy több dokumentumban találhatók, nem pusztán egy közeli szövegrészlet megismétlése. A DeepSeek-R1-Distill-Qwen-32B modellre épül, és dokumentumokra alapozott következtetésre továbbtanították. Adj meg szöveget és kérdést; a modell szöveges következtetési sort és választ generál. A szkennelt oldalakhoz, hanghoz és videóhoz megfelelő külön átalakítási lépés szükséges e szöveges munkafolyamat előtt.
A hosszú kontextusú tanítás működése
A QwenLong-L1 keretrendszer először felügyelt finomhangolással melegít be egy következtetési stratégiát, majd megerősítéses tanulási tanmenettel növeli a kontextushosszt. A nehézséget figyelembe vevő visszatekintő mintavételezés a tanítás előrehaladtával módosítja, mely példákhoz tér vissza. A készítő szabályalapú és modellalapú bináris eredményjutalmakat kombinál, csoportrelatív stratégiaoptimalizálással ösztönözve a hosszú bizonyítékanyaghoz hű válaszokat. Ez az ellenőrzőpont tanítási megközelítését írja le; nem jelenti, hogy egy egyedi választ automatikusan külső értékelő ellenőriz.
A kiadott változat
Ez az eredeti QwenLong-L1-32B kiadás. A külön elnevezett QwenLong-L1-32B-AWQ INT4-kvantált kiadás, és saját azonosságát kell megőriznie. E modell közzétett konfigurációja Qwen2 kauzális nyelvimodell-architektúrát használ 64 réteggel és bfloat16 súlyokkal. A kiválasztásnál fontosabb a modell dokumentumokra szakosodása, mint a 32B nevet annak bizonyítékaként kezelni, hogy minden általános célú feladat javulni fog.
Dokumentumra vonatkozó kérdés előkészítése
A készítő példája kifejezett szöveges elválasztókkal különíti el a dokumentumot a kérdéstől, és a végső választ jelölő, felismerhető kifejezést kér a következtetés után. Kövesd ezt a szerkezetet: add meg a releváns dokumentumtörzset, tartsd olvashatóan a címsorokat és táblázatokat, és tegyél fel egy konkrét kérdést. Jelentésben végzett számításnál őrizd meg a mértékegységeket, a beszámolási időszakokat és a táblázatjelöléseket, majd kérd a képletet, a felhasznált értékeket és a végső eredményt. Szabályzatok összehasonlításánál jelöld a dokumentumokat A és B betűvel, és kérj táblázatot az egyező szabályokról, eltérésekről és az egyes sorokat alátámasztó szakaszról. Ezek a dokumentált számszerű és dokumentumok közötti képességek megfogalmazott alkalmazásai.
A példa külön elemzi a következtetési és végsőválasz-szöveget. 10 000 tokenes generálási keretet, temperature 0.7 és top_p 0.95 értéket használ; ezek példabeállítások, nem megadott maximális kimeneti hosszak. Az ismertető egy opcionális, azonosságot beállító rendszerüzenetet is bemutat. Őrizd meg e modell saját promptútmutatását, ahelyett hogy pusztán a modell elődei között való szereplése miatt másik ellenőrzőpont ajánlásait vennéd át.
Hosszú dokumentumok feldolgozása
A Tongyi Lab YaRN használatával legfeljebb 131 072 tokenes kontextushosszakat validál, és skálázást ajánl, ha a bemenet és kimenet együttesen jelentősen meghaladja a 32 768 tokent. Példái négyszeres szorzót írnak le, vagy kisebb, például kétszeres szorzót 65 536 tokenes munkaterheléshez. A statikus skálázás ronthatja a rövidebb szövegeken elért teljesítményt, ezért az ismertető nem javasolja az engedélyezését, ha a szokásos kérések 32 768 tokenen belül maradnak. A közzétett konfiguráció 131 072 pozíciót sorol fel, de nincs engedélyezett rope_scaling mező; ezért a konfigurációt és a készítő feltételes hosszúkontextus-eljárását együtt kell ellenőrizni.
A hosszú bemenet mellett is kell hely a következtetésnek és a válasznak. Kezdd a kérdéshez szükséges szövegrészletekkel, távolítsd el az ismétlődő fejléceket és navigációs szöveget, és tartsd meg az oldal- vagy szakaszazonosítókat. Kérj bizonyítékhivatkozásokat az eredményben, hogy az ellenőrző olvasó vissza tudja követni a következtetést a megadott anyaghoz. A nagy kontextuskeret segít több bizonyítékot egy kérésbe helyezni; nem jelent minden részletre kiterjedő tökéletes emlékezetet.
Mit fed le a dokumentumos tanítás
A DocQA-RL-1.6K 1 600 tanítási problémát tartalmaz három következtetési területen: 600 számszerű kérdést hosszú szakterületi dokumentumokból, például pénzügyi jelentésekből; 600 logikai feleletválasztós kérdést jogi, pénzügyi, biztosítási és termelési dokumentumokról; valamint 400 többlépéses példát, amelyek források közötti bizonyítékokat kapcsolnak össze. Ez a modellt releváns jelöltté teszi jelentésszámításokhoz, szabályértelmezéshez és több alátámasztó szövegrészletet igénylő kérdésekhez. A tanítási területek ezekben a feladatokban szerzett tapasztalatot írnak le, nem szakmai minősítést vagy garantált következtetéseket.
Gyakorlati kimenet és korlátok
Válassz ellenőrizhető választ: kiszámított értéket mértékegységgel, szabály-összehasonlítást szakaszhivatkozásokkal vagy rövid következtetést az alátámasztó tények láncával. Ha a dokumentumból hiányzik egy szükséges dátum vagy definíció, kérd a modellt a hiányzó bizonyíték megnevezésére annak kitalálása helyett. A kiadási anyagok a dokumentumokkal kapcsolatos kérdésmegválaszolásra összpontosítanak, és nem rögzítenek külön eszközhívási szerződést vagy külön szigorú kimeneti plafont. A válaszokat forrásokra alapozott tervezetként kezeld, és a számításokat, hivatkozásokat és értelmezéseket ellenőrizd a megadott dokumentumok alapján.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Tongyi-Zhiwen/QwenLong-L1-32B | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00028 / 1K token Kimenet · Kimeneti tokenek $0.0012 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
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.