Pengantar: penalaran atas dokumen panjang
QwenLong-L1-32B adalah model penalaran teks konteks panjang Tongyi Lab. Tujuannya adalah menjawab pertanyaan yang buktinya tersebar di dalam satu dokumen atau lintas beberapa dokumen, bukan sekadar mengulang bagian teks yang berdekatan. Model ini dibangun dari DeepSeek-R1-Distill-Qwen-32B dan dilatih lebih lanjut untuk penalaran berlandaskan dokumen. Berikan teks dan pertanyaan; model menghasilkan rangkaian penalaran teks serta jawaban. Halaman hasil pindai, audio, dan video memerlukan langkah konversi terpisah yang sesuai sebelum alur kerja teks ini.
Cara kerja pelatihan konteks panjang
Kerangka QwenLong-L1 terlebih dahulu melakukan pemanasan kebijakan penalaran dengan supervised fine-tuning, lalu meningkatkan panjang konteks melalui kurikulum pembelajaran penguatan. Sampling retrospektif yang mempertimbangkan tingkat kesulitan menyesuaikan contoh mana yang ditinjau ulang seiring pelatihan berlangsung. Pembuatnya menggabungkan reward hasil biner berbasis aturan dan berbasis model, dengan menggunakan group-relative policy optimization untuk mendorong jawaban yang tetap berlandaskan bukti panjang. Ini menjelaskan pendekatan pelatihan checkpoint; bukan berarti setiap jawaban secara otomatis diverifikasi oleh penilai eksternal.
Edisi yang dirilis
Ini adalah rilis QwenLong-L1-32B asli. QwenLong-L1-32B-AWQ yang dinamai secara terpisah merupakan edisi terkuantisasi INT4 dan perlu mempertahankan identitasnya sendiri. Konfigurasi yang dipublikasikan untuk model ini menggunakan arsitektur Qwen2 causal language model dengan 64 lapisan dan bobot bfloat16. Spesialisasi dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahwa setiap tugas serbaguna akan membaik.
Menyiapkan pertanyaan dokumen
Contoh pembuat memisahkan dokumen dari pertanyaan dengan delimiter teks eksplisit dan meminta frasa jawaban akhir yang dapat dikenali setelah penalaran. Ikuti struktur tersebut: berikan isi dokumen yang relevan, pertahankan judul dan tabel agar terbaca jelas, dan ajukan satu pertanyaan konkret. Untuk perhitungan laporan, pertahankan satuan, periode pelaporan, dan label tabel, lalu mintalah rumus, nilai yang digunakan, dan hasil akhir. Untuk perbandingan kebijakan, beri label dokumen A dan B serta mintalah tabel aturan yang sesuai, perbedaan, dan bagian pendukung untuk setiap baris. Ini adalah contoh penerapan yang disusun berdasarkan kemampuan numerik dan lintas dokumen yang didokumentasikan.
Contoh tersebut mengurai teks penalaran dan jawaban akhir secara terpisah. Contoh menggunakan anggaran generasi 10.000 token, temperature 0.7, dan top_p 0.95; itu adalah pengaturan contoh, bukan panjang keluaran maksimum yang dinyatakan. Kartu juga menunjukkan pesan system opsional untuk menetapkan identitas. Pertahankan panduan prompt model ini sendiri, alih-alih mengimpor rekomendasi checkpoint berbeda hanya karena tercantum dalam asal-usul model.
Memproses dokumen panjang
Tongyi Lab memvalidasi panjang konteks hingga 131.072 token menggunakan YaRN dan merekomendasikan penskalaan ketika gabungan masukan dan keluaran jauh melebihi 32.768 token. Contohnya menjelaskan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65.536 token. Penskalaan statis dapat menurunkan kinerja pada teks yang lebih pendek, sehingga kartu menyarankan agar tidak mengaktifkannya ketika permintaan biasa tetap dalam 32.768 token. Konfigurasi yang dipublikasikan mencantumkan 131.072 posisi tetapi tanpa kolom rope_scaling yang diaktifkan; karena itu, konfigurasi dan prosedur konteks panjang bersyarat dari pembuat perlu diperiksa bersama.
Masukan panjang tetap memerlukan ruang bagi penalaran dan jawaban. Mulailah dengan bagian teks yang diperlukan untuk pertanyaan, hapus header berulang dan teks navigasi, serta pertahankan pengidentifikasi halaman atau bagian. Mintalah referensi bukti dalam hasil agar peninjau dapat menelusuri kesimpulan kembali ke materi yang diberikan. Alokasi konteks besar membantu memasukkan lebih banyak bukti dalam satu permintaan; alokasi tersebut tidak membuktikan ingatan sempurna atas setiap detail.
Cakupan pelatihan dokumen
DocQA-RL-1.6K memuat 1.600 soal pelatihan dalam tiga bidang penalaran: 600 pertanyaan numerik dari dokumen khusus yang panjang seperti laporan keuangan; 600 pertanyaan pilihan ganda logis tentang dokumen hukum, keuangan, asuransi, dan produksi; serta 400 contoh multi-hop yang menghubungkan bukti lintas sumber. Ini membuat model menjadi kandidat yang relevan untuk aritmetika laporan, penafsiran aturan, dan pertanyaan yang memerlukan beberapa bagian teks pendukung. Bidang pelatihan menjelaskan pengalaman dengan tugas tersebut, bukan sertifikasi profesional atau kesimpulan yang dijamin.
Keluaran praktis dan batasan
Pilih jawaban yang dapat diperiksa: nilai hasil perhitungan dengan satuan, perbandingan aturan dengan referensi bagian, atau kesimpulan singkat dengan rangkaian fakta pendukung. Jika dokumen tidak memuat tanggal atau definisi yang diperlukan, mintalah model mengidentifikasi bukti yang belum tersedia, alih-alih mengarangnya. Materi rilis berfokus pada tanya jawab dokumen dan tidak menetapkan ketentuan khusus pemanggilan alat atau batas keras keluaran yang terpisah. Perlakukan jawaban sebagai draf berlandaskan sumber dan verifikasi perhitungan, referensi, serta penafsiran terhadap dokumen yang diberikan.
", "aboutText": "Pengantar: penalaran atas dokumen panjang\n\nQwenLong-L1-32B adalah model penalaran teks konteks panjang Tongyi Lab. Tujuannya adalah menjawab pertanyaan yang buktinya tersebar di dalam satu dokumen atau lintas beberapa dokumen, bukan sekadar mengulang bagian teks yang berdekatan. Model ini dibangun dari DeepSeek-R1-Distill-Qwen-32B dan dilatih lebih lanjut untuk penalaran berlandaskan dokumen. Berikan teks dan pertanyaan; model menghasilkan rangkaian penalaran teks serta jawaban. Halaman hasil pindai, audio, dan video memerlukan langkah konversi terpisah yang sesuai sebelum alur kerja teks ini.\n\nCara kerja pelatihan konteks panjang\n\nKerangka QwenLong-L1 terlebih dahulu melakukan pemanasan kebijakan penalaran dengan supervised fine-tuning, lalu meningkatkan panjang konteks melalui kurikulum pembelajaran penguatan. Sampling retrospektif yang mempertimbangkan tingkat kesulitan menyesuaikan contoh mana yang ditinjau ulang seiring pelatihan berlangsung. Pembuatnya menggabungkan reward hasil biner berbasis aturan dan berbasis model, dengan menggunakan group-relative policy optimization untuk mendorong jawaban yang tetap berlandaskan bukti panjang. Ini menjelaskan pendekatan pelatihan checkpoint; bukan berarti setiap jawaban secara otomatis diverifikasi oleh penilai eksternal.\n\nEdisi yang dirilis\n\nIni adalah rilis QwenLong-L1-32B asli. QwenLong-L1-32B-AWQ yang dinamai secara terpisah merupakan edisi terkuantisasi INT4 dan perlu mempertahankan identitasnya sendiri. Konfigurasi yang dipublikasikan untuk model ini menggunakan arsitektur Qwen2 causal language model dengan 64 lapisan dan bobot bfloat16. Spesialisasi dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahwa setiap tugas serbaguna akan membaik.\n\nMenyiapkan pertanyaan dokumen\n\nContoh pembuat memisahkan dokumen dari pertanyaan dengan delimiter teks eksplisit dan meminta frasa jawaban akhir yang dapat dikenali setelah penalaran. Ikuti struktur tersebut: berikan isi dokumen yang relevan, pertahankan judul dan tabel agar terbaca jelas, dan ajukan satu pertanyaan konkret. Untuk perhitungan laporan, pertahankan satuan, periode pelaporan, dan label tabel, lalu mintalah rumus, nilai yang digunakan, dan hasil akhir. Untuk perbandingan kebijakan, beri label dokumen A dan B serta mintalah tabel aturan yang sesuai, perbedaan, dan bagian pendukung untuk setiap baris. Ini adalah contoh penerapan yang disusun berdasarkan kemampuan numerik dan lintas dokumen yang didokumentasikan.\n\nContoh tersebut mengurai teks penalaran dan jawaban akhir secara terpisah. Contoh menggunakan anggaran generasi 10.000 token, temperature 0.7, dan top_p 0.95; itu adalah pengaturan contoh, bukan panjang keluaran maksimum yang dinyatakan. Kartu juga menunjukkan pesan system opsional untuk menetapkan identitas. Pertahankan panduan prompt model ini sendiri, alih-alih mengimpor rekomendasi checkpoint berbeda hanya karena tercantum dalam asal-usul model.\n\nMemproses dokumen panjang\n\nTongyi Lab memvalidasi panjang konteks hingga 131.072 token menggunakan YaRN dan merekomendasikan penskalaan ketika gabungan masukan dan keluaran jauh melebihi 32.768 token. Contohnya menjelaskan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65.536 token. Penskalaan statis dapat menurunkan kinerja pada teks yang lebih pendek, sehingga kartu menyarankan agar tidak mengaktifkannya ketika permintaan biasa tetap dalam 32.768 token. Konfigurasi yang dipublikasikan mencantumkan 131.072 posisi tetapi tanpa kolom rope_scaling yang diaktifkan; karena itu, konfigurasi dan prosedur konteks panjang bersyarat dari pembuat perlu diperiksa bersama.\n\nMasukan panjang tetap memerlukan ruang bagi penalaran dan jawaban. Mulailah dengan bagian teks yang diperlukan untuk pertanyaan, hapus header berulang dan teks navigasi, serta pertahankan pengidentifikasi halaman atau bagian. Mintalah referensi bukti dalam hasil agar peninjau dapat menelusuri kesimpulan kembali ke materi yang diberikan. Alokasi konteks besar membantu memasukkan lebih banyak bukti dalam satu permintaan; alokasi tersebut tidak membuktikan ingatan sempurna atas setiap detail.\n\nCakupan pelatihan dokumen\n\nDocQA-RL-1.6K memuat 1.600 soal pelatihan dalam tiga bidang penalaran: 600 pertanyaan numerik dari dokumen khusus yang panjang seperti laporan keuangan; 600 pertanyaan pilihan ganda logis tentang dokumen hukum, keuangan, asuransi, dan produksi; serta 400 contoh multi-hop yang menghubungkan bukti lintas sumber. Ini membuat model menjadi kandidat yang relevan untuk aritmetika laporan, penafsiran aturan, dan pertanyaan yang memerlukan beberapa bagian teks pendukung. Bidang pelatihan menjelaskan pengalaman dengan tugas tersebut, bukan sertifikasi profesional atau kesimpulan yang dijamin.\n\nKeluaran praktis dan batasan\n\nPilih jawaban yang dapat diperiksa: nilai hasil perhitungan dengan satuan, perbandingan aturan dengan referensi bagian, atau kesimpulan singkat dengan rangkaian fakta pendukung. Jika dokumen tidak memuat tanggal atau definisi yang diperlukan, mintalah model mengidentifikasi bukti yang belum tersedia, alih-alih mengarangnya. Materi rilis berfokus pada tanya jawab dokumen dan tidak menetapkan ketentuan khusus pemanggilan alat atau batas keras keluaran yang terpisah. Perlakukan jawaban sebagai draf berlandaskan sumber dan verifikasi perhitungan, referensi, serta penafsiran terhadap dokumen yang diberikan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model penalaran teks Tongyi Lab untuk pertanyaan yang berlandaskan dokumen panjang. Model ini menggabungkan titik awal DeepSeek-R1-Distill-Qwen-32B dengan pembelajaran penguatan berfokus dokumen untuk penalaran numerik, logis, dan lintas dokumen.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Pengantar: penalaran atas dokumen panjang
QwenLong-L1-32B adalah model penalaran teks konteks panjang Tongyi Lab. Tujuannya adalah menjawab pertanyaan yang buktinya tersebar di dalam satu dokumen atau lintas beberapa dokumen, bukan sekadar mengulang bagian teks yang berdekatan. Model ini dibangun dari DeepSeek-R1-Distill-Qwen-32B dan dilatih lebih lanjut untuk penalaran berlandaskan dokumen. Berikan teks dan pertanyaan; model menghasilkan rangkaian penalaran teks serta jawaban. Halaman hasil pindai, audio, dan video memerlukan langkah konversi terpisah yang sesuai sebelum alur kerja teks ini.
Cara kerja pelatihan konteks panjang
Kerangka QwenLong-L1 terlebih dahulu melakukan pemanasan kebijakan penalaran dengan supervised fine-tuning, lalu meningkatkan panjang konteks melalui kurikulum pembelajaran penguatan. Sampling retrospektif yang mempertimbangkan tingkat kesulitan menyesuaikan contoh mana yang ditinjau ulang seiring pelatihan berlangsung. Pembuatnya menggabungkan reward hasil biner berbasis aturan dan berbasis model, dengan menggunakan group-relative policy optimization untuk mendorong jawaban yang tetap berlandaskan bukti panjang. Ini menjelaskan pendekatan pelatihan checkpoint; bukan berarti setiap jawaban secara otomatis diverifikasi oleh penilai eksternal.
Edisi yang dirilis
Ini adalah rilis QwenLong-L1-32B asli. QwenLong-L1-32B-AWQ yang dinamai secara terpisah merupakan edisi terkuantisasi INT4 dan perlu mempertahankan identitasnya sendiri. Konfigurasi yang dipublikasikan untuk model ini menggunakan arsitektur Qwen2 causal language model dengan 64 lapisan dan bobot bfloat16. Spesialisasi dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahwa setiap tugas serbaguna akan membaik.
Menyiapkan pertanyaan dokumen
Contoh pembuat memisahkan dokumen dari pertanyaan dengan delimiter teks eksplisit dan meminta frasa jawaban akhir yang dapat dikenali setelah penalaran. Ikuti struktur tersebut: berikan isi dokumen yang relevan, pertahankan judul dan tabel agar terbaca jelas, dan ajukan satu pertanyaan konkret. Untuk perhitungan laporan, pertahankan satuan, periode pelaporan, dan label tabel, lalu mintalah rumus, nilai yang digunakan, dan hasil akhir. Untuk perbandingan kebijakan, beri label dokumen A dan B serta mintalah tabel aturan yang sesuai, perbedaan, dan bagian pendukung untuk setiap baris. Ini adalah contoh penerapan yang disusun berdasarkan kemampuan numerik dan lintas dokumen yang didokumentasikan.
Contoh tersebut mengurai teks penalaran dan jawaban akhir secara terpisah. Contoh menggunakan anggaran generasi 10.000 token, temperature 0.7, dan top_p 0.95; itu adalah pengaturan contoh, bukan panjang keluaran maksimum yang dinyatakan. Kartu juga menunjukkan pesan system opsional untuk menetapkan identitas. Pertahankan panduan prompt model ini sendiri, alih-alih mengimpor rekomendasi checkpoint berbeda hanya karena tercantum dalam asal-usul model.
Memproses dokumen panjang
Tongyi Lab memvalidasi panjang konteks hingga 131.072 token menggunakan YaRN dan merekomendasikan penskalaan ketika gabungan masukan dan keluaran jauh melebihi 32.768 token. Contohnya menjelaskan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65.536 token. Penskalaan statis dapat menurunkan kinerja pada teks yang lebih pendek, sehingga kartu menyarankan agar tidak mengaktifkannya ketika permintaan biasa tetap dalam 32.768 token. Konfigurasi yang dipublikasikan mencantumkan 131.072 posisi tetapi tanpa kolom rope_scaling yang diaktifkan; karena itu, konfigurasi dan prosedur konteks panjang bersyarat dari pembuat perlu diperiksa bersama.
Masukan panjang tetap memerlukan ruang bagi penalaran dan jawaban. Mulailah dengan bagian teks yang diperlukan untuk pertanyaan, hapus header berulang dan teks navigasi, serta pertahankan pengidentifikasi halaman atau bagian. Mintalah referensi bukti dalam hasil agar peninjau dapat menelusuri kesimpulan kembali ke materi yang diberikan. Alokasi konteks besar membantu memasukkan lebih banyak bukti dalam satu permintaan; alokasi tersebut tidak membuktikan ingatan sempurna atas setiap detail.
Cakupan pelatihan dokumen
DocQA-RL-1.6K memuat 1.600 soal pelatihan dalam tiga bidang penalaran: 600 pertanyaan numerik dari dokumen khusus yang panjang seperti laporan keuangan; 600 pertanyaan pilihan ganda logis tentang dokumen hukum, keuangan, asuransi, dan produksi; serta 400 contoh multi-hop yang menghubungkan bukti lintas sumber. Ini membuat model menjadi kandidat yang relevan untuk aritmetika laporan, penafsiran aturan, dan pertanyaan yang memerlukan beberapa bagian teks pendukung. Bidang pelatihan menjelaskan pengalaman dengan tugas tersebut, bukan sertifikasi profesional atau kesimpulan yang dijamin.
Keluaran praktis dan batasan
Pilih jawaban yang dapat diperiksa: nilai hasil perhitungan dengan satuan, perbandingan aturan dengan referensi bagian, atau kesimpulan singkat dengan rangkaian fakta pendukung. Jika dokumen tidak memuat tanggal atau definisi yang diperlukan, mintalah model mengidentifikasi bukti yang belum tersedia, alih-alih mengarangnya. Materi rilis berfokus pada tanya jawab dokumen dan tidak menetapkan ketentuan khusus pemanggilan alat atau batas keras keluaran yang terpisah. Perlakukan jawaban sebagai draf berlandaskan sumber dan verifikasi perhitungan, referensi, serta penafsiran terhadap dokumen yang diberikan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Tongyi-Zhiwen/QwenLong-L1-32B | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00028 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Gunakan jalur metode yang ditampilkan di atas.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B adalah model penalaran teks Tongyi Lab untuk pertanyaan yang berlandaskan dokumen panjang. Model ini menggabungkan titik awal DeepSeek-R1-Distill-Qwen-32B dengan pembelajaran penguatan berfokus dokumen untuk penalaran numerik, logis, dan lintas dokumen.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Pengantar: penalaran atas dokumen panjang
QwenLong-L1-32B adalah model penalaran teks konteks panjang Tongyi Lab. Tujuannya adalah menjawab pertanyaan yang buktinya tersebar di dalam satu dokumen atau lintas beberapa dokumen, bukan sekadar mengulang bagian teks yang berdekatan. Model ini dibangun dari DeepSeek-R1-Distill-Qwen-32B dan dilatih lebih lanjut untuk penalaran berlandaskan dokumen. Berikan teks dan pertanyaan; model menghasilkan rangkaian penalaran teks serta jawaban. Halaman hasil pindai, audio, dan video memerlukan langkah konversi terpisah yang sesuai sebelum alur kerja teks ini.
Cara kerja pelatihan konteks panjang
Kerangka QwenLong-L1 terlebih dahulu melakukan pemanasan kebijakan penalaran dengan supervised fine-tuning, lalu meningkatkan panjang konteks melalui kurikulum pembelajaran penguatan. Sampling retrospektif yang mempertimbangkan tingkat kesulitan menyesuaikan contoh mana yang ditinjau ulang seiring pelatihan berlangsung. Pembuatnya menggabungkan reward hasil biner berbasis aturan dan berbasis model, dengan menggunakan group-relative policy optimization untuk mendorong jawaban yang tetap berlandaskan bukti panjang. Ini menjelaskan pendekatan pelatihan checkpoint; bukan berarti setiap jawaban secara otomatis diverifikasi oleh penilai eksternal.
Edisi yang dirilis
Ini adalah rilis QwenLong-L1-32B asli. QwenLong-L1-32B-AWQ yang dinamai secara terpisah merupakan edisi terkuantisasi INT4 dan perlu mempertahankan identitasnya sendiri. Konfigurasi yang dipublikasikan untuk model ini menggunakan arsitektur Qwen2 causal language model dengan 64 lapisan dan bobot bfloat16. Spesialisasi dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahwa setiap tugas serbaguna akan membaik.
Menyiapkan pertanyaan dokumen
Contoh pembuat memisahkan dokumen dari pertanyaan dengan delimiter teks eksplisit dan meminta frasa jawaban akhir yang dapat dikenali setelah penalaran. Ikuti struktur tersebut: berikan isi dokumen yang relevan, pertahankan judul dan tabel agar terbaca jelas, dan ajukan satu pertanyaan konkret. Untuk perhitungan laporan, pertahankan satuan, periode pelaporan, dan label tabel, lalu mintalah rumus, nilai yang digunakan, dan hasil akhir. Untuk perbandingan kebijakan, beri label dokumen A dan B serta mintalah tabel aturan yang sesuai, perbedaan, dan bagian pendukung untuk setiap baris. Ini adalah contoh penerapan yang disusun berdasarkan kemampuan numerik dan lintas dokumen yang didokumentasikan.
Contoh tersebut mengurai teks penalaran dan jawaban akhir secara terpisah. Contoh menggunakan anggaran generasi 10.000 token, temperature 0.7, dan top_p 0.95; itu adalah pengaturan contoh, bukan panjang keluaran maksimum yang dinyatakan. Kartu juga menunjukkan pesan system opsional untuk menetapkan identitas. Pertahankan panduan prompt model ini sendiri, alih-alih mengimpor rekomendasi checkpoint berbeda hanya karena tercantum dalam asal-usul model.
Memproses dokumen panjang
Tongyi Lab memvalidasi panjang konteks hingga 131.072 token menggunakan YaRN dan merekomendasikan penskalaan ketika gabungan masukan dan keluaran jauh melebihi 32.768 token. Contohnya menjelaskan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65.536 token. Penskalaan statis dapat menurunkan kinerja pada teks yang lebih pendek, sehingga kartu menyarankan agar tidak mengaktifkannya ketika permintaan biasa tetap dalam 32.768 token. Konfigurasi yang dipublikasikan mencantumkan 131.072 posisi tetapi tanpa kolom rope_scaling yang diaktifkan; karena itu, konfigurasi dan prosedur konteks panjang bersyarat dari pembuat perlu diperiksa bersama.
Masukan panjang tetap memerlukan ruang bagi penalaran dan jawaban. Mulailah dengan bagian teks yang diperlukan untuk pertanyaan, hapus header berulang dan teks navigasi, serta pertahankan pengidentifikasi halaman atau bagian. Mintalah referensi bukti dalam hasil agar peninjau dapat menelusuri kesimpulan kembali ke materi yang diberikan. Alokasi konteks besar membantu memasukkan lebih banyak bukti dalam satu permintaan; alokasi tersebut tidak membuktikan ingatan sempurna atas setiap detail.
Cakupan pelatihan dokumen
DocQA-RL-1.6K memuat 1.600 soal pelatihan dalam tiga bidang penalaran: 600 pertanyaan numerik dari dokumen khusus yang panjang seperti laporan keuangan; 600 pertanyaan pilihan ganda logis tentang dokumen hukum, keuangan, asuransi, dan produksi; serta 400 contoh multi-hop yang menghubungkan bukti lintas sumber. Ini membuat model menjadi kandidat yang relevan untuk aritmetika laporan, penafsiran aturan, dan pertanyaan yang memerlukan beberapa bagian teks pendukung. Bidang pelatihan menjelaskan pengalaman dengan tugas tersebut, bukan sertifikasi profesional atau kesimpulan yang dijamin.
Keluaran praktis dan batasan
Pilih jawaban yang dapat diperiksa: nilai hasil perhitungan dengan satuan, perbandingan aturan dengan referensi bagian, atau kesimpulan singkat dengan rangkaian fakta pendukung. Jika dokumen tidak memuat tanggal atau definisi yang diperlukan, mintalah model mengidentifikasi bukti yang belum tersedia, alih-alih mengarangnya. Materi rilis berfokus pada tanya jawab dokumen dan tidak menetapkan ketentuan khusus pemanggilan alat atau batas keras keluaran yang terpisah. Perlakukan jawaban sebagai draf berlandaskan sumber dan verifikasi perhitungan, referensi, serta penafsiran terhadap dokumen yang diberikan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Tongyi-Zhiwen/QwenLong-L1-32B | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00028 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.