Introduzione: ragionare su documenti lunghi
QwenLong-L1-32B è il modello di ragionamento testuale a contesto lungo di Tongyi Lab. Il suo scopo è rispondere a domande le cui prove sono distribuite in un documento o tra più documenti, anziché limitarsi a ripetere un brano vicino. È costruito a partire da DeepSeek-R1-Distill-Qwen-32B e ulteriormente addestrato per il ragionamento basato su documenti. Fornisci testo e una domanda; il modello genera una sequenza testuale di ragionamento e una risposta. Pagine scansionate, audio e video richiedono un passaggio separato di conversione appropriato prima di questo flusso testuale.
Come funziona l'addestramento a contesto lungo
Il framework QwenLong-L1 prepara prima una policy di ragionamento con fine-tuning supervisionato, poi aumenta la lunghezza del contesto attraverso un curriculum di apprendimento per rinforzo. Il campionamento retrospettivo basato sulla difficoltà adatta gli esempi da riprendere man mano che l'addestramento progredisce. Il produttore combina ricompense binarie sull'esito basate su regole e su modelli, usando ottimizzazione della policy relativa al gruppo per incoraggiare risposte che restino fondate sulle prove contenute in documenti lunghi. Questo descrive l'approccio di addestramento del checkpoint; non significa che una singola risposta sia automaticamente verificata da un valutatore esterno.
L'edizione rilasciata
Questo è il rilascio originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, denominato separatamente, è un'edizione quantizzata INT4 e deve conservare una propria identità. La configurazione pubblicata per questo modello usa un'architettura di modello linguistico causale Qwen2 con 64 strati e pesi bfloat16. La specializzazione documentale del modello è più rilevante per la scelta rispetto al trattare il nome 32B come prova che ogni attività generalista migliorerà.
Preparare una domanda su un documento
L'esempio del produttore separa il documento dalla domanda con delimitatori testuali espliciti e richiede una frase riconoscibile di risposta finale dopo il ragionamento. Segui quella struttura: fornisci il corpo pertinente del documento, mantieni leggibili titoli e tabelle e poni una domanda concreta. Per un calcolo da un rapporto, conserva unità, periodi di rendicontazione ed etichette delle tabelle, poi chiedi la formula, i valori usati e un risultato finale. Per un confronto tra policy, etichetta i documenti A e B e chiedi una tabella di regole corrispondenti, differenze e sezione a sostegno di ogni riga. Sono applicazioni qui proposte delle capacità documentate in ambito numerico e nel ragionamento tra documenti diversi.
L'esempio analizza separatamente il testo del ragionamento e quello della risposta finale. Usa un budget di generazione di 10.000 token, temperature 0.7 e top_p 0.95; sono impostazioni di esempio, non una lunghezza massima dichiarata dell'output. La scheda mostra anche un messaggio di sistema opzionale per impostare l'identità. Conserva le indicazioni di prompt proprie di questo modello, senza importare le raccomandazioni di un altro checkpoint solo perché compare nella sua genealogia.
Elaborare documenti lunghi
Tongyi Lab convalida lunghezze di contesto fino a 131.072 token usando YaRN e raccomanda l'estensione quando input e output combinati superano sensibilmente 32.768 token. Gli esempi descrivono un fattore quattro o un fattore più piccolo, come due, per un carico di 65.536 token. L'estensione statica può ridurre le prestazioni sui testi più brevi, quindi la scheda sconsiglia di abilitarla quando le richieste ordinarie restano entro 32.768 token. La configurazione pubblicata indica 131.072 posizioni ma nessun campo rope_scaling abilitato; configurazione e procedura condizionale del produttore per il contesto lungo vanno quindi verificate insieme.
Un input lungo richiede comunque spazio per ragionamento e risposta. Parti dai brani necessari alla domanda, elimina intestazioni e testo di navigazione ripetuti e conserva gli identificatori di pagina o sezione. Chiedi riferimenti alle prove nel risultato, così chi controlla può risalire dalla conclusione al materiale fornito. Un ampio contesto aiuta a includere più prove in una richiesta; non garantisce un richiamo perfetto di ogni dettaglio.
Cosa copre l'addestramento sui documenti
DocQA-RL-1.6K contiene 1.600 problemi di addestramento in tre ambiti di ragionamento: 600 domande numeriche da documenti specialistici lunghi, come rapporti finanziari; 600 domande logiche a scelta multipla su documenti legali, finanziari, assicurativi e di produzione; e 400 esempi in più passaggi che collegano prove tra fonti. Questo rende il modello un candidato pertinente per calcoli da rapporti, interpretazione di regole e domande che richiedono più brani a sostegno. Gli ambiti di addestramento descrivono l'esperienza con tali attività, non una certificazione professionale o conclusioni garantite.
Output pratico e limiti
Scegli una risposta verificabile: un valore calcolato con unità, un confronto tra regole con riferimenti alle sezioni o una breve conclusione con la catena di fatti a sostegno. Se il documento omette una data o una definizione necessaria, chiedi al modello di individuare la prova mancante invece di inventarla. I materiali del rilascio si concentrano sulle risposte a domande documentali e non definiscono un contratto dedicato per le chiamate a strumenti o un tetto rigido separato dell'output. Tratta le risposte come bozze fondate sui documenti e verifica calcoli, riferimenti e interpretazioni sul materiale fornito.
", "aboutText": "Introduzione: ragionare su documenti lunghi\n\nQwenLong-L1-32B è il modello di ragionamento testuale a contesto lungo di Tongyi Lab. Il suo scopo è rispondere a domande le cui prove sono distribuite in un documento o tra più documenti, anziché limitarsi a ripetere un brano vicino. È costruito a partire da DeepSeek-R1-Distill-Qwen-32B e ulteriormente addestrato per il ragionamento basato su documenti. Fornisci testo e una domanda; il modello genera una sequenza testuale di ragionamento e una risposta. Pagine scansionate, audio e video richiedono un passaggio separato di conversione appropriato prima di questo flusso testuale.\n\nCome funziona l'addestramento a contesto lungo\n\nIl framework QwenLong-L1 prepara prima una policy di ragionamento con fine-tuning supervisionato, poi aumenta la lunghezza del contesto attraverso un curriculum di apprendimento per rinforzo. Il campionamento retrospettivo basato sulla difficoltà adatta gli esempi da riprendere man mano che l'addestramento progredisce. Il produttore combina ricompense binarie sull'esito basate su regole e su modelli, usando ottimizzazione della policy relativa al gruppo per incoraggiare risposte che restino fondate sulle prove contenute in documenti lunghi. Questo descrive l'approccio di addestramento del checkpoint; non significa che una singola risposta sia automaticamente verificata da un valutatore esterno.\n\nL'edizione rilasciata\n\nQuesto è il rilascio originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, denominato separatamente, è un'edizione quantizzata INT4 e deve conservare una propria identità. La configurazione pubblicata per questo modello usa un'architettura di modello linguistico causale Qwen2 con 64 strati e pesi bfloat16. La specializzazione documentale del modello è più rilevante per la scelta rispetto al trattare il nome 32B come prova che ogni attività generalista migliorerà.\n\nPreparare una domanda su un documento\n\nL'esempio del produttore separa il documento dalla domanda con delimitatori testuali espliciti e richiede una frase riconoscibile di risposta finale dopo il ragionamento. Segui quella struttura: fornisci il corpo pertinente del documento, mantieni leggibili titoli e tabelle e poni una domanda concreta. Per un calcolo da un rapporto, conserva unità, periodi di rendicontazione ed etichette delle tabelle, poi chiedi la formula, i valori usati e un risultato finale. Per un confronto tra policy, etichetta i documenti A e B e chiedi una tabella di regole corrispondenti, differenze e sezione a sostegno di ogni riga. Sono applicazioni qui proposte delle capacità documentate in ambito numerico e nel ragionamento tra documenti diversi.\n\nL'esempio analizza separatamente il testo del ragionamento e quello della risposta finale. Usa un budget di generazione di 10.000 token, temperature 0.7 e top_p 0.95; sono impostazioni di esempio, non una lunghezza massima dichiarata dell'output. La scheda mostra anche un messaggio di sistema opzionale per impostare l'identità. Conserva le indicazioni di prompt proprie di questo modello, senza importare le raccomandazioni di un altro checkpoint solo perché compare nella sua genealogia.\n\nElaborare documenti lunghi\n\nTongyi Lab convalida lunghezze di contesto fino a 131.072 token usando YaRN e raccomanda l'estensione quando input e output combinati superano sensibilmente 32.768 token. Gli esempi descrivono un fattore quattro o un fattore più piccolo, come due, per un carico di 65.536 token. L'estensione statica può ridurre le prestazioni sui testi più brevi, quindi la scheda sconsiglia di abilitarla quando le richieste ordinarie restano entro 32.768 token. La configurazione pubblicata indica 131.072 posizioni ma nessun campo rope_scaling abilitato; configurazione e procedura condizionale del produttore per il contesto lungo vanno quindi verificate insieme.\n\nUn input lungo richiede comunque spazio per ragionamento e risposta. Parti dai brani necessari alla domanda, elimina intestazioni e testo di navigazione ripetuti e conserva gli identificatori di pagina o sezione. Chiedi riferimenti alle prove nel risultato, così chi controlla può risalire dalla conclusione al materiale fornito. Un ampio contesto aiuta a includere più prove in una richiesta; non garantisce un richiamo perfetto di ogni dettaglio.\n\nCosa copre l'addestramento sui documenti\n\nDocQA-RL-1.6K contiene 1.600 problemi di addestramento in tre ambiti di ragionamento: 600 domande numeriche da documenti specialistici lunghi, come rapporti finanziari; 600 domande logiche a scelta multipla su documenti legali, finanziari, assicurativi e di produzione; e 400 esempi in più passaggi che collegano prove tra fonti. Questo rende il modello un candidato pertinente per calcoli da rapporti, interpretazione di regole e domande che richiedono più brani a sostegno. Gli ambiti di addestramento descrivono l'esperienza con tali attività, non una certificazione professionale o conclusioni garantite.\n\nOutput pratico e limiti\n\nScegli una risposta verificabile: un valore calcolato con unità, un confronto tra regole con riferimenti alle sezioni o una breve conclusione con la catena di fatti a sostegno. Se il documento omette una data o una definizione necessaria, chiedi al modello di individuare la prova mancante invece di inventarla. I materiali del rilascio si concentrano sulle risposte a domande documentali e non definiscono un contratto dedicato per le chiamate a strumenti o un tetto rigido separato dell'output. Tratta le risposte come bozze fondate sui documenti e verifica calcoli, riferimenti e interpretazioni sul materiale fornito.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è il modello di ragionamento testuale di Tongyi Lab per domande basate su documenti lunghi. Combina una base DeepSeek-R1-Distill-Qwen-32B con apprendimento per rinforzo incentrato sui documenti per ragionamento numerico, logico e tra documenti diversi.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Introduzione: ragionare su documenti lunghi
QwenLong-L1-32B è il modello di ragionamento testuale a contesto lungo di Tongyi Lab. Il suo scopo è rispondere a domande le cui prove sono distribuite in un documento o tra più documenti, anziché limitarsi a ripetere un brano vicino. È costruito a partire da DeepSeek-R1-Distill-Qwen-32B e ulteriormente addestrato per il ragionamento basato su documenti. Fornisci testo e una domanda; il modello genera una sequenza testuale di ragionamento e una risposta. Pagine scansionate, audio e video richiedono un passaggio separato di conversione appropriato prima di questo flusso testuale.
Come funziona l'addestramento a contesto lungo
Il framework QwenLong-L1 prepara prima una policy di ragionamento con fine-tuning supervisionato, poi aumenta la lunghezza del contesto attraverso un curriculum di apprendimento per rinforzo. Il campionamento retrospettivo basato sulla difficoltà adatta gli esempi da riprendere man mano che l'addestramento progredisce. Il produttore combina ricompense binarie sull'esito basate su regole e su modelli, usando ottimizzazione della policy relativa al gruppo per incoraggiare risposte che restino fondate sulle prove contenute in documenti lunghi. Questo descrive l'approccio di addestramento del checkpoint; non significa che una singola risposta sia automaticamente verificata da un valutatore esterno.
L'edizione rilasciata
Questo è il rilascio originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, denominato separatamente, è un'edizione quantizzata INT4 e deve conservare una propria identità. La configurazione pubblicata per questo modello usa un'architettura di modello linguistico causale Qwen2 con 64 strati e pesi bfloat16. La specializzazione documentale del modello è più rilevante per la scelta rispetto al trattare il nome 32B come prova che ogni attività generalista migliorerà.
Preparare una domanda su un documento
L'esempio del produttore separa il documento dalla domanda con delimitatori testuali espliciti e richiede una frase riconoscibile di risposta finale dopo il ragionamento. Segui quella struttura: fornisci il corpo pertinente del documento, mantieni leggibili titoli e tabelle e poni una domanda concreta. Per un calcolo da un rapporto, conserva unità, periodi di rendicontazione ed etichette delle tabelle, poi chiedi la formula, i valori usati e un risultato finale. Per un confronto tra policy, etichetta i documenti A e B e chiedi una tabella di regole corrispondenti, differenze e sezione a sostegno di ogni riga. Sono applicazioni qui proposte delle capacità documentate in ambito numerico e nel ragionamento tra documenti diversi.
L'esempio analizza separatamente il testo del ragionamento e quello della risposta finale. Usa un budget di generazione di 10.000 token, temperature 0.7 e top_p 0.95; sono impostazioni di esempio, non una lunghezza massima dichiarata dell'output. La scheda mostra anche un messaggio di sistema opzionale per impostare l'identità. Conserva le indicazioni di prompt proprie di questo modello, senza importare le raccomandazioni di un altro checkpoint solo perché compare nella sua genealogia.
Elaborare documenti lunghi
Tongyi Lab convalida lunghezze di contesto fino a 131.072 token usando YaRN e raccomanda l'estensione quando input e output combinati superano sensibilmente 32.768 token. Gli esempi descrivono un fattore quattro o un fattore più piccolo, come due, per un carico di 65.536 token. L'estensione statica può ridurre le prestazioni sui testi più brevi, quindi la scheda sconsiglia di abilitarla quando le richieste ordinarie restano entro 32.768 token. La configurazione pubblicata indica 131.072 posizioni ma nessun campo rope_scaling abilitato; configurazione e procedura condizionale del produttore per il contesto lungo vanno quindi verificate insieme.
Un input lungo richiede comunque spazio per ragionamento e risposta. Parti dai brani necessari alla domanda, elimina intestazioni e testo di navigazione ripetuti e conserva gli identificatori di pagina o sezione. Chiedi riferimenti alle prove nel risultato, così chi controlla può risalire dalla conclusione al materiale fornito. Un ampio contesto aiuta a includere più prove in una richiesta; non garantisce un richiamo perfetto di ogni dettaglio.
Cosa copre l'addestramento sui documenti
DocQA-RL-1.6K contiene 1.600 problemi di addestramento in tre ambiti di ragionamento: 600 domande numeriche da documenti specialistici lunghi, come rapporti finanziari; 600 domande logiche a scelta multipla su documenti legali, finanziari, assicurativi e di produzione; e 400 esempi in più passaggi che collegano prove tra fonti. Questo rende il modello un candidato pertinente per calcoli da rapporti, interpretazione di regole e domande che richiedono più brani a sostegno. Gli ambiti di addestramento descrivono l'esperienza con tali attività, non una certificazione professionale o conclusioni garantite.
Output pratico e limiti
Scegli una risposta verificabile: un valore calcolato con unità, un confronto tra regole con riferimenti alle sezioni o una breve conclusione con la catena di fatti a sostegno. Se il documento omette una data o una definizione necessaria, chiedi al modello di individuare la prova mancante invece di inventarla. I materiali del rilascio si concentrano sulle risposte a domande documentali e non definiscono un contratto dedicato per le chiamate a strumenti o un tetto rigido separato dell'output. Tratta le risposte come bozze fondate sui documenti e verifica calcoli, riferimenti e interpretazioni sul materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Tongyi-Zhiwen/QwenLong-L1-32B | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00028 / 1K token Output · Token in output $0.0012 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Usa i percorsi dei metodi indicati sopra.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B è il modello di ragionamento testuale di Tongyi Lab per domande basate su documenti lunghi. Combina una base DeepSeek-R1-Distill-Qwen-32B con apprendimento per rinforzo incentrato sui documenti per ragionamento numerico, logico e tra documenti diversi.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Introduzione: ragionare su documenti lunghi
QwenLong-L1-32B è il modello di ragionamento testuale a contesto lungo di Tongyi Lab. Il suo scopo è rispondere a domande le cui prove sono distribuite in un documento o tra più documenti, anziché limitarsi a ripetere un brano vicino. È costruito a partire da DeepSeek-R1-Distill-Qwen-32B e ulteriormente addestrato per il ragionamento basato su documenti. Fornisci testo e una domanda; il modello genera una sequenza testuale di ragionamento e una risposta. Pagine scansionate, audio e video richiedono un passaggio separato di conversione appropriato prima di questo flusso testuale.
Come funziona l'addestramento a contesto lungo
Il framework QwenLong-L1 prepara prima una policy di ragionamento con fine-tuning supervisionato, poi aumenta la lunghezza del contesto attraverso un curriculum di apprendimento per rinforzo. Il campionamento retrospettivo basato sulla difficoltà adatta gli esempi da riprendere man mano che l'addestramento progredisce. Il produttore combina ricompense binarie sull'esito basate su regole e su modelli, usando ottimizzazione della policy relativa al gruppo per incoraggiare risposte che restino fondate sulle prove contenute in documenti lunghi. Questo descrive l'approccio di addestramento del checkpoint; non significa che una singola risposta sia automaticamente verificata da un valutatore esterno.
L'edizione rilasciata
Questo è il rilascio originale QwenLong-L1-32B. QwenLong-L1-32B-AWQ, denominato separatamente, è un'edizione quantizzata INT4 e deve conservare una propria identità. La configurazione pubblicata per questo modello usa un'architettura di modello linguistico causale Qwen2 con 64 strati e pesi bfloat16. La specializzazione documentale del modello è più rilevante per la scelta rispetto al trattare il nome 32B come prova che ogni attività generalista migliorerà.
Preparare una domanda su un documento
L'esempio del produttore separa il documento dalla domanda con delimitatori testuali espliciti e richiede una frase riconoscibile di risposta finale dopo il ragionamento. Segui quella struttura: fornisci il corpo pertinente del documento, mantieni leggibili titoli e tabelle e poni una domanda concreta. Per un calcolo da un rapporto, conserva unità, periodi di rendicontazione ed etichette delle tabelle, poi chiedi la formula, i valori usati e un risultato finale. Per un confronto tra policy, etichetta i documenti A e B e chiedi una tabella di regole corrispondenti, differenze e sezione a sostegno di ogni riga. Sono applicazioni qui proposte delle capacità documentate in ambito numerico e nel ragionamento tra documenti diversi.
L'esempio analizza separatamente il testo del ragionamento e quello della risposta finale. Usa un budget di generazione di 10.000 token, temperature 0.7 e top_p 0.95; sono impostazioni di esempio, non una lunghezza massima dichiarata dell'output. La scheda mostra anche un messaggio di sistema opzionale per impostare l'identità. Conserva le indicazioni di prompt proprie di questo modello, senza importare le raccomandazioni di un altro checkpoint solo perché compare nella sua genealogia.
Elaborare documenti lunghi
Tongyi Lab convalida lunghezze di contesto fino a 131.072 token usando YaRN e raccomanda l'estensione quando input e output combinati superano sensibilmente 32.768 token. Gli esempi descrivono un fattore quattro o un fattore più piccolo, come due, per un carico di 65.536 token. L'estensione statica può ridurre le prestazioni sui testi più brevi, quindi la scheda sconsiglia di abilitarla quando le richieste ordinarie restano entro 32.768 token. La configurazione pubblicata indica 131.072 posizioni ma nessun campo rope_scaling abilitato; configurazione e procedura condizionale del produttore per il contesto lungo vanno quindi verificate insieme.
Un input lungo richiede comunque spazio per ragionamento e risposta. Parti dai brani necessari alla domanda, elimina intestazioni e testo di navigazione ripetuti e conserva gli identificatori di pagina o sezione. Chiedi riferimenti alle prove nel risultato, così chi controlla può risalire dalla conclusione al materiale fornito. Un ampio contesto aiuta a includere più prove in una richiesta; non garantisce un richiamo perfetto di ogni dettaglio.
Cosa copre l'addestramento sui documenti
DocQA-RL-1.6K contiene 1.600 problemi di addestramento in tre ambiti di ragionamento: 600 domande numeriche da documenti specialistici lunghi, come rapporti finanziari; 600 domande logiche a scelta multipla su documenti legali, finanziari, assicurativi e di produzione; e 400 esempi in più passaggi che collegano prove tra fonti. Questo rende il modello un candidato pertinente per calcoli da rapporti, interpretazione di regole e domande che richiedono più brani a sostegno. Gli ambiti di addestramento descrivono l'esperienza con tali attività, non una certificazione professionale o conclusioni garantite.
Output pratico e limiti
Scegli una risposta verificabile: un valore calcolato con unità, un confronto tra regole con riferimenti alle sezioni o una breve conclusione con la catena di fatti a sostegno. Se il documento omette una data o una definizione necessaria, chiedi al modello di individuare la prova mancante invece di inventarla. I materiali del rilascio si concentrano sulle risposte a domande documentali e non definiscono un contratto dedicato per le chiamate a strumenti o un tetto rigido separato dell'output. Tratta le risposte come bozze fondate sui documenti e verifica calcoli, riferimenti e interpretazioni sul materiale fornito.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Tongyi-Zhiwen/QwenLong-L1-32B | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00028 / 1K token Output · Token in output $0.0012 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.