概要：長い文書に基づく推論
QwenLong-L1-32B は、Tongyi Lab の長文コンテキスト向けテキスト推論モデルです。近くにある文章を単に繰り返すのではなく、文書内や複数の文書に根拠が分散している質問に答えることを目的としています。DeepSeek-R1-Distill-Qwen-32B を基に、文書に根拠を置いた推論のための追加学習を行っています。テキストと質問を渡すと、モデルは文章による推論過程と回答を生成します。スキャンしたページ、音声、動画は、このテキストのワークフローに入れる前に、適切な別の変換工程が必要です。
長文コンテキスト学習の仕組み
QwenLong-L1 フレームワークは、まず教師ありファインチューニングで推論方策を準備し、その後、強化学習のカリキュラムでコンテキスト長を増やします。難易度を考慮した遡及的サンプリングは、学習の進行に応じて再び扱う例を調整します。開発元は、規則ベースとモデルベースの二値の結果報酬を組み合わせ、グループ相対方策最適化を使って、長い根拠に基づき続ける回答を促します。これはチェックポイントの学習方法の説明であり、個々の回答が外部の判定者によって自動検証されることを意味しません。
公開版
これは、最初に公開された QwenLong-L1-32B リリースです。別名の QwenLong-L1-32B-AWQ は INT4 量子化版であり、独自の識別情報を保つ必要があります。このモデルの公開構成は、64 層と bfloat16 の重みを持つ Qwen2 因果言語モデルアーキテクチャを使っています。選択では、32B という名前を、あらゆる汎用作業が改善する証拠とみなすより、文書への専門化のほうが重要です。
文書についての質問を準備する
開発元の例は、明示的なテキスト区切りで文書と質問を分け、推論の後に識別しやすい最終回答の表現を求めています。その構造に従い、関連する文書本文を渡し、見出しと表を読みやすく保ち、具体的な質問を 1 つ尋ねてください。報告書の計算では、単位、報告期間、表のラベルを保ち、式、使った値、最終結果を求めます。方針の比較では、文書に A と B のラベルを付け、対応する規則、違い、各行の裏付けとなる節の表を求めてください。これらは、文書化された数値処理と文書横断の能力をもとに組み立てた用途です。
例では、推論と最終回答のテキストを別々に解析します。生成予算 10,000 トークン、temperature 0.7、top_p 0.95 を使っていますが、これらは例の設定であり、公表された最大出力長ではありません。カードには、任意でモデルの識別情報を設定するシステムメッセージも示されています。モデルの系譜に含まれるというだけで別のチェックポイントの推奨を取り込まず、このモデル自身のプロンプト指針を保持してください。
長い文書を処理する
Tongyi Lab は、YaRN を使って最大 131,072 トークンのコンテキスト長を検証しており、入力と出力の合計が 32,768 トークンを大きく超える場合にスケーリングを推奨しています。例では倍率 4 を示し、65,536 トークンの処理なら 2 のような小さい倍率も説明しています。静的スケーリングは短いテキストの性能を低下させる場合があるため、カードは通常のリクエストが 32,768 トークン以内なら有効にしないよう勧めています。公開構成には 131,072 ポジションが記載されていますが、有効化された rope_scaling フィールドはありません。そのため、構成と、開発元の条件付き長文コンテキスト手順を合わせて確認する必要があります。
長い入力でも、推論と回答の余地が必要です。まず質問に必要な文章を選び、重複するヘッダーやナビゲーションのテキストを取り除き、ページや節の識別子を残してください。確認者が結論を提供資料までたどれるよう、結果に根拠の参照を求めます。大きなコンテキスト枠は、1 つのリクエストに多くの根拠を入れる助けになりますが、すべての細部を完全に想起できることを意味しません。
文書学習が扱う内容
DocQA-RL-1.6K には、3 つの推論分野にわたる 1,600 問の学習問題が含まれています。財務報告書など長い専門文書からの数値の質問が 600 問、法律、金融、保険、生産の文書に関する論理的な多肢選択問題が 600 問、複数の出典の根拠をつなぐ多段階の例が 400 問です。このため、報告書の計算、規則の解釈、複数の裏付け文章を必要とする質問に適した候補になります。学習分野は、それらの作業経験を説明するものであり、専門資格や結論の保証ではありません。
実用的な出力と上限
単位付きの計算値、節の参照を添えた規則比較、裏付けとなる事実のつながりを示す短い結論など、確認できる回答を選んでください。文書に必要な日付や定義がない場合は、作り出すのではなく、不足する根拠を特定するよう求めます。リリース資料は文書の質問応答を中心としており、専用のツール呼び出し契約や別の厳密な出力上限を定めていません。回答を根拠に基づく草稿として扱い、計算、参照、解釈を提供文書と照合してください。
", "aboutText": "概要：長い文書に基づく推論\n\nQwenLong-L1-32B は、Tongyi Lab の長文コンテキスト向けテキスト推論モデルです。近くにある文章を単に繰り返すのではなく、文書内や複数の文書に根拠が分散している質問に答えることを目的としています。DeepSeek-R1-Distill-Qwen-32B を基に、文書に根拠を置いた推論のための追加学習を行っています。テキストと質問を渡すと、モデルは文章による推論過程と回答を生成します。スキャンしたページ、音声、動画は、このテキストのワークフローに入れる前に、適切な別の変換工程が必要です。\n\n長文コンテキスト学習の仕組み\n\nQwenLong-L1 フレームワークは、まず教師ありファインチューニングで推論方策を準備し、その後、強化学習のカリキュラムでコンテキスト長を増やします。難易度を考慮した遡及的サンプリングは、学習の進行に応じて再び扱う例を調整します。開発元は、規則ベースとモデルベースの二値の結果報酬を組み合わせ、グループ相対方策最適化を使って、長い根拠に基づき続ける回答を促します。これはチェックポイントの学習方法の説明であり、個々の回答が外部の判定者によって自動検証されることを意味しません。\n\n公開版\n\nこれは、最初に公開された QwenLong-L1-32B リリースです。別名の QwenLong-L1-32B-AWQ は INT4 量子化版であり、独自の識別情報を保つ必要があります。このモデルの公開構成は、64 層と bfloat16 の重みを持つ Qwen2 因果言語モデルアーキテクチャを使っています。選択では、32B という名前を、あらゆる汎用作業が改善する証拠とみなすより、文書への専門化のほうが重要です。\n\n文書についての質問を準備する\n\n開発元の例は、明示的なテキスト区切りで文書と質問を分け、推論の後に識別しやすい最終回答の表現を求めています。その構造に従い、関連する文書本文を渡し、見出しと表を読みやすく保ち、具体的な質問を 1 つ尋ねてください。報告書の計算では、単位、報告期間、表のラベルを保ち、式、使った値、最終結果を求めます。方針の比較では、文書に A と B のラベルを付け、対応する規則、違い、各行の裏付けとなる節の表を求めてください。これらは、文書化された数値処理と文書横断の能力をもとに組み立てた用途です。\n\n例では、推論と最終回答のテキストを別々に解析します。生成予算 10,000 トークン、temperature 0.7、top_p 0.95 を使っていますが、これらは例の設定であり、公表された最大出力長ではありません。カードには、任意でモデルの識別情報を設定するシステムメッセージも示されています。モデルの系譜に含まれるというだけで別のチェックポイントの推奨を取り込まず、このモデル自身のプロンプト指針を保持してください。\n\n長い文書を処理する\n\nTongyi Lab は、YaRN を使って最大 131,072 トークンのコンテキスト長を検証しており、入力と出力の合計が 32,768 トークンを大きく超える場合にスケーリングを推奨しています。例では倍率 4 を示し、65,536 トークンの処理なら 2 のような小さい倍率も説明しています。静的スケーリングは短いテキストの性能を低下させる場合があるため、カードは通常のリクエストが 32,768 トークン以内なら有効にしないよう勧めています。公開構成には 131,072 ポジションが記載されていますが、有効化された rope_scaling フィールドはありません。そのため、構成と、開発元の条件付き長文コンテキスト手順を合わせて確認する必要があります。\n\n長い入力でも、推論と回答の余地が必要です。まず質問に必要な文章を選び、重複するヘッダーやナビゲーションのテキストを取り除き、ページや節の識別子を残してください。確認者が結論を提供資料までたどれるよう、結果に根拠の参照を求めます。大きなコンテキスト枠は、1 つのリクエストに多くの根拠を入れる助けになりますが、すべての細部を完全に想起できることを意味しません。\n\n文書学習が扱う内容\n\nDocQA-RL-1.6K には、3 つの推論分野にわたる 1,600 問の学習問題が含まれています。財務報告書など長い専門文書からの数値の質問が 600 問、法律、金融、保険、生産の文書に関する論理的な多肢選択問題が 600 問、複数の出典の根拠をつなぐ多段階の例が 400 問です。このため、報告書の計算、規則の解釈、複数の裏付け文章を必要とする質問に適した候補になります。学習分野は、それらの作業経験を説明するものであり、専門資格や結論の保証ではありません。\n\n実用的な出力と上限\n\n単位付きの計算値、節の参照を添えた規則比較、裏付けとなる事実のつながりを示す短い結論など、確認できる回答を選んでください。文書に必要な日付や定義がない場合は、作り出すのではなく、不足する根拠を特定するよう求めます。リリース資料は文書の質問応答を中心としており、専用のツール呼び出し契約や別の厳密な出力上限を定めていません。回答を根拠に基づく草稿として扱い、計算、参照、解釈を提供文書と照合してください。", "editorialOverlay": { "copy_fields": { "practical_html": "英語の技術例
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 は、長い文書に基づく質問向けの Tongyi Lab のテキスト推論モデルです。DeepSeek-R1-Distill-Qwen-32B を出発点とし、数値、論理、文書横断の推論のために、文書を重視した強化学習を組み合わせています。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
概要：長い文書に基づく推論
QwenLong-L1-32B は、Tongyi Lab の長文コンテキスト向けテキスト推論モデルです。近くにある文章を単に繰り返すのではなく、文書内や複数の文書に根拠が分散している質問に答えることを目的としています。DeepSeek-R1-Distill-Qwen-32B を基に、文書に根拠を置いた推論のための追加学習を行っています。テキストと質問を渡すと、モデルは文章による推論過程と回答を生成します。スキャンしたページ、音声、動画は、このテキストのワークフローに入れる前に、適切な別の変換工程が必要です。
長文コンテキスト学習の仕組み
QwenLong-L1 フレームワークは、まず教師ありファインチューニングで推論方策を準備し、その後、強化学習のカリキュラムでコンテキスト長を増やします。難易度を考慮した遡及的サンプリングは、学習の進行に応じて再び扱う例を調整します。開発元は、規則ベースとモデルベースの二値の結果報酬を組み合わせ、グループ相対方策最適化を使って、長い根拠に基づき続ける回答を促します。これはチェックポイントの学習方法の説明であり、個々の回答が外部の判定者によって自動検証されることを意味しません。
公開版
これは、最初に公開された QwenLong-L1-32B リリースです。別名の QwenLong-L1-32B-AWQ は INT4 量子化版であり、独自の識別情報を保つ必要があります。このモデルの公開構成は、64 層と bfloat16 の重みを持つ Qwen2 因果言語モデルアーキテクチャを使っています。選択では、32B という名前を、あらゆる汎用作業が改善する証拠とみなすより、文書への専門化のほうが重要です。
文書についての質問を準備する
開発元の例は、明示的なテキスト区切りで文書と質問を分け、推論の後に識別しやすい最終回答の表現を求めています。その構造に従い、関連する文書本文を渡し、見出しと表を読みやすく保ち、具体的な質問を 1 つ尋ねてください。報告書の計算では、単位、報告期間、表のラベルを保ち、式、使った値、最終結果を求めます。方針の比較では、文書に A と B のラベルを付け、対応する規則、違い、各行の裏付けとなる節の表を求めてください。これらは、文書化された数値処理と文書横断の能力をもとに組み立てた用途です。
例では、推論と最終回答のテキストを別々に解析します。生成予算 10,000 トークン、temperature 0.7、top_p 0.95 を使っていますが、これらは例の設定であり、公表された最大出力長ではありません。カードには、任意でモデルの識別情報を設定するシステムメッセージも示されています。モデルの系譜に含まれるというだけで別のチェックポイントの推奨を取り込まず、このモデル自身のプロンプト指針を保持してください。
長い文書を処理する
Tongyi Lab は、YaRN を使って最大 131,072 トークンのコンテキスト長を検証しており、入力と出力の合計が 32,768 トークンを大きく超える場合にスケーリングを推奨しています。例では倍率 4 を示し、65,536 トークンの処理なら 2 のような小さい倍率も説明しています。静的スケーリングは短いテキストの性能を低下させる場合があるため、カードは通常のリクエストが 32,768 トークン以内なら有効にしないよう勧めています。公開構成には 131,072 ポジションが記載されていますが、有効化された rope_scaling フィールドはありません。そのため、構成と、開発元の条件付き長文コンテキスト手順を合わせて確認する必要があります。
長い入力でも、推論と回答の余地が必要です。まず質問に必要な文章を選び、重複するヘッダーやナビゲーションのテキストを取り除き、ページや節の識別子を残してください。確認者が結論を提供資料までたどれるよう、結果に根拠の参照を求めます。大きなコンテキスト枠は、1 つのリクエストに多くの根拠を入れる助けになりますが、すべての細部を完全に想起できることを意味しません。
文書学習が扱う内容
DocQA-RL-1.6K には、3 つの推論分野にわたる 1,600 問の学習問題が含まれています。財務報告書など長い専門文書からの数値の質問が 600 問、法律、金融、保険、生産の文書に関する論理的な多肢選択問題が 600 問、複数の出典の根拠をつなぐ多段階の例が 400 問です。このため、報告書の計算、規則の解釈、複数の裏付け文章を必要とする質問に適した候補になります。学習分野は、それらの作業経験を説明するものであり、専門資格や結論の保証ではありません。
実用的な出力と上限
単位付きの計算値、節の参照を添えた規則比較、裏付けとなる事実のつながりを示す短い結論など、確認できる回答を選んでください。文書に必要な日付や定義がない場合は、作り出すのではなく、不足する根拠を特定するよう求めます。リリース資料は文書の質問応答を中心としており、専用のツール呼び出し契約や別の厳密な出力上限を定めていません。回答を根拠に基づく草稿として扱い、計算、参照、解釈を提供文書と照合してください。
POST /v1/chat/completionstexttext| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 Tongyi-Zhiwen/QwenLong-L1-32B | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 最小項目数: 1 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 例：system, user, assistant, tool, function 条件: これらのロールはソースコードの互換型で明示されています。正確なロールの集合はモデルごとに異なります。 モデルによる | デフォルト— |
フィールドmessages[].content | 種類string|content_part[]|null | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_calls | 種類tool_call[] | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_call_id | 種類string | 要件任意 | 値と制限 適用条件: role=tool。実際に返されたIDを使ってください | デフォルト— |
フィールドmessages[].name | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].reasoning_content | 種類string | 要件任意 | 値と制限 適用条件: このモデルが使用する場合は、実際に返された推論をそのまま次のリクエストへ戻してください | デフォルト— |
フィールドmessages[].reasoning_details | 種類object|array | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmax_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドmax_completion_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドstream_options.include_usage | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtemperature | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtop_p | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドstop | 種類string|string[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools | 種類function_tool[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools[].type | 種類string | 要件任意 | 値と制限 function モデルによる | デフォルト— |
フィールドtools[].function.name | 種類string | 要件必須 | 値と制限 適用条件: 関数ツールの指定あり | デフォルト— |
フィールドtools[].function.description | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドtools[].function.parameters | 種類JSON_schema | 要件任意 | 値と制限 | デフォルト— |
フィールドtool_choice | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドparallel_tool_calls | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドresponse_format | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning_effort | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドservice_tier | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドinstructions | 種類string | 要件任意 | 値と制限 互換性用のフィールド | デフォルト— |
フィールドfunctions | 種類function[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドfunction_call | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドprompt_cache_options | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmodalities | 種類string[] | 要件任意 | 値と制限 text | デフォルト— |
フィールドprovider | 種類object | 要件任意 | 値と制限 条件: このUltraテキストルートではprovider.optionsは拒否されます | デフォルト— |
フィールドcache_control.ttl | 種類string | 要件任意 | 値と制限 条件: 実際のプロンプトキャッシュの指定箇所では1hは拒否されます | デフォルト— |
テキスト · UTF8テキスト
messages[].content
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages |
パラメータmaterial_types | 仕様text |
パラメータmessages | 仕様role/content形式のメッセージ配列 |
パラメータfile_material | 仕様実際のUTF-8文書をテキストとしてそのまま挿入します。ファイルIDは推定しません |
パラメータoptional_controls | 仕様stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
パラメータcontrol_scope | 仕様モデル固有。ユーザーの関数ツールとホスト側のツールは異なります |
パラメータoutput_modalities | 仕様text |
パラメータhosted_operations | 仕様false |
パラメータmultimodal_input_binding | 仕様null |
ライフサイクル: synchronous_or_streamed
正確なモデルIDをmessagesとともに送ってください。
コンテキスト長は出力上限ではありません。
テキストファイルはテキストをそのまま提供できます。画像／音声／ファイルオブジェクトの入力には正確なバインディングが必要です。
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
| 設定 | 料金表 | 料金 |
|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | 料金 入力 · 入力トークン $0.00028 / 1K トークン 出力 · 出力トークン $0.0012 / 1K トークン 入力 · キャッシュ読み取り $0 / 1K トークン 入力 · キャッシュ書き込み $0 / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
set -eu\n: "${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またはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべての選択肢と、その内容・ツール呼び出し・推論を保持してください。SSEでは選択肢／ツールのインデックスごとに差分を組み立て、最終的な終了理由と使用量を残します。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドchoices[].index | 種類integer |
フィールドchoices[].message.content | 種類string|null |
フィールドchoices[].message.tool_calls | 種類tool_call[] |
フィールドchoices[].message.reasoning_content | 種類string |
フィールドchoices[].message.reasoning_details | 種類object|array |
フィールドchoices[].finish_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
上記に表示されたメソッドパスを使用してください。
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B は、長い文書に基づく質問向けの Tongyi Lab のテキスト推論モデルです。DeepSeek-R1-Distill-Qwen-32B を出発点とし、数値、論理、文書横断の推論のために、文書を重視した強化学習を組み合わせています。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
概要：長い文書に基づく推論
QwenLong-L1-32B は、Tongyi Lab の長文コンテキスト向けテキスト推論モデルです。近くにある文章を単に繰り返すのではなく、文書内や複数の文書に根拠が分散している質問に答えることを目的としています。DeepSeek-R1-Distill-Qwen-32B を基に、文書に根拠を置いた推論のための追加学習を行っています。テキストと質問を渡すと、モデルは文章による推論過程と回答を生成します。スキャンしたページ、音声、動画は、このテキストのワークフローに入れる前に、適切な別の変換工程が必要です。
長文コンテキスト学習の仕組み
QwenLong-L1 フレームワークは、まず教師ありファインチューニングで推論方策を準備し、その後、強化学習のカリキュラムでコンテキスト長を増やします。難易度を考慮した遡及的サンプリングは、学習の進行に応じて再び扱う例を調整します。開発元は、規則ベースとモデルベースの二値の結果報酬を組み合わせ、グループ相対方策最適化を使って、長い根拠に基づき続ける回答を促します。これはチェックポイントの学習方法の説明であり、個々の回答が外部の判定者によって自動検証されることを意味しません。
公開版
これは、最初に公開された QwenLong-L1-32B リリースです。別名の QwenLong-L1-32B-AWQ は INT4 量子化版であり、独自の識別情報を保つ必要があります。このモデルの公開構成は、64 層と bfloat16 の重みを持つ Qwen2 因果言語モデルアーキテクチャを使っています。選択では、32B という名前を、あらゆる汎用作業が改善する証拠とみなすより、文書への専門化のほうが重要です。
文書についての質問を準備する
開発元の例は、明示的なテキスト区切りで文書と質問を分け、推論の後に識別しやすい最終回答の表現を求めています。その構造に従い、関連する文書本文を渡し、見出しと表を読みやすく保ち、具体的な質問を 1 つ尋ねてください。報告書の計算では、単位、報告期間、表のラベルを保ち、式、使った値、最終結果を求めます。方針の比較では、文書に A と B のラベルを付け、対応する規則、違い、各行の裏付けとなる節の表を求めてください。これらは、文書化された数値処理と文書横断の能力をもとに組み立てた用途です。
例では、推論と最終回答のテキストを別々に解析します。生成予算 10,000 トークン、temperature 0.7、top_p 0.95 を使っていますが、これらは例の設定であり、公表された最大出力長ではありません。カードには、任意でモデルの識別情報を設定するシステムメッセージも示されています。モデルの系譜に含まれるというだけで別のチェックポイントの推奨を取り込まず、このモデル自身のプロンプト指針を保持してください。
長い文書を処理する
Tongyi Lab は、YaRN を使って最大 131,072 トークンのコンテキスト長を検証しており、入力と出力の合計が 32,768 トークンを大きく超える場合にスケーリングを推奨しています。例では倍率 4 を示し、65,536 トークンの処理なら 2 のような小さい倍率も説明しています。静的スケーリングは短いテキストの性能を低下させる場合があるため、カードは通常のリクエストが 32,768 トークン以内なら有効にしないよう勧めています。公開構成には 131,072 ポジションが記載されていますが、有効化された rope_scaling フィールドはありません。そのため、構成と、開発元の条件付き長文コンテキスト手順を合わせて確認する必要があります。
長い入力でも、推論と回答の余地が必要です。まず質問に必要な文章を選び、重複するヘッダーやナビゲーションのテキストを取り除き、ページや節の識別子を残してください。確認者が結論を提供資料までたどれるよう、結果に根拠の参照を求めます。大きなコンテキスト枠は、1 つのリクエストに多くの根拠を入れる助けになりますが、すべての細部を完全に想起できることを意味しません。
文書学習が扱う内容
DocQA-RL-1.6K には、3 つの推論分野にわたる 1,600 問の学習問題が含まれています。財務報告書など長い専門文書からの数値の質問が 600 問、法律、金融、保険、生産の文書に関する論理的な多肢選択問題が 600 問、複数の出典の根拠をつなぐ多段階の例が 400 問です。このため、報告書の計算、規則の解釈、複数の裏付け文章を必要とする質問に適した候補になります。学習分野は、それらの作業経験を説明するものであり、専門資格や結論の保証ではありません。
実用的な出力と上限
単位付きの計算値、節の参照を添えた規則比較、裏付けとなる事実のつながりを示す短い結論など、確認できる回答を選んでください。文書に必要な日付や定義がない場合は、作り出すのではなく、不足する根拠を特定するよう求めます。リリース資料は文書の質問応答を中心としており、専用のツール呼び出し契約や別の厳密な出力上限を定めていません。回答を根拠に基づく草稿として扱い、計算、参照、解釈を提供文書と照合してください。
POST /v1/messagestextjson, sse| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 Tongyi-Zhiwen/QwenLong-L1-32B | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 user, assistant | デフォルト— |
フィールドmessages[].content | 種類string | 要件必須 | 値と制限 | デフォルト— |
フィールドmax_tokens | 種類integer | 要件必須 | 値と制限 | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
テキスト · UTF-8テキスト
messages[].contentの文字列
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages, max_tokens |
パラメータoptional_controls | 仕様stream |
パラメータmaterial_types | 仕様text |
パラメータtext_file_material | 仕様実際のUTF-8文書を読み、その本文を指定された入力またはメッセージ内容の文字列に入れてください。 |
ライフサイクル: synchronous_or_streamed
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
| 設定 | 料金表 | 料金 |
|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | 料金 入力 · 入力トークン $0.00028 / 1K トークン 出力 · 出力トークン $0.0012 / 1K トークン 入力 · キャッシュ読み取り $0 / 1K トークン 入力 · キャッシュ書き込み $0 / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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またはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべてのコンテンツブロック、思考署名、実際のツール利用IDを保持してください。SSEのすべてのブロック差分を組み立てます。最初のテキストブロックだけでは完全な出力になりません。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドid | 種類string |
フィールドmodel | 種類string |
フィールドcontent[] | 種類text|thinking|tool_use|other content block |
フィールドstop_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
上記に表示されたメソッドパスを使用してください。
英語の技術例
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.