Įvadas: samprotavimas apie ilgus dokumentus
QwenLong-L1-32B – tai „Tongyi Lab“ ilgo konteksto tekstinio samprotavimo modelis. Jo paskirtis – atsakyti į klausimus, kurių įrodymai išsidėstę visame dokumente ar keliuose dokumentuose, o ne tiesiog pakartoti netolimą ištrauką. Jis sukurtas iš DeepSeek-R1-Distill-Qwen-32B ir papildomai mokytas dokumentais pagrįsto samprotavimo. Pateikite tekstą ir klausimą; modelis generuoja tekstinę samprotavimo seką bei atsakymą. Nuskenuotiems puslapiams, garsui ir vaizdo įrašams prieš šią tekstinę darbo eigą reikia tinkamo atskiro konvertavimo etapo.
Kaip veikia ilgo konteksto mokymas
QwenLong-L1 sistema pirmiausia parengia samprotavimo strategiją prižiūrimu papildomu derinimu, o tada ilgina kontekstą pagal mokymo su pastiprinimu programą. Sudėtingumą įvertinanti retrospektyvi atranka reguliuoja, kurie pavyzdžiai kartojami vykstant mokymui. Gamintojas jungia taisyklėmis ir modeliu pagrįstus dvejetainius rezultato atlygius, naudodamas santykinį grupės strategijos optimizavimą, kad skatintų atsakymus, išliekančius pagrįstus ilgais įrodymais. Tai aprašo kontrolinio taško mokymo būdą; tai nereiškia, kad atskirą atsakymą automatiškai patikrina išorinis vertintojas.
Išleistas leidimas
Tai pradinis QwenLong-L1-32B leidimas. Atskirai pavadintas QwenLong-L1-32B-AWQ yra INT4 kvantizuotas leidimas ir turi išlaikyti savą identifikatorių. Paskelbta šio modelio konfigūracija naudoja Qwen2 priežastinio kalbos modelio architektūrą su 64 sluoksniais ir bfloat16 svoriais. Renkantis modelį jo specializacija dokumentuose svarbesnė nei 32B pavadinimo laikymas įrodymu, kad pagerės kiekviena bendrosios paskirties užduotis.
Klausimo apie dokumentą parengimas
Gamintojo pavyzdyje dokumentas nuo klausimo atskiriamas aiškiais tekstiniais skirtukais, o po samprotavimo prašoma atpažįstamos galutinio atsakymo frazės. Laikykitės šios struktūros: pateikite aktualų dokumento tekstą, išlaikykite įskaitomas antraštes bei lenteles ir užduokite vieną konkretų klausimą. Ataskaitos skaičiavimui išsaugokite vienetus, ataskaitinius laikotarpius ir lentelių žymas, tada paprašykite formulės, naudotų verčių ir galutinio rezultato. Taisyklių palyginimui dokumentus pažymėkite A ir B bei paprašykite lentelės su sutampančiomis taisyklėmis, skirtumais ir kiekvieną eilutę pagrindžiančia dalimi. Tai autoriaus sukurti dokumentuotų skaitinių ir kelių dokumentų galimybių taikymo pavyzdžiai.
Pavyzdyje samprotavimo ir galutinio atsakymo tekstas analizuojami atskirai. Naudojamas 10 000 žetonų generavimo biudžetas, temperature 0.7 ir top_p 0.95; tai pavyzdžio nustatymai, o ne paskelbtas didžiausias išvesties ilgis. Kortelėje taip pat parodytas pasirenkamas tapatybę nustatantis sisteminis pranešimas. Išlaikykite paties šio modelio užklausų gaires, užuot perkėlę kito kontrolinio taško rekomendacijas vien todėl, kad jis yra modelio kilmės grandinėje.
Ilgų dokumentų apdorojimas
„Tongyi Lab“ su YaRN patvirtina konteksto ilgius iki 131 072 žetonų ir rekomenduoja išplėtimą, kai bendra įvestis bei išvestis reikšmingai viršija 32 768 žetonus. Pavyzdžiuose aprašomas keturių kartų koeficientas arba mažesnis, pavyzdžiui, dviejų kartų, 65 536 žetonų užduočiai. Statinis išplėtimas gali pabloginti veikimą su trumpesniu tekstu, todėl kortelėje patariama jo neįjungti, kai įprastos užklausos telpa į 32 768 žetonus. Paskelbtoje konfigūracijoje nurodytos 131 072 pozicijos, bet nėra įjungto rope_scaling lauko; todėl konfigūraciją ir gamintojo sąlyginę ilgo konteksto procedūrą reikia tikrinti kartu.
Ilgai įvesčiai vis tiek reikia vietos samprotavimui ir atsakymui. Pradėkite nuo klausimui reikalingų ištraukų, pašalinkite pasikartojančias antraštes ir navigacijos tekstą, išsaugokite puslapių ar dalių identifikatorius. Rezultate paprašykite nuorodų į įrodymus, kad peržiūrintis asmuo galėtų atsekti išvadą iki pateiktos medžiagos. Didelis konteksto limitas padeda į vieną užklausą įtraukti daugiau įrodymų; jis negarantuoja tobulo kiekvienos detalės prisiminimo.
Ką apima mokymas su dokumentais
DocQA-RL-1.6K turi 1 600 mokymo užduočių trijose samprotavimo srityse: 600 skaitinių klausimų iš ilgų specializuotų dokumentų, pavyzdžiui, finansinių ataskaitų; 600 loginių klausimų su keliais atsakymų variantais apie teisinius, finansinius, draudimo ir gamybos dokumentus; ir 400 kelių etapų pavyzdžių, jungiančių įrodymus iš skirtingų šaltinių. Dėl to modelis yra aktualus kandidatas ataskaitų aritmetikai, taisyklių interpretavimui ir klausimams, kuriems reikia kelių pagrindžiančių ištraukų. Mokymo sritys aprašo šių užduočių patirtį, o ne profesinį sertifikavimą ar garantuotas išvadas.
Praktinė išvestis ir ribos
Rinkitės patikrinamą atsakymą: apskaičiuotą vertę su vienetais, taisyklių palyginimą su nuorodomis į dalis arba trumpą išvadą su pagrindžiančių faktų grandine. Jei dokumente trūksta reikiamos datos ar apibrėžties, paprašykite modelio įvardyti trūkstamus įrodymus, o ne juos išgalvoti. Leidimo medžiaga orientuota į atsakymus į klausimus apie dokumentus ir nenustato specialios įrankių iškvietimo sutarties ar atskiros griežtos išvesties ribos. Atsakymus laikykite šaltiniais pagrįstais juodraščiais ir pagal pateiktus dokumentus tikrinkite skaičiavimus, nuorodas bei interpretacijas.
", "aboutText": "Įvadas: samprotavimas apie ilgus dokumentus\n\nQwenLong-L1-32B – tai „Tongyi Lab“ ilgo konteksto tekstinio samprotavimo modelis. Jo paskirtis – atsakyti į klausimus, kurių įrodymai išsidėstę visame dokumente ar keliuose dokumentuose, o ne tiesiog pakartoti netolimą ištrauką. Jis sukurtas iš DeepSeek-R1-Distill-Qwen-32B ir papildomai mokytas dokumentais pagrįsto samprotavimo. Pateikite tekstą ir klausimą; modelis generuoja tekstinę samprotavimo seką bei atsakymą. Nuskenuotiems puslapiams, garsui ir vaizdo įrašams prieš šią tekstinę darbo eigą reikia tinkamo atskiro konvertavimo etapo.\n\nKaip veikia ilgo konteksto mokymas\n\nQwenLong-L1 sistema pirmiausia parengia samprotavimo strategiją prižiūrimu papildomu derinimu, o tada ilgina kontekstą pagal mokymo su pastiprinimu programą. Sudėtingumą įvertinanti retrospektyvi atranka reguliuoja, kurie pavyzdžiai kartojami vykstant mokymui. Gamintojas jungia taisyklėmis ir modeliu pagrįstus dvejetainius rezultato atlygius, naudodamas santykinį grupės strategijos optimizavimą, kad skatintų atsakymus, išliekančius pagrįstus ilgais įrodymais. Tai aprašo kontrolinio taško mokymo būdą; tai nereiškia, kad atskirą atsakymą automatiškai patikrina išorinis vertintojas.\n\nIšleistas leidimas\n\nTai pradinis QwenLong-L1-32B leidimas. Atskirai pavadintas QwenLong-L1-32B-AWQ yra INT4 kvantizuotas leidimas ir turi išlaikyti savą identifikatorių. Paskelbta šio modelio konfigūracija naudoja Qwen2 priežastinio kalbos modelio architektūrą su 64 sluoksniais ir bfloat16 svoriais. Renkantis modelį jo specializacija dokumentuose svarbesnė nei 32B pavadinimo laikymas įrodymu, kad pagerės kiekviena bendrosios paskirties užduotis.\n\nKlausimo apie dokumentą parengimas\n\nGamintojo pavyzdyje dokumentas nuo klausimo atskiriamas aiškiais tekstiniais skirtukais, o po samprotavimo prašoma atpažįstamos galutinio atsakymo frazės. Laikykitės šios struktūros: pateikite aktualų dokumento tekstą, išlaikykite įskaitomas antraštes bei lenteles ir užduokite vieną konkretų klausimą. Ataskaitos skaičiavimui išsaugokite vienetus, ataskaitinius laikotarpius ir lentelių žymas, tada paprašykite formulės, naudotų verčių ir galutinio rezultato. Taisyklių palyginimui dokumentus pažymėkite A ir B bei paprašykite lentelės su sutampančiomis taisyklėmis, skirtumais ir kiekvieną eilutę pagrindžiančia dalimi. Tai autoriaus sukurti dokumentuotų skaitinių ir kelių dokumentų galimybių taikymo pavyzdžiai.\n\nPavyzdyje samprotavimo ir galutinio atsakymo tekstas analizuojami atskirai. Naudojamas 10 000 žetonų generavimo biudžetas, temperature 0.7 ir top_p 0.95; tai pavyzdžio nustatymai, o ne paskelbtas didžiausias išvesties ilgis. Kortelėje taip pat parodytas pasirenkamas tapatybę nustatantis sisteminis pranešimas. Išlaikykite paties šio modelio užklausų gaires, užuot perkėlę kito kontrolinio taško rekomendacijas vien todėl, kad jis yra modelio kilmės grandinėje.\n\nIlgų dokumentų apdorojimas\n\n„Tongyi Lab“ su YaRN patvirtina konteksto ilgius iki 131 072 žetonų ir rekomenduoja išplėtimą, kai bendra įvestis bei išvestis reikšmingai viršija 32 768 žetonus. Pavyzdžiuose aprašomas keturių kartų koeficientas arba mažesnis, pavyzdžiui, dviejų kartų, 65 536 žetonų užduočiai. Statinis išplėtimas gali pabloginti veikimą su trumpesniu tekstu, todėl kortelėje patariama jo neįjungti, kai įprastos užklausos telpa į 32 768 žetonus. Paskelbtoje konfigūracijoje nurodytos 131 072 pozicijos, bet nėra įjungto rope_scaling lauko; todėl konfigūraciją ir gamintojo sąlyginę ilgo konteksto procedūrą reikia tikrinti kartu.\n\nIlgai įvesčiai vis tiek reikia vietos samprotavimui ir atsakymui. Pradėkite nuo klausimui reikalingų ištraukų, pašalinkite pasikartojančias antraštes ir navigacijos tekstą, išsaugokite puslapių ar dalių identifikatorius. Rezultate paprašykite nuorodų į įrodymus, kad peržiūrintis asmuo galėtų atsekti išvadą iki pateiktos medžiagos. Didelis konteksto limitas padeda į vieną užklausą įtraukti daugiau įrodymų; jis negarantuoja tobulo kiekvienos detalės prisiminimo.\n\nKą apima mokymas su dokumentais\n\nDocQA-RL-1.6K turi 1 600 mokymo užduočių trijose samprotavimo srityse: 600 skaitinių klausimų iš ilgų specializuotų dokumentų, pavyzdžiui, finansinių ataskaitų; 600 loginių klausimų su keliais atsakymų variantais apie teisinius, finansinius, draudimo ir gamybos dokumentus; ir 400 kelių etapų pavyzdžių, jungiančių įrodymus iš skirtingų šaltinių. Dėl to modelis yra aktualus kandidatas ataskaitų aritmetikai, taisyklių interpretavimui ir klausimams, kuriems reikia kelių pagrindžiančių ištraukų. Mokymo sritys aprašo šių užduočių patirtį, o ne profesinį sertifikavimą ar garantuotas išvadas.\n\nPraktinė išvestis ir ribos\n\nRinkitės patikrinamą atsakymą: apskaičiuotą vertę su vienetais, taisyklių palyginimą su nuorodomis į dalis arba trumpą išvadą su pagrindžiančių faktų grandine. Jei dokumente trūksta reikiamos datos ar apibrėžties, paprašykite modelio įvardyti trūkstamus įrodymus, o ne juos išgalvoti. Leidimo medžiaga orientuota į atsakymus į klausimus apie dokumentus ir nenustato specialios įrankių iškvietimo sutarties ar atskiros griežtos išvesties ribos. Atsakymus laikykite šaltiniais pagrįstais juodraščiais ir pagal pateiktus dokumentus tikrinkite skaičiavimus, nuorodas bei interpretacijas.", "editorialOverlay": { "copy_fields": { "practical_html": "Techninis pavyzdys anglų kalba
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 – tai „Tongyi Lab“ tekstinio samprotavimo modelis klausimams, pagrįstiems ilgais dokumentais. Jis derina DeepSeek-R1-Distill-Qwen-32B pradinį modelį su į dokumentus orientuotu mokymu su pastiprinimu skaitiniam, loginiam ir kelių dokumentų samprotavimui.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Įvadas: samprotavimas apie ilgus dokumentus
QwenLong-L1-32B – tai „Tongyi Lab“ ilgo konteksto tekstinio samprotavimo modelis. Jo paskirtis – atsakyti į klausimus, kurių įrodymai išsidėstę visame dokumente ar keliuose dokumentuose, o ne tiesiog pakartoti netolimą ištrauką. Jis sukurtas iš DeepSeek-R1-Distill-Qwen-32B ir papildomai mokytas dokumentais pagrįsto samprotavimo. Pateikite tekstą ir klausimą; modelis generuoja tekstinę samprotavimo seką bei atsakymą. Nuskenuotiems puslapiams, garsui ir vaizdo įrašams prieš šią tekstinę darbo eigą reikia tinkamo atskiro konvertavimo etapo.
Kaip veikia ilgo konteksto mokymas
QwenLong-L1 sistema pirmiausia parengia samprotavimo strategiją prižiūrimu papildomu derinimu, o tada ilgina kontekstą pagal mokymo su pastiprinimu programą. Sudėtingumą įvertinanti retrospektyvi atranka reguliuoja, kurie pavyzdžiai kartojami vykstant mokymui. Gamintojas jungia taisyklėmis ir modeliu pagrįstus dvejetainius rezultato atlygius, naudodamas santykinį grupės strategijos optimizavimą, kad skatintų atsakymus, išliekančius pagrįstus ilgais įrodymais. Tai aprašo kontrolinio taško mokymo būdą; tai nereiškia, kad atskirą atsakymą automatiškai patikrina išorinis vertintojas.
Išleistas leidimas
Tai pradinis QwenLong-L1-32B leidimas. Atskirai pavadintas QwenLong-L1-32B-AWQ yra INT4 kvantizuotas leidimas ir turi išlaikyti savą identifikatorių. Paskelbta šio modelio konfigūracija naudoja Qwen2 priežastinio kalbos modelio architektūrą su 64 sluoksniais ir bfloat16 svoriais. Renkantis modelį jo specializacija dokumentuose svarbesnė nei 32B pavadinimo laikymas įrodymu, kad pagerės kiekviena bendrosios paskirties užduotis.
Klausimo apie dokumentą parengimas
Gamintojo pavyzdyje dokumentas nuo klausimo atskiriamas aiškiais tekstiniais skirtukais, o po samprotavimo prašoma atpažįstamos galutinio atsakymo frazės. Laikykitės šios struktūros: pateikite aktualų dokumento tekstą, išlaikykite įskaitomas antraštes bei lenteles ir užduokite vieną konkretų klausimą. Ataskaitos skaičiavimui išsaugokite vienetus, ataskaitinius laikotarpius ir lentelių žymas, tada paprašykite formulės, naudotų verčių ir galutinio rezultato. Taisyklių palyginimui dokumentus pažymėkite A ir B bei paprašykite lentelės su sutampančiomis taisyklėmis, skirtumais ir kiekvieną eilutę pagrindžiančia dalimi. Tai autoriaus sukurti dokumentuotų skaitinių ir kelių dokumentų galimybių taikymo pavyzdžiai.
Pavyzdyje samprotavimo ir galutinio atsakymo tekstas analizuojami atskirai. Naudojamas 10 000 žetonų generavimo biudžetas, temperature 0.7 ir top_p 0.95; tai pavyzdžio nustatymai, o ne paskelbtas didžiausias išvesties ilgis. Kortelėje taip pat parodytas pasirenkamas tapatybę nustatantis sisteminis pranešimas. Išlaikykite paties šio modelio užklausų gaires, užuot perkėlę kito kontrolinio taško rekomendacijas vien todėl, kad jis yra modelio kilmės grandinėje.
Ilgų dokumentų apdorojimas
„Tongyi Lab“ su YaRN patvirtina konteksto ilgius iki 131 072 žetonų ir rekomenduoja išplėtimą, kai bendra įvestis bei išvestis reikšmingai viršija 32 768 žetonus. Pavyzdžiuose aprašomas keturių kartų koeficientas arba mažesnis, pavyzdžiui, dviejų kartų, 65 536 žetonų užduočiai. Statinis išplėtimas gali pabloginti veikimą su trumpesniu tekstu, todėl kortelėje patariama jo neįjungti, kai įprastos užklausos telpa į 32 768 žetonus. Paskelbtoje konfigūracijoje nurodytos 131 072 pozicijos, bet nėra įjungto rope_scaling lauko; todėl konfigūraciją ir gamintojo sąlyginę ilgo konteksto procedūrą reikia tikrinti kartu.
Ilgai įvesčiai vis tiek reikia vietos samprotavimui ir atsakymui. Pradėkite nuo klausimui reikalingų ištraukų, pašalinkite pasikartojančias antraštes ir navigacijos tekstą, išsaugokite puslapių ar dalių identifikatorius. Rezultate paprašykite nuorodų į įrodymus, kad peržiūrintis asmuo galėtų atsekti išvadą iki pateiktos medžiagos. Didelis konteksto limitas padeda į vieną užklausą įtraukti daugiau įrodymų; jis negarantuoja tobulo kiekvienos detalės prisiminimo.
Ką apima mokymas su dokumentais
DocQA-RL-1.6K turi 1 600 mokymo užduočių trijose samprotavimo srityse: 600 skaitinių klausimų iš ilgų specializuotų dokumentų, pavyzdžiui, finansinių ataskaitų; 600 loginių klausimų su keliais atsakymų variantais apie teisinius, finansinius, draudimo ir gamybos dokumentus; ir 400 kelių etapų pavyzdžių, jungiančių įrodymus iš skirtingų šaltinių. Dėl to modelis yra aktualus kandidatas ataskaitų aritmetikai, taisyklių interpretavimui ir klausimams, kuriems reikia kelių pagrindžiančių ištraukų. Mokymo sritys aprašo šių užduočių patirtį, o ne profesinį sertifikavimą ar garantuotas išvadas.
Praktinė išvestis ir ribos
Rinkitės patikrinamą atsakymą: apskaičiuotą vertę su vienetais, taisyklių palyginimą su nuorodomis į dalis arba trumpą išvadą su pagrindžiančių faktų grandine. Jei dokumente trūksta reikiamos datos ar apibrėžties, paprašykite modelio įvardyti trūkstamus įrodymus, o ne juos išgalvoti. Leidimo medžiaga orientuota į atsakymus į klausimus apie dokumentus ir nenustato specialios įrankių iškvietimo sutarties ar atskiros griežtos išvesties ribos. Atsakymus laikykite šaltiniais pagrįstais juodraščiais ir pagal pateiktus dokumentus tikrinkite skaičiavimus, nuorodas bei interpretacijas.
POST /v1/chat/completionstexttext| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Tongyi-Zhiwen/QwenLong-L1-32B | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Pavyzdžiai: system, user, assistant, tool, function Sąlygos: Šie vaidmenys aiškiai išreikšti šaltinio kodo suderinamumo tipuose; tikslus vaidmenų rinkinys priklauso nuo konkretaus modelio. Priklauso nuo modelio | Numatyta— |
Laukasmessages[].content | Tipasstring|content_part[]|null | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_calls | Tipastool_call[] | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_call_id | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: role=tool; naudokite tikrąjį grąžintą ID | Numatyta— |
Laukasmessages[].name | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].reasoning_content | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: Grąžinkite tikrąjį gautą samprotavimą ten, kur šis modelis jį naudoja | Numatyta— |
Laukasmessages[].reasoning_details | Tipasobject|array | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasmax_completion_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Laukasstream_options.include_usage | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastop_p | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasstop | Tipasstring|string[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools | Tipasfunction_tool[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools[].type | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos function Priklauso nuo modelio | Numatyta— |
Laukastools[].function.name | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Taikoma, kai: pateiktas funkcijos tipo įrankis | Numatyta— |
Laukastools[].function.description | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastools[].function.parameters | TipasJSON_schema | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastool_choice | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasparallel_tool_calls | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasresponse_format | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning_effort | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasservice_tier | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasinstructions | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Suderinamumo laukas | Numatyta— |
Laukasfunctions | Tipasfunction[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasfunction_call | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasprompt_cache_options | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmodalities | Tipasstring[] | ReikalavimasNeprivaloma | Reikšmės ir ribos text | Numatyta— |
Laukasprovider | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: provider.options šiame Ultra teksto maršrute atmetamas | Numatyta— |
Laukascache_control.ttl | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: 1h atmetamas tikrosiose užklausų podėlio vietose | Numatyta— |
Tekstas · UTF8 tekstas
messages[].content
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages |
Parametrasmaterial_types | Specifikacijatext |
Parametrasmessages | Specifikacijapranešimų masyvas su role/content struktūra |
Parametrasfile_material | Specifikacijatikrasis UTF-8 dokumentas įterptas kaip pažodinis tekstas; failo ID nenumanomas |
Parametrasoptional_controls | Specifikacijastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrascontrol_scope | Specifikacijapriklauso nuo modelio; naudotojo funkcijų įrankiai skiriasi nuo priglobtų įrankių |
Parametrasoutput_modalities | Specifikacijatext |
Parametrashosted_operations | Specifikacijafalse |
Parametrasmultimodal_input_binding | Specifikacijanull |
Gyvavimo ciklas: synchronous_or_streamed
Siųskite tikslų modelio ID kartu su messages.
Konteksto ilgis nėra išvesties limitas.
Teksto failas gali pateikti pažodinį tekstą; vaizdų / garso / failų objektų įvestims reikia tikslaus susiejimo.
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.00028 / 1K tokenų Išvestis · Išvesties tokenai $0.0012 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite kiekvieną variantą ir jo turinį / įrankių iškvietimus / samprotavimą. SSE prieaugius surinkite pagal varianto / įrankio indeksą; išsaugokite galutinę užbaigimo priežastį ir naudojimo duomenis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukaschoices[].index | Tipasinteger |
Laukaschoices[].message.content | Tipasstring|null |
Laukaschoices[].message.tool_calls | Tipastool_call[] |
Laukaschoices[].message.reasoning_content | Tipasstring |
Laukaschoices[].message.reasoning_details | Tipasobject|array |
Laukaschoices[].finish_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Naudokite aukščiau nurodytus metodų kelius.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B – tai „Tongyi Lab“ tekstinio samprotavimo modelis klausimams, pagrįstiems ilgais dokumentais. Jis derina DeepSeek-R1-Distill-Qwen-32B pradinį modelį su į dokumentus orientuotu mokymu su pastiprinimu skaitiniam, loginiam ir kelių dokumentų samprotavimui.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Įvadas: samprotavimas apie ilgus dokumentus
QwenLong-L1-32B – tai „Tongyi Lab“ ilgo konteksto tekstinio samprotavimo modelis. Jo paskirtis – atsakyti į klausimus, kurių įrodymai išsidėstę visame dokumente ar keliuose dokumentuose, o ne tiesiog pakartoti netolimą ištrauką. Jis sukurtas iš DeepSeek-R1-Distill-Qwen-32B ir papildomai mokytas dokumentais pagrįsto samprotavimo. Pateikite tekstą ir klausimą; modelis generuoja tekstinę samprotavimo seką bei atsakymą. Nuskenuotiems puslapiams, garsui ir vaizdo įrašams prieš šią tekstinę darbo eigą reikia tinkamo atskiro konvertavimo etapo.
Kaip veikia ilgo konteksto mokymas
QwenLong-L1 sistema pirmiausia parengia samprotavimo strategiją prižiūrimu papildomu derinimu, o tada ilgina kontekstą pagal mokymo su pastiprinimu programą. Sudėtingumą įvertinanti retrospektyvi atranka reguliuoja, kurie pavyzdžiai kartojami vykstant mokymui. Gamintojas jungia taisyklėmis ir modeliu pagrįstus dvejetainius rezultato atlygius, naudodamas santykinį grupės strategijos optimizavimą, kad skatintų atsakymus, išliekančius pagrįstus ilgais įrodymais. Tai aprašo kontrolinio taško mokymo būdą; tai nereiškia, kad atskirą atsakymą automatiškai patikrina išorinis vertintojas.
Išleistas leidimas
Tai pradinis QwenLong-L1-32B leidimas. Atskirai pavadintas QwenLong-L1-32B-AWQ yra INT4 kvantizuotas leidimas ir turi išlaikyti savą identifikatorių. Paskelbta šio modelio konfigūracija naudoja Qwen2 priežastinio kalbos modelio architektūrą su 64 sluoksniais ir bfloat16 svoriais. Renkantis modelį jo specializacija dokumentuose svarbesnė nei 32B pavadinimo laikymas įrodymu, kad pagerės kiekviena bendrosios paskirties užduotis.
Klausimo apie dokumentą parengimas
Gamintojo pavyzdyje dokumentas nuo klausimo atskiriamas aiškiais tekstiniais skirtukais, o po samprotavimo prašoma atpažįstamos galutinio atsakymo frazės. Laikykitės šios struktūros: pateikite aktualų dokumento tekstą, išlaikykite įskaitomas antraštes bei lenteles ir užduokite vieną konkretų klausimą. Ataskaitos skaičiavimui išsaugokite vienetus, ataskaitinius laikotarpius ir lentelių žymas, tada paprašykite formulės, naudotų verčių ir galutinio rezultato. Taisyklių palyginimui dokumentus pažymėkite A ir B bei paprašykite lentelės su sutampančiomis taisyklėmis, skirtumais ir kiekvieną eilutę pagrindžiančia dalimi. Tai autoriaus sukurti dokumentuotų skaitinių ir kelių dokumentų galimybių taikymo pavyzdžiai.
Pavyzdyje samprotavimo ir galutinio atsakymo tekstas analizuojami atskirai. Naudojamas 10 000 žetonų generavimo biudžetas, temperature 0.7 ir top_p 0.95; tai pavyzdžio nustatymai, o ne paskelbtas didžiausias išvesties ilgis. Kortelėje taip pat parodytas pasirenkamas tapatybę nustatantis sisteminis pranešimas. Išlaikykite paties šio modelio užklausų gaires, užuot perkėlę kito kontrolinio taško rekomendacijas vien todėl, kad jis yra modelio kilmės grandinėje.
Ilgų dokumentų apdorojimas
„Tongyi Lab“ su YaRN patvirtina konteksto ilgius iki 131 072 žetonų ir rekomenduoja išplėtimą, kai bendra įvestis bei išvestis reikšmingai viršija 32 768 žetonus. Pavyzdžiuose aprašomas keturių kartų koeficientas arba mažesnis, pavyzdžiui, dviejų kartų, 65 536 žetonų užduočiai. Statinis išplėtimas gali pabloginti veikimą su trumpesniu tekstu, todėl kortelėje patariama jo neįjungti, kai įprastos užklausos telpa į 32 768 žetonus. Paskelbtoje konfigūracijoje nurodytos 131 072 pozicijos, bet nėra įjungto rope_scaling lauko; todėl konfigūraciją ir gamintojo sąlyginę ilgo konteksto procedūrą reikia tikrinti kartu.
Ilgai įvesčiai vis tiek reikia vietos samprotavimui ir atsakymui. Pradėkite nuo klausimui reikalingų ištraukų, pašalinkite pasikartojančias antraštes ir navigacijos tekstą, išsaugokite puslapių ar dalių identifikatorius. Rezultate paprašykite nuorodų į įrodymus, kad peržiūrintis asmuo galėtų atsekti išvadą iki pateiktos medžiagos. Didelis konteksto limitas padeda į vieną užklausą įtraukti daugiau įrodymų; jis negarantuoja tobulo kiekvienos detalės prisiminimo.
Ką apima mokymas su dokumentais
DocQA-RL-1.6K turi 1 600 mokymo užduočių trijose samprotavimo srityse: 600 skaitinių klausimų iš ilgų specializuotų dokumentų, pavyzdžiui, finansinių ataskaitų; 600 loginių klausimų su keliais atsakymų variantais apie teisinius, finansinius, draudimo ir gamybos dokumentus; ir 400 kelių etapų pavyzdžių, jungiančių įrodymus iš skirtingų šaltinių. Dėl to modelis yra aktualus kandidatas ataskaitų aritmetikai, taisyklių interpretavimui ir klausimams, kuriems reikia kelių pagrindžiančių ištraukų. Mokymo sritys aprašo šių užduočių patirtį, o ne profesinį sertifikavimą ar garantuotas išvadas.
Praktinė išvestis ir ribos
Rinkitės patikrinamą atsakymą: apskaičiuotą vertę su vienetais, taisyklių palyginimą su nuorodomis į dalis arba trumpą išvadą su pagrindžiančių faktų grandine. Jei dokumente trūksta reikiamos datos ar apibrėžties, paprašykite modelio įvardyti trūkstamus įrodymus, o ne juos išgalvoti. Leidimo medžiaga orientuota į atsakymus į klausimus apie dokumentus ir nenustato specialios įrankių iškvietimo sutarties ar atskiros griežtos išvesties ribos. Atsakymus laikykite šaltiniais pagrįstais juodraščiais ir pagal pateiktus dokumentus tikrinkite skaičiavimus, nuorodas bei interpretacijas.
POST /v1/messagestextjson, sse| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Tongyi-Zhiwen/QwenLong-L1-32B | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos user, assistant | Numatyta— |
Laukasmessages[].content | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Tekstas · UTF-8 tekstas
messages[].content eilutė
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages, max_tokens |
Parametrasoptional_controls | Specifikacijastream |
Parametrasmaterial_types | Specifikacijatext |
Parametrastext_file_material | SpecifikacijaPerskaitykite tikrąjį UTF-8 dokumentą ir įterpkite jo tekstą į nurodytą input lauką arba pranešimo turinio eilutę. |
Gyvavimo ciklas: synchronous_or_streamed
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.00028 / 1K tokenų Išvestis · Išvesties tokenai $0.0012 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visus turinio blokus, mąstymo parašus ir tikruosius įrankių naudojimo ID. Surinkite visus SSE blokų prieaugius; pirmasis teksto blokas nėra visa išvestis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukasid | Tipasstring |
Laukasmodel | Tipasstring |
Laukascontent[] | Tipastext|thinking|tool_use|other content block |
Laukasstop_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Naudokite aukščiau nurodytus metodų kelius.
Techninis pavyzdys anglų kalba
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.