Pengenalan: penaakulan terhadap dokumen panjang
QwenLong-L1-32B ialah model penaakulan teks konteks panjang Tongyi Lab. Tujuannya ialah menjawab soalan yang buktinya tersebar dalam sesuatu dokumen atau merentas beberapa dokumen, bukan sekadar mengulangi petikan berdekatan. Ia dibina daripada DeepSeek-R1-Distill-Qwen-32B dan dilatih lanjut untuk penaakulan berpandukan dokumen. Bekalkan teks dan soalan; model menjana urutan penaakulan teks dan jawapan. Halaman yang diimbas, audio dan video memerlukan langkah penukaran berasingan yang sesuai sebelum aliran kerja teks ini.
Cara latihan konteks panjang berfungsi
Kerangka QwenLong-L1 mula-mula menjalankan latihan awal dasar penaakulan melalui penalaan halus terselia, kemudian meningkatkan panjang konteks melalui kurikulum pembelajaran pengukuhan. Pensampelan retrospektif yang mengambil kira kesukaran melaraskan contoh yang digunakan semula semasa latihan berlangsung. Pengeluar menggabungkan ganjaran hasil binari berasaskan peraturan dan model, menggunakan pengoptimuman dasar relatif kumpulan untuk menggalakkan jawapan yang kekal berpandukan bukti panjang. Ini menerangkan pendekatan latihan titik semak; ia tidak bermakna sesuatu jawapan disahkan secara automatik oleh penilai luaran.
Edisi yang dikeluarkan
Ini ialah keluaran QwenLong-L1-32B asal. QwenLong-L1-32B-AWQ yang dinamakan secara berasingan ialah edisi terkuantisasi INT4 dan perlu mengekalkan identitinya sendiri. Konfigurasi yang diterbitkan untuk model ini menggunakan seni bina model bahasa kausal Qwen2 dengan 64 lapisan dan pemberat bfloat16. Pengkhususan dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahawa setiap tugasan serba guna akan bertambah baik.
Menyediakan soalan dokumen
Contoh pengeluar memisahkan dokumen daripada soalan dengan pembatas teks yang jelas dan meminta frasa jawapan akhir yang boleh dikenal pasti selepas penaakulan. Ikuti struktur itu: berikan isi dokumen yang berkaitan, pastikan tajuk dan jadual boleh dibaca, dan tanya satu soalan konkrit. Untuk pengiraan laporan, kekalkan unit, tempoh pelaporan dan label jadual, kemudian minta formula, nilai yang digunakan dan hasil akhir. Untuk perbandingan dasar, labelkan dokumen A dan B serta minta jadual peraturan yang sepadan, perbezaan dan bahagian sokongan bagi setiap baris. Ini ialah contoh aplikasi yang dirangka berdasarkan keupayaan berangka dan merentas dokumen yang didokumenkan.
Contoh menghuraikan penaakulan dan teks jawapan akhir secara berasingan. Ia menggunakan belanjawan penjanaan 10,000 token, temperature 0.7 dan top_p 0.95; itu ialah tetapan contoh, bukannya panjang output maksimum yang diisytiharkan. Kad turut menunjukkan mesej sistem pilihan yang menetapkan identiti. Kekalkan panduan prompt model ini sendiri tanpa mengambil cadangan titik semak yang berbeza semata-mata kerana ia muncul dalam asal usul model.
Memproses dokumen panjang
Tongyi Lab mengesahkan panjang konteks sehingga 131,072 token menggunakan YaRN dan mengesyorkan penskalaan apabila gabungan input serta output jauh melebihi 32,768 token. Contohnya menerangkan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65,536 token. Penskalaan statik boleh mengurangkan prestasi pada teks lebih pendek, jadi kad menasihatkan supaya ia tidak diaktifkan apabila permintaan biasa kekal dalam 32,768 token. Konfigurasi yang diterbitkan menyenaraikan 131,072 kedudukan tetapi tiada medan rope_scaling yang diaktifkan; oleh itu, konfigurasi dan prosedur konteks panjang bersyarat pengeluar perlu disemak bersama.
Input panjang masih memerlukan ruang untuk penaakulan dan jawapan. Mulakan dengan petikan yang diperlukan bagi soalan, buang pengepala berulang dan teks navigasi, serta kekalkan pengecam halaman atau bahagian. Minta rujukan bukti dalam hasil supaya penyemak boleh menelusuri kesimpulan kembali kepada bahan yang dibekalkan. Peruntukan konteks yang besar membantu meletakkan lebih banyak bukti dalam satu permintaan; ia tidak menjamin ingatan sempurna terhadap setiap butiran.
Perkara yang diliputi oleh latihan dokumen
DocQA-RL-1.6K mengandungi 1,600 masalah latihan merentas tiga bidang penaakulan: 600 soalan berangka daripada dokumen khusus yang panjang seperti laporan kewangan; 600 soalan aneka pilihan logik tentang dokumen undang-undang, kewangan, insurans dan pengeluaran; serta 400 contoh berbilang langkah yang menghubungkan bukti merentas sumber. Ini menjadikan model calon yang berkaitan untuk aritmetik laporan, pentafsiran peraturan dan soalan yang memerlukan beberapa petikan sokongan. Bidang latihan menerangkan pengalaman dengan tugasan itu, bukannya pensijilan profesional atau kesimpulan yang dijamin.
Output praktikal dan had
Pilih jawapan yang boleh disemak: nilai yang dikira bersama unit, perbandingan peraturan bersama rujukan bahagian atau kesimpulan ringkas dengan rangkaian fakta sokongan. Jika dokumen tidak menyertakan tarikh atau takrif yang diperlukan, minta model mengenal pasti bukti yang tiada tanpa mereka-rekanya. Bahan keluaran memfokuskan penjawaban soalan dokumen dan tidak menetapkan kontrak panggilan alat khusus atau had keras output yang berasingan. Anggap jawapan sebagai draf berpandukan sumber dan sahkan pengiraan, rujukan serta pentafsiran dengan membandingkannya dengan dokumen yang dibekalkan.
", "aboutText": "Pengenalan: penaakulan terhadap dokumen panjang\n\nQwenLong-L1-32B ialah model penaakulan teks konteks panjang Tongyi Lab. Tujuannya ialah menjawab soalan yang buktinya tersebar dalam sesuatu dokumen atau merentas beberapa dokumen, bukan sekadar mengulangi petikan berdekatan. Ia dibina daripada DeepSeek-R1-Distill-Qwen-32B dan dilatih lanjut untuk penaakulan berpandukan dokumen. Bekalkan teks dan soalan; model menjana urutan penaakulan teks dan jawapan. Halaman yang diimbas, audio dan video memerlukan langkah penukaran berasingan yang sesuai sebelum aliran kerja teks ini.\n\nCara latihan konteks panjang berfungsi\n\nKerangka QwenLong-L1 mula-mula menjalankan latihan awal dasar penaakulan melalui penalaan halus terselia, kemudian meningkatkan panjang konteks melalui kurikulum pembelajaran pengukuhan. Pensampelan retrospektif yang mengambil kira kesukaran melaraskan contoh yang digunakan semula semasa latihan berlangsung. Pengeluar menggabungkan ganjaran hasil binari berasaskan peraturan dan model, menggunakan pengoptimuman dasar relatif kumpulan untuk menggalakkan jawapan yang kekal berpandukan bukti panjang. Ini menerangkan pendekatan latihan titik semak; ia tidak bermakna sesuatu jawapan disahkan secara automatik oleh penilai luaran.\n\nEdisi yang dikeluarkan\n\nIni ialah keluaran QwenLong-L1-32B asal. QwenLong-L1-32B-AWQ yang dinamakan secara berasingan ialah edisi terkuantisasi INT4 dan perlu mengekalkan identitinya sendiri. Konfigurasi yang diterbitkan untuk model ini menggunakan seni bina model bahasa kausal Qwen2 dengan 64 lapisan dan pemberat bfloat16. Pengkhususan dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahawa setiap tugasan serba guna akan bertambah baik.\n\nMenyediakan soalan dokumen\n\nContoh pengeluar memisahkan dokumen daripada soalan dengan pembatas teks yang jelas dan meminta frasa jawapan akhir yang boleh dikenal pasti selepas penaakulan. Ikuti struktur itu: berikan isi dokumen yang berkaitan, pastikan tajuk dan jadual boleh dibaca, dan tanya satu soalan konkrit. Untuk pengiraan laporan, kekalkan unit, tempoh pelaporan dan label jadual, kemudian minta formula, nilai yang digunakan dan hasil akhir. Untuk perbandingan dasar, labelkan dokumen A dan B serta minta jadual peraturan yang sepadan, perbezaan dan bahagian sokongan bagi setiap baris. Ini ialah contoh aplikasi yang dirangka berdasarkan keupayaan berangka dan merentas dokumen yang didokumenkan.\n\nContoh menghuraikan penaakulan dan teks jawapan akhir secara berasingan. Ia menggunakan belanjawan penjanaan 10,000 token, temperature 0.7 dan top_p 0.95; itu ialah tetapan contoh, bukannya panjang output maksimum yang diisytiharkan. Kad turut menunjukkan mesej sistem pilihan yang menetapkan identiti. Kekalkan panduan prompt model ini sendiri tanpa mengambil cadangan titik semak yang berbeza semata-mata kerana ia muncul dalam asal usul model.\n\nMemproses dokumen panjang\n\nTongyi Lab mengesahkan panjang konteks sehingga 131,072 token menggunakan YaRN dan mengesyorkan penskalaan apabila gabungan input serta output jauh melebihi 32,768 token. Contohnya menerangkan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65,536 token. Penskalaan statik boleh mengurangkan prestasi pada teks lebih pendek, jadi kad menasihatkan supaya ia tidak diaktifkan apabila permintaan biasa kekal dalam 32,768 token. Konfigurasi yang diterbitkan menyenaraikan 131,072 kedudukan tetapi tiada medan rope_scaling yang diaktifkan; oleh itu, konfigurasi dan prosedur konteks panjang bersyarat pengeluar perlu disemak bersama.\n\nInput panjang masih memerlukan ruang untuk penaakulan dan jawapan. Mulakan dengan petikan yang diperlukan bagi soalan, buang pengepala berulang dan teks navigasi, serta kekalkan pengecam halaman atau bahagian. Minta rujukan bukti dalam hasil supaya penyemak boleh menelusuri kesimpulan kembali kepada bahan yang dibekalkan. Peruntukan konteks yang besar membantu meletakkan lebih banyak bukti dalam satu permintaan; ia tidak menjamin ingatan sempurna terhadap setiap butiran.\n\nPerkara yang diliputi oleh latihan dokumen\n\nDocQA-RL-1.6K mengandungi 1,600 masalah latihan merentas tiga bidang penaakulan: 600 soalan berangka daripada dokumen khusus yang panjang seperti laporan kewangan; 600 soalan aneka pilihan logik tentang dokumen undang-undang, kewangan, insurans dan pengeluaran; serta 400 contoh berbilang langkah yang menghubungkan bukti merentas sumber. Ini menjadikan model calon yang berkaitan untuk aritmetik laporan, pentafsiran peraturan dan soalan yang memerlukan beberapa petikan sokongan. Bidang latihan menerangkan pengalaman dengan tugasan itu, bukannya pensijilan profesional atau kesimpulan yang dijamin.\n\nOutput praktikal dan had\n\nPilih jawapan yang boleh disemak: nilai yang dikira bersama unit, perbandingan peraturan bersama rujukan bahagian atau kesimpulan ringkas dengan rangkaian fakta sokongan. Jika dokumen tidak menyertakan tarikh atau takrif yang diperlukan, minta model mengenal pasti bukti yang tiada tanpa mereka-rekanya. Bahan keluaran memfokuskan penjawaban soalan dokumen dan tidak menetapkan kontrak panggilan alat khusus atau had keras output yang berasingan. Anggap jawapan sebagai draf berpandukan sumber dan sahkan pengiraan, rujukan serta pentafsiran dengan membandingkannya dengan dokumen yang dibekalkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model penaakulan teks Tongyi Lab untuk soalan yang berpandukan dokumen panjang. Ia menggabungkan titik permulaan DeepSeek-R1-Distill-Qwen-32B dengan pembelajaran pengukuhan yang memfokuskan dokumen untuk penaakulan berangka, logik dan merentas dokumen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: penaakulan terhadap dokumen panjang
QwenLong-L1-32B ialah model penaakulan teks konteks panjang Tongyi Lab. Tujuannya ialah menjawab soalan yang buktinya tersebar dalam sesuatu dokumen atau merentas beberapa dokumen, bukan sekadar mengulangi petikan berdekatan. Ia dibina daripada DeepSeek-R1-Distill-Qwen-32B dan dilatih lanjut untuk penaakulan berpandukan dokumen. Bekalkan teks dan soalan; model menjana urutan penaakulan teks dan jawapan. Halaman yang diimbas, audio dan video memerlukan langkah penukaran berasingan yang sesuai sebelum aliran kerja teks ini.
Cara latihan konteks panjang berfungsi
Kerangka QwenLong-L1 mula-mula menjalankan latihan awal dasar penaakulan melalui penalaan halus terselia, kemudian meningkatkan panjang konteks melalui kurikulum pembelajaran pengukuhan. Pensampelan retrospektif yang mengambil kira kesukaran melaraskan contoh yang digunakan semula semasa latihan berlangsung. Pengeluar menggabungkan ganjaran hasil binari berasaskan peraturan dan model, menggunakan pengoptimuman dasar relatif kumpulan untuk menggalakkan jawapan yang kekal berpandukan bukti panjang. Ini menerangkan pendekatan latihan titik semak; ia tidak bermakna sesuatu jawapan disahkan secara automatik oleh penilai luaran.
Edisi yang dikeluarkan
Ini ialah keluaran QwenLong-L1-32B asal. QwenLong-L1-32B-AWQ yang dinamakan secara berasingan ialah edisi terkuantisasi INT4 dan perlu mengekalkan identitinya sendiri. Konfigurasi yang diterbitkan untuk model ini menggunakan seni bina model bahasa kausal Qwen2 dengan 64 lapisan dan pemberat bfloat16. Pengkhususan dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahawa setiap tugasan serba guna akan bertambah baik.
Menyediakan soalan dokumen
Contoh pengeluar memisahkan dokumen daripada soalan dengan pembatas teks yang jelas dan meminta frasa jawapan akhir yang boleh dikenal pasti selepas penaakulan. Ikuti struktur itu: berikan isi dokumen yang berkaitan, pastikan tajuk dan jadual boleh dibaca, dan tanya satu soalan konkrit. Untuk pengiraan laporan, kekalkan unit, tempoh pelaporan dan label jadual, kemudian minta formula, nilai yang digunakan dan hasil akhir. Untuk perbandingan dasar, labelkan dokumen A dan B serta minta jadual peraturan yang sepadan, perbezaan dan bahagian sokongan bagi setiap baris. Ini ialah contoh aplikasi yang dirangka berdasarkan keupayaan berangka dan merentas dokumen yang didokumenkan.
Contoh menghuraikan penaakulan dan teks jawapan akhir secara berasingan. Ia menggunakan belanjawan penjanaan 10,000 token, temperature 0.7 dan top_p 0.95; itu ialah tetapan contoh, bukannya panjang output maksimum yang diisytiharkan. Kad turut menunjukkan mesej sistem pilihan yang menetapkan identiti. Kekalkan panduan prompt model ini sendiri tanpa mengambil cadangan titik semak yang berbeza semata-mata kerana ia muncul dalam asal usul model.
Memproses dokumen panjang
Tongyi Lab mengesahkan panjang konteks sehingga 131,072 token menggunakan YaRN dan mengesyorkan penskalaan apabila gabungan input serta output jauh melebihi 32,768 token. Contohnya menerangkan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65,536 token. Penskalaan statik boleh mengurangkan prestasi pada teks lebih pendek, jadi kad menasihatkan supaya ia tidak diaktifkan apabila permintaan biasa kekal dalam 32,768 token. Konfigurasi yang diterbitkan menyenaraikan 131,072 kedudukan tetapi tiada medan rope_scaling yang diaktifkan; oleh itu, konfigurasi dan prosedur konteks panjang bersyarat pengeluar perlu disemak bersama.
Input panjang masih memerlukan ruang untuk penaakulan dan jawapan. Mulakan dengan petikan yang diperlukan bagi soalan, buang pengepala berulang dan teks navigasi, serta kekalkan pengecam halaman atau bahagian. Minta rujukan bukti dalam hasil supaya penyemak boleh menelusuri kesimpulan kembali kepada bahan yang dibekalkan. Peruntukan konteks yang besar membantu meletakkan lebih banyak bukti dalam satu permintaan; ia tidak menjamin ingatan sempurna terhadap setiap butiran.
Perkara yang diliputi oleh latihan dokumen
DocQA-RL-1.6K mengandungi 1,600 masalah latihan merentas tiga bidang penaakulan: 600 soalan berangka daripada dokumen khusus yang panjang seperti laporan kewangan; 600 soalan aneka pilihan logik tentang dokumen undang-undang, kewangan, insurans dan pengeluaran; serta 400 contoh berbilang langkah yang menghubungkan bukti merentas sumber. Ini menjadikan model calon yang berkaitan untuk aritmetik laporan, pentafsiran peraturan dan soalan yang memerlukan beberapa petikan sokongan. Bidang latihan menerangkan pengalaman dengan tugasan itu, bukannya pensijilan profesional atau kesimpulan yang dijamin.
Output praktikal dan had
Pilih jawapan yang boleh disemak: nilai yang dikira bersama unit, perbandingan peraturan bersama rujukan bahagian atau kesimpulan ringkas dengan rangkaian fakta sokongan. Jika dokumen tidak menyertakan tarikh atau takrif yang diperlukan, minta model mengenal pasti bukti yang tiada tanpa mereka-rekanya. Bahan keluaran memfokuskan penjawaban soalan dokumen dan tidak menetapkan kontrak panggilan alat khusus atau had keras output yang berasingan. Anggap jawapan sebagai draf berpandukan sumber dan sahkan pengiraan, rujukan serta pentafsiran dengan membandingkannya dengan dokumen yang dibekalkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Tongyi-Zhiwen/QwenLong-L1-32B | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00028 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Tongyi-Zhiwen/QwenLong-L1-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Gunakan laluan kaedah yang dipaparkan di atas.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B ialah model penaakulan teks Tongyi Lab untuk soalan yang berpandukan dokumen panjang. Ia menggabungkan titik permulaan DeepSeek-R1-Distill-Qwen-32B dengan pembelajaran pengukuhan yang memfokuskan dokumen untuk penaakulan berangka, logik dan merentas dokumen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: penaakulan terhadap dokumen panjang
QwenLong-L1-32B ialah model penaakulan teks konteks panjang Tongyi Lab. Tujuannya ialah menjawab soalan yang buktinya tersebar dalam sesuatu dokumen atau merentas beberapa dokumen, bukan sekadar mengulangi petikan berdekatan. Ia dibina daripada DeepSeek-R1-Distill-Qwen-32B dan dilatih lanjut untuk penaakulan berpandukan dokumen. Bekalkan teks dan soalan; model menjana urutan penaakulan teks dan jawapan. Halaman yang diimbas, audio dan video memerlukan langkah penukaran berasingan yang sesuai sebelum aliran kerja teks ini.
Cara latihan konteks panjang berfungsi
Kerangka QwenLong-L1 mula-mula menjalankan latihan awal dasar penaakulan melalui penalaan halus terselia, kemudian meningkatkan panjang konteks melalui kurikulum pembelajaran pengukuhan. Pensampelan retrospektif yang mengambil kira kesukaran melaraskan contoh yang digunakan semula semasa latihan berlangsung. Pengeluar menggabungkan ganjaran hasil binari berasaskan peraturan dan model, menggunakan pengoptimuman dasar relatif kumpulan untuk menggalakkan jawapan yang kekal berpandukan bukti panjang. Ini menerangkan pendekatan latihan titik semak; ia tidak bermakna sesuatu jawapan disahkan secara automatik oleh penilai luaran.
Edisi yang dikeluarkan
Ini ialah keluaran QwenLong-L1-32B asal. QwenLong-L1-32B-AWQ yang dinamakan secara berasingan ialah edisi terkuantisasi INT4 dan perlu mengekalkan identitinya sendiri. Konfigurasi yang diterbitkan untuk model ini menggunakan seni bina model bahasa kausal Qwen2 dengan 64 lapisan dan pemberat bfloat16. Pengkhususan dokumen model lebih relevan untuk pemilihan daripada menganggap nama 32B sebagai bukti bahawa setiap tugasan serba guna akan bertambah baik.
Menyediakan soalan dokumen
Contoh pengeluar memisahkan dokumen daripada soalan dengan pembatas teks yang jelas dan meminta frasa jawapan akhir yang boleh dikenal pasti selepas penaakulan. Ikuti struktur itu: berikan isi dokumen yang berkaitan, pastikan tajuk dan jadual boleh dibaca, dan tanya satu soalan konkrit. Untuk pengiraan laporan, kekalkan unit, tempoh pelaporan dan label jadual, kemudian minta formula, nilai yang digunakan dan hasil akhir. Untuk perbandingan dasar, labelkan dokumen A dan B serta minta jadual peraturan yang sepadan, perbezaan dan bahagian sokongan bagi setiap baris. Ini ialah contoh aplikasi yang dirangka berdasarkan keupayaan berangka dan merentas dokumen yang didokumenkan.
Contoh menghuraikan penaakulan dan teks jawapan akhir secara berasingan. Ia menggunakan belanjawan penjanaan 10,000 token, temperature 0.7 dan top_p 0.95; itu ialah tetapan contoh, bukannya panjang output maksimum yang diisytiharkan. Kad turut menunjukkan mesej sistem pilihan yang menetapkan identiti. Kekalkan panduan prompt model ini sendiri tanpa mengambil cadangan titik semak yang berbeza semata-mata kerana ia muncul dalam asal usul model.
Memproses dokumen panjang
Tongyi Lab mengesahkan panjang konteks sehingga 131,072 token menggunakan YaRN dan mengesyorkan penskalaan apabila gabungan input serta output jauh melebihi 32,768 token. Contohnya menerangkan faktor empat, atau faktor lebih kecil seperti dua untuk beban kerja 65,536 token. Penskalaan statik boleh mengurangkan prestasi pada teks lebih pendek, jadi kad menasihatkan supaya ia tidak diaktifkan apabila permintaan biasa kekal dalam 32,768 token. Konfigurasi yang diterbitkan menyenaraikan 131,072 kedudukan tetapi tiada medan rope_scaling yang diaktifkan; oleh itu, konfigurasi dan prosedur konteks panjang bersyarat pengeluar perlu disemak bersama.
Input panjang masih memerlukan ruang untuk penaakulan dan jawapan. Mulakan dengan petikan yang diperlukan bagi soalan, buang pengepala berulang dan teks navigasi, serta kekalkan pengecam halaman atau bahagian. Minta rujukan bukti dalam hasil supaya penyemak boleh menelusuri kesimpulan kembali kepada bahan yang dibekalkan. Peruntukan konteks yang besar membantu meletakkan lebih banyak bukti dalam satu permintaan; ia tidak menjamin ingatan sempurna terhadap setiap butiran.
Perkara yang diliputi oleh latihan dokumen
DocQA-RL-1.6K mengandungi 1,600 masalah latihan merentas tiga bidang penaakulan: 600 soalan berangka daripada dokumen khusus yang panjang seperti laporan kewangan; 600 soalan aneka pilihan logik tentang dokumen undang-undang, kewangan, insurans dan pengeluaran; serta 400 contoh berbilang langkah yang menghubungkan bukti merentas sumber. Ini menjadikan model calon yang berkaitan untuk aritmetik laporan, pentafsiran peraturan dan soalan yang memerlukan beberapa petikan sokongan. Bidang latihan menerangkan pengalaman dengan tugasan itu, bukannya pensijilan profesional atau kesimpulan yang dijamin.
Output praktikal dan had
Pilih jawapan yang boleh disemak: nilai yang dikira bersama unit, perbandingan peraturan bersama rujukan bahagian atau kesimpulan ringkas dengan rangkaian fakta sokongan. Jika dokumen tidak menyertakan tarikh atau takrif yang diperlukan, minta model mengenal pasti bukti yang tiada tanpa mereka-rekanya. Bahan keluaran memfokuskan penjawaban soalan dokumen dan tidak menetapkan kontrak panggilan alat khusus atau had keras output yang berasingan. Anggap jawapan sebagai draf berpandukan sumber dan sahkan pengiraan, rujukan serta pentafsiran dengan membandingkannya dengan dokumen yang dibekalkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Tongyi-Zhiwen/QwenLong-L1-32B | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00028 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.