Innledning: resonnering over lange dokumenter
QwenLong-L1-32B er Tongyi Labs tekstresonneringsmodell med lang kontekst. Formålet er å svare på spørsmål der belegget er spredt gjennom et dokument eller på tvers av flere dokumenter, fremfor bare å gjenta et nærliggende tekstutdrag. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videre trent for dokumentforankret resonnering. Gi tekst og et spørsmål; modellen genererer en tekstlig resonneringssekvens og et svar. Skannede sider, lyd og video trenger et passende separat konverteringstrinn før denne tekstarbeidsflyten.
Slik fungerer treningen med lang kontekst
QwenLong-L1-rammeverket varmer først opp en resonneringsstrategi med veiledet finjustering og øker deretter kontekstlengden gjennom et læreprogram med forsterkningslæring. Vanskelighetsbevisst retrospektiv sampling justerer hvilke eksempler som tas opp igjen etter hvert som treningen går fremover. Produsenten kombinerer regelbaserte og modellbaserte binære utfallsbelønninger og bruker grupperelativ strategioptimalisering for å oppmuntre til svar som forblir forankret i langt kildemateriale. Dette beskriver kontrollpunktets treningstilnærming; det betyr ikke at et enkelt svar automatisk blir bekreftet av en ekstern dommer.
Den utgitte utgaven
Dette er den opprinnelige QwenLong-L1-32B-utgivelsen. Den separat navngitte QwenLong-L1-32B-AWQ er en INT4-kvantisert utgave og bør beholde sin egen identitet. Den publiserte konfigurasjonen for denne modellen bruker en kausal Qwen2-språkmodellarkitektur med 64 lag og bfloat16-vekter. Modellens dokumentspesialisering er mer relevant ved valg enn å behandle 32B-navnet som bevis for at alle generelle oppgaver blir bedre.
Forbered et dokumentspørsmål
Produsentens eksempel skiller dokumentet fra spørsmålet med uttrykkelige tekstavgrensere og ber om en gjenkjennelig frase for det endelige svaret etter resonneringen. Følg denne strukturen: gi den relevante dokumentteksten, hold overskrifter og tabeller lesbare, og still ett konkret spørsmål. For en rapportberegning bevarer du enheter, rapporteringsperioder og tabelletiketter, og ber deretter om formelen, verdiene som brukes, og et sluttresultat. For en sammenligning av retningslinjer merker du dokumentene A og B og ber om en tabell med samsvarende regler, forskjeller og den støttende delen for hver rad. Dette er utformede anvendelser av de dokumenterte numeriske og tverrdokumentære egenskapene.
Eksemplet parser resonnering og endelig svartekst hver for seg. Det bruker et genereringsbudsjett på 10 000 tokener, temperature 0.7 og top_p 0.95; dette er eksempelinnstillinger, ikke en erklært maksimal utdatalengde. Kortet viser også en valgfri systemmelding som setter identitet. Behold denne modellens egen promptveiledning fremfor å importere anbefalingene til et annet kontrollpunkt bare fordi det inngår i modellens opphav.
Behandling av lange dokumenter
Tongyi Lab validerer kontekstlengder opptil 131 072 tokener med YaRN og anbefaler skalering når kombinerte inndata og utdata er vesentlig større enn 32 768 tokener. Eksemplene beskriver en faktor på fire, eller en mindre faktor som to for en arbeidsbelastning på 65 536 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så kortet fraråder å aktivere den når vanlige forespørsler holder seg innenfor 32 768 tokener. Den publiserte konfigurasjonen oppgir 131 072 posisjoner, men ikke noe aktivert rope_scaling-felt; konfigurasjonen og produsentens betingede prosedyre for lang kontekst bør derfor kontrolleres sammen.
Lange inndata trenger fortsatt plass til resonnering og svaret. Start med tekstutdragene som trengs for spørsmålet, fjern gjentatte topptekster og navigasjonstekst, og behold side- eller delidentifikatorer. Be om beleggreferanser i resultatet, slik at en leser kan spore konklusjonen tilbake til det innsendte materialet. En stor konteksttildeling hjelper med å plassere mer belegg i én forespørsel; den fastslår ikke perfekt gjenkalling av hver detalj.
Hva dokumenttreningen dekker
DocQA-RL-1.6K inneholder 1600 treningsproblemer på tvers av tre resonneringsdomener: 600 numeriske spørsmål fra lange spesialiserte dokumenter, som finansrapporter; 600 logiske flervalgsspørsmål om juridiske dokumenter, finans-, forsikrings- og produksjonsdokumenter; og 400 eksempler med flere ledd som knytter belegg sammen på tvers av kilder. Dette gjør modellen til en relevant kandidat for rapportregning, regeltolkning og spørsmål som krever flere støttende tekstutdrag. Treningsdomenene beskriver erfaring med disse oppgavene, ikke profesjonell sertifisering eller garanterte konklusjoner.
Praktiske utdata og grenser
Velg et svar som kan kontrolleres: en beregnet verdi med enheter, en regelsammenligning med delreferanser eller en kort konklusjon med kjeden av støttende fakta. Hvis dokumentet utelater en påkrevd dato eller definisjon, ber du modellen identifisere det manglende belegget fremfor å finne det på. Utgivelsesmaterialet fokuserer på spørsmål og svar om dokumenter og fastslår ikke en egen kontrakt for verktøykall eller en separat hard grense for utdata. Behandle svar som kildeforankrede utkast, og kontroller beregninger, referanser og tolkninger opp mot de innsendte dokumentene.
", "aboutText": "Innledning: resonnering over lange dokumenter\n\nQwenLong-L1-32B er Tongyi Labs tekstresonneringsmodell med lang kontekst. Formålet er å svare på spørsmål der belegget er spredt gjennom et dokument eller på tvers av flere dokumenter, fremfor bare å gjenta et nærliggende tekstutdrag. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videre trent for dokumentforankret resonnering. Gi tekst og et spørsmål; modellen genererer en tekstlig resonneringssekvens og et svar. Skannede sider, lyd og video trenger et passende separat konverteringstrinn før denne tekstarbeidsflyten.\n\nSlik fungerer treningen med lang kontekst\n\nQwenLong-L1-rammeverket varmer først opp en resonneringsstrategi med veiledet finjustering og øker deretter kontekstlengden gjennom et læreprogram med forsterkningslæring. Vanskelighetsbevisst retrospektiv sampling justerer hvilke eksempler som tas opp igjen etter hvert som treningen går fremover. Produsenten kombinerer regelbaserte og modellbaserte binære utfallsbelønninger og bruker grupperelativ strategioptimalisering for å oppmuntre til svar som forblir forankret i langt kildemateriale. Dette beskriver kontrollpunktets treningstilnærming; det betyr ikke at et enkelt svar automatisk blir bekreftet av en ekstern dommer.\n\nDen utgitte utgaven\n\nDette er den opprinnelige QwenLong-L1-32B-utgivelsen. Den separat navngitte QwenLong-L1-32B-AWQ er en INT4-kvantisert utgave og bør beholde sin egen identitet. Den publiserte konfigurasjonen for denne modellen bruker en kausal Qwen2-språkmodellarkitektur med 64 lag og bfloat16-vekter. Modellens dokumentspesialisering er mer relevant ved valg enn å behandle 32B-navnet som bevis for at alle generelle oppgaver blir bedre.\n\nForbered et dokumentspørsmål\n\nProdusentens eksempel skiller dokumentet fra spørsmålet med uttrykkelige tekstavgrensere og ber om en gjenkjennelig frase for det endelige svaret etter resonneringen. Følg denne strukturen: gi den relevante dokumentteksten, hold overskrifter og tabeller lesbare, og still ett konkret spørsmål. For en rapportberegning bevarer du enheter, rapporteringsperioder og tabelletiketter, og ber deretter om formelen, verdiene som brukes, og et sluttresultat. For en sammenligning av retningslinjer merker du dokumentene A og B og ber om en tabell med samsvarende regler, forskjeller og den støttende delen for hver rad. Dette er utformede anvendelser av de dokumenterte numeriske og tverrdokumentære egenskapene.\n\nEksemplet parser resonnering og endelig svartekst hver for seg. Det bruker et genereringsbudsjett på 10 000 tokener, temperature 0.7 og top_p 0.95; dette er eksempelinnstillinger, ikke en erklært maksimal utdatalengde. Kortet viser også en valgfri systemmelding som setter identitet. Behold denne modellens egen promptveiledning fremfor å importere anbefalingene til et annet kontrollpunkt bare fordi det inngår i modellens opphav.\n\nBehandling av lange dokumenter\n\nTongyi Lab validerer kontekstlengder opptil 131 072 tokener med YaRN og anbefaler skalering når kombinerte inndata og utdata er vesentlig større enn 32 768 tokener. Eksemplene beskriver en faktor på fire, eller en mindre faktor som to for en arbeidsbelastning på 65 536 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så kortet fraråder å aktivere den når vanlige forespørsler holder seg innenfor 32 768 tokener. Den publiserte konfigurasjonen oppgir 131 072 posisjoner, men ikke noe aktivert rope_scaling-felt; konfigurasjonen og produsentens betingede prosedyre for lang kontekst bør derfor kontrolleres sammen.\n\nLange inndata trenger fortsatt plass til resonnering og svaret. Start med tekstutdragene som trengs for spørsmålet, fjern gjentatte topptekster og navigasjonstekst, og behold side- eller delidentifikatorer. Be om beleggreferanser i resultatet, slik at en leser kan spore konklusjonen tilbake til det innsendte materialet. En stor konteksttildeling hjelper med å plassere mer belegg i én forespørsel; den fastslår ikke perfekt gjenkalling av hver detalj.\n\nHva dokumenttreningen dekker\n\nDocQA-RL-1.6K inneholder 1600 treningsproblemer på tvers av tre resonneringsdomener: 600 numeriske spørsmål fra lange spesialiserte dokumenter, som finansrapporter; 600 logiske flervalgsspørsmål om juridiske dokumenter, finans-, forsikrings- og produksjonsdokumenter; og 400 eksempler med flere ledd som knytter belegg sammen på tvers av kilder. Dette gjør modellen til en relevant kandidat for rapportregning, regeltolkning og spørsmål som krever flere støttende tekstutdrag. Treningsdomenene beskriver erfaring med disse oppgavene, ikke profesjonell sertifisering eller garanterte konklusjoner.\n\nPraktiske utdata og grenser\n\nVelg et svar som kan kontrolleres: en beregnet verdi med enheter, en regelsammenligning med delreferanser eller en kort konklusjon med kjeden av støttende fakta. Hvis dokumentet utelater en påkrevd dato eller definisjon, ber du modellen identifisere det manglende belegget fremfor å finne det på. Utgivelsesmaterialet fokuserer på spørsmål og svar om dokumenter og fastslår ikke en egen kontrakt for verktøykall eller en separat hard grense for utdata. Behandle svar som kildeforankrede utkast, og kontroller beregninger, referanser og tolkninger opp mot de innsendte dokumentene.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Tongyi Labs tekstresonneringsmodell for spørsmål forankret i lange dokumenter. Den kombinerer et utgangspunkt i DeepSeek-R1-Distill-Qwen-32B med dokumentrettet forsterkningslæring for numerisk, logisk og tverrdokumentær resonnering.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: resonnering over lange dokumenter
QwenLong-L1-32B er Tongyi Labs tekstresonneringsmodell med lang kontekst. Formålet er å svare på spørsmål der belegget er spredt gjennom et dokument eller på tvers av flere dokumenter, fremfor bare å gjenta et nærliggende tekstutdrag. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videre trent for dokumentforankret resonnering. Gi tekst og et spørsmål; modellen genererer en tekstlig resonneringssekvens og et svar. Skannede sider, lyd og video trenger et passende separat konverteringstrinn før denne tekstarbeidsflyten.
Slik fungerer treningen med lang kontekst
QwenLong-L1-rammeverket varmer først opp en resonneringsstrategi med veiledet finjustering og øker deretter kontekstlengden gjennom et læreprogram med forsterkningslæring. Vanskelighetsbevisst retrospektiv sampling justerer hvilke eksempler som tas opp igjen etter hvert som treningen går fremover. Produsenten kombinerer regelbaserte og modellbaserte binære utfallsbelønninger og bruker grupperelativ strategioptimalisering for å oppmuntre til svar som forblir forankret i langt kildemateriale. Dette beskriver kontrollpunktets treningstilnærming; det betyr ikke at et enkelt svar automatisk blir bekreftet av en ekstern dommer.
Den utgitte utgaven
Dette er den opprinnelige QwenLong-L1-32B-utgivelsen. Den separat navngitte QwenLong-L1-32B-AWQ er en INT4-kvantisert utgave og bør beholde sin egen identitet. Den publiserte konfigurasjonen for denne modellen bruker en kausal Qwen2-språkmodellarkitektur med 64 lag og bfloat16-vekter. Modellens dokumentspesialisering er mer relevant ved valg enn å behandle 32B-navnet som bevis for at alle generelle oppgaver blir bedre.
Forbered et dokumentspørsmål
Produsentens eksempel skiller dokumentet fra spørsmålet med uttrykkelige tekstavgrensere og ber om en gjenkjennelig frase for det endelige svaret etter resonneringen. Følg denne strukturen: gi den relevante dokumentteksten, hold overskrifter og tabeller lesbare, og still ett konkret spørsmål. For en rapportberegning bevarer du enheter, rapporteringsperioder og tabelletiketter, og ber deretter om formelen, verdiene som brukes, og et sluttresultat. For en sammenligning av retningslinjer merker du dokumentene A og B og ber om en tabell med samsvarende regler, forskjeller og den støttende delen for hver rad. Dette er utformede anvendelser av de dokumenterte numeriske og tverrdokumentære egenskapene.
Eksemplet parser resonnering og endelig svartekst hver for seg. Det bruker et genereringsbudsjett på 10 000 tokener, temperature 0.7 og top_p 0.95; dette er eksempelinnstillinger, ikke en erklært maksimal utdatalengde. Kortet viser også en valgfri systemmelding som setter identitet. Behold denne modellens egen promptveiledning fremfor å importere anbefalingene til et annet kontrollpunkt bare fordi det inngår i modellens opphav.
Behandling av lange dokumenter
Tongyi Lab validerer kontekstlengder opptil 131 072 tokener med YaRN og anbefaler skalering når kombinerte inndata og utdata er vesentlig større enn 32 768 tokener. Eksemplene beskriver en faktor på fire, eller en mindre faktor som to for en arbeidsbelastning på 65 536 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så kortet fraråder å aktivere den når vanlige forespørsler holder seg innenfor 32 768 tokener. Den publiserte konfigurasjonen oppgir 131 072 posisjoner, men ikke noe aktivert rope_scaling-felt; konfigurasjonen og produsentens betingede prosedyre for lang kontekst bør derfor kontrolleres sammen.
Lange inndata trenger fortsatt plass til resonnering og svaret. Start med tekstutdragene som trengs for spørsmålet, fjern gjentatte topptekster og navigasjonstekst, og behold side- eller delidentifikatorer. Be om beleggreferanser i resultatet, slik at en leser kan spore konklusjonen tilbake til det innsendte materialet. En stor konteksttildeling hjelper med å plassere mer belegg i én forespørsel; den fastslår ikke perfekt gjenkalling av hver detalj.
Hva dokumenttreningen dekker
DocQA-RL-1.6K inneholder 1600 treningsproblemer på tvers av tre resonneringsdomener: 600 numeriske spørsmål fra lange spesialiserte dokumenter, som finansrapporter; 600 logiske flervalgsspørsmål om juridiske dokumenter, finans-, forsikrings- og produksjonsdokumenter; og 400 eksempler med flere ledd som knytter belegg sammen på tvers av kilder. Dette gjør modellen til en relevant kandidat for rapportregning, regeltolkning og spørsmål som krever flere støttende tekstutdrag. Treningsdomenene beskriver erfaring med disse oppgavene, ikke profesjonell sertifisering eller garanterte konklusjoner.
Praktiske utdata og grenser
Velg et svar som kan kontrolleres: en beregnet verdi med enheter, en regelsammenligning med delreferanser eller en kort konklusjon med kjeden av støttende fakta. Hvis dokumentet utelater en påkrevd dato eller definisjon, ber du modellen identifisere det manglende belegget fremfor å finne det på. Utgivelsesmaterialet fokuserer på spørsmål og svar om dokumenter og fastslår ikke en egen kontrakt for verktøykall eller en separat hard grense for utdata. Behandle svar som kildeforankrede utkast, og kontroller beregninger, referanser og tolkninger opp mot de innsendte dokumentene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00028 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Bruk metodestiene som vises ovenfor.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B er Tongyi Labs tekstresonneringsmodell for spørsmål forankret i lange dokumenter. Den kombinerer et utgangspunkt i DeepSeek-R1-Distill-Qwen-32B med dokumentrettet forsterkningslæring for numerisk, logisk og tverrdokumentær resonnering.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: resonnering over lange dokumenter
QwenLong-L1-32B er Tongyi Labs tekstresonneringsmodell med lang kontekst. Formålet er å svare på spørsmål der belegget er spredt gjennom et dokument eller på tvers av flere dokumenter, fremfor bare å gjenta et nærliggende tekstutdrag. Den er bygget fra DeepSeek-R1-Distill-Qwen-32B og videre trent for dokumentforankret resonnering. Gi tekst og et spørsmål; modellen genererer en tekstlig resonneringssekvens og et svar. Skannede sider, lyd og video trenger et passende separat konverteringstrinn før denne tekstarbeidsflyten.
Slik fungerer treningen med lang kontekst
QwenLong-L1-rammeverket varmer først opp en resonneringsstrategi med veiledet finjustering og øker deretter kontekstlengden gjennom et læreprogram med forsterkningslæring. Vanskelighetsbevisst retrospektiv sampling justerer hvilke eksempler som tas opp igjen etter hvert som treningen går fremover. Produsenten kombinerer regelbaserte og modellbaserte binære utfallsbelønninger og bruker grupperelativ strategioptimalisering for å oppmuntre til svar som forblir forankret i langt kildemateriale. Dette beskriver kontrollpunktets treningstilnærming; det betyr ikke at et enkelt svar automatisk blir bekreftet av en ekstern dommer.
Den utgitte utgaven
Dette er den opprinnelige QwenLong-L1-32B-utgivelsen. Den separat navngitte QwenLong-L1-32B-AWQ er en INT4-kvantisert utgave og bør beholde sin egen identitet. Den publiserte konfigurasjonen for denne modellen bruker en kausal Qwen2-språkmodellarkitektur med 64 lag og bfloat16-vekter. Modellens dokumentspesialisering er mer relevant ved valg enn å behandle 32B-navnet som bevis for at alle generelle oppgaver blir bedre.
Forbered et dokumentspørsmål
Produsentens eksempel skiller dokumentet fra spørsmålet med uttrykkelige tekstavgrensere og ber om en gjenkjennelig frase for det endelige svaret etter resonneringen. Følg denne strukturen: gi den relevante dokumentteksten, hold overskrifter og tabeller lesbare, og still ett konkret spørsmål. For en rapportberegning bevarer du enheter, rapporteringsperioder og tabelletiketter, og ber deretter om formelen, verdiene som brukes, og et sluttresultat. For en sammenligning av retningslinjer merker du dokumentene A og B og ber om en tabell med samsvarende regler, forskjeller og den støttende delen for hver rad. Dette er utformede anvendelser av de dokumenterte numeriske og tverrdokumentære egenskapene.
Eksemplet parser resonnering og endelig svartekst hver for seg. Det bruker et genereringsbudsjett på 10 000 tokener, temperature 0.7 og top_p 0.95; dette er eksempelinnstillinger, ikke en erklært maksimal utdatalengde. Kortet viser også en valgfri systemmelding som setter identitet. Behold denne modellens egen promptveiledning fremfor å importere anbefalingene til et annet kontrollpunkt bare fordi det inngår i modellens opphav.
Behandling av lange dokumenter
Tongyi Lab validerer kontekstlengder opptil 131 072 tokener med YaRN og anbefaler skalering når kombinerte inndata og utdata er vesentlig større enn 32 768 tokener. Eksemplene beskriver en faktor på fire, eller en mindre faktor som to for en arbeidsbelastning på 65 536 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så kortet fraråder å aktivere den når vanlige forespørsler holder seg innenfor 32 768 tokener. Den publiserte konfigurasjonen oppgir 131 072 posisjoner, men ikke noe aktivert rope_scaling-felt; konfigurasjonen og produsentens betingede prosedyre for lang kontekst bør derfor kontrolleres sammen.
Lange inndata trenger fortsatt plass til resonnering og svaret. Start med tekstutdragene som trengs for spørsmålet, fjern gjentatte topptekster og navigasjonstekst, og behold side- eller delidentifikatorer. Be om beleggreferanser i resultatet, slik at en leser kan spore konklusjonen tilbake til det innsendte materialet. En stor konteksttildeling hjelper med å plassere mer belegg i én forespørsel; den fastslår ikke perfekt gjenkalling av hver detalj.
Hva dokumenttreningen dekker
DocQA-RL-1.6K inneholder 1600 treningsproblemer på tvers av tre resonneringsdomener: 600 numeriske spørsmål fra lange spesialiserte dokumenter, som finansrapporter; 600 logiske flervalgsspørsmål om juridiske dokumenter, finans-, forsikrings- og produksjonsdokumenter; og 400 eksempler med flere ledd som knytter belegg sammen på tvers av kilder. Dette gjør modellen til en relevant kandidat for rapportregning, regeltolkning og spørsmål som krever flere støttende tekstutdrag. Treningsdomenene beskriver erfaring med disse oppgavene, ikke profesjonell sertifisering eller garanterte konklusjoner.
Praktiske utdata og grenser
Velg et svar som kan kontrolleres: en beregnet verdi med enheter, en regelsammenligning med delreferanser eller en kort konklusjon med kjeden av støttende fakta. Hvis dokumentet utelater en påkrevd dato eller definisjon, ber du modellen identifisere det manglende belegget fremfor å finne det på. Utgivelsesmaterialet fokuserer på spørsmål og svar om dokumenter og fastslår ikke en egen kontrakt for verktøykall eller en separat hard grense for utdata. Behandle svar som kildeforankrede utkast, og kontroller beregninger, referanser og tolkninger opp mot de innsendte dokumentene.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00028 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.