Inleiding: redeneren over lange documenten
QwenLong-L1-32B is het tekstuele redeneermodel met lange context van Tongyi Lab. Het doel is vragen te beantwoorden waarvan het bewijs over een document of meerdere documenten verspreid is, in plaats van eenvoudigweg een nabijgelegen passage te herhalen. Het is gebouwd op DeepSeek-R1-Distill-Qwen-32B en verder getraind voor documentonderbouwd redeneren. Lever tekst en een vraag aan; het model genereert een tekstuele redeneerreeks en een antwoord. Gescande pagina's, audio en video hebben een passende afzonderlijke conversiestap nodig vóór deze tekstworkflow.
Hoe de training voor lange context werkt
Het QwenLong-L1-framework warmt eerst een redeneerbeleid op met supervised fine-tuning en vergroot daarna de contextlengte via een reinforcement-learningcurriculum. Moeilijkheidsbewuste retrospectieve sampling past aan welke voorbeelden tijdens de training opnieuw worden bezocht. De maker combineert regelgebaseerde en modelgebaseerde binaire uitkomstbeloningen en gebruikt group-relative policy optimization om antwoorden te stimuleren die op lang bewijsmateriaal gebaseerd blijven. Dit beschrijft de trainingsaanpak van het checkpoint; het betekent niet dat een individueel antwoord automatisch door een externe beoordelaar wordt geverifieerd.
De uitgebrachte editie
Dit is de oorspronkelijke QwenLong-L1-32B-release. De afzonderlijk benoemde QwenLong-L1-32B-AWQ is een INT4-gekwantiseerde editie en moet haar eigen identiteit behouden. De gepubliceerde configuratie voor dit model gebruikt een Qwen2-architectuur voor causale taalmodellering met 64 lagen en bfloat16-gewichten. De documentspecialisatie van het model is relevanter voor de selectie dan de naam 32B als bewijs te behandelen dat elke algemene taak zal verbeteren.
Een documentvraag voorbereiden
Het voorbeeld van de maker scheidt het document van de vraag met expliciete tekstscheidingstekens en vraagt na de redenering om een herkenbare frase voor het eindantwoord. Volg die structuur: lever de relevante documentinhoud aan, houd koppen en tabellen leesbaar en stel één concrete vraag. Behoud voor een rapportberekening de eenheden, verslagperioden en tabellabels en vraag vervolgens om de formule, de gebruikte waarden en een eindresultaat. Label bij een beleidsvergelijking de documenten A en B en vraag om een tabel met overeenkomende regels, verschillen en de ondersteunende sectie voor elke rij. Dit zijn uitgewerkte toepassingen van de gedocumenteerde numerieke en documentoverstijgende mogelijkheden.
Het voorbeeld parseert de redenering en de tekst van het eindantwoord afzonderlijk. Het gebruikt een generatiebudget van 10.000 tokens, temperature 0.7 en top_p 0.95; dat zijn voorbeeldinstellingen, geen verklaarde maximale uitvoerlengte. De modelkaart toont ook een optioneel systeembericht om de identiteit in te stellen. Behoud de eigen promptrichtlijnen van dit model in plaats van de aanbevelingen van een ander checkpoint over te nemen alleen omdat dat in de afstamming van het model voorkomt.
Lange documenten verwerken
Tongyi Lab valideert contextlengtes tot 131.072 tokens met YaRN en beveelt schaling aan wanneer gecombineerde invoer en uitvoer aanzienlijk meer dan 32.768 tokens bevatten. De voorbeelden beschrijven een factor vier, of een kleinere factor zoals twee voor een werklast van 65.536 tokens. Statische schaling kan de prestaties op kortere tekst verminderen, dus de modelkaart raadt het inschakelen af wanneer gewone verzoeken binnen 32.768 tokens blijven. De gepubliceerde configuratie vermeldt 131.072 posities maar geen ingeschakeld rope_scaling-veld; de configuratie en de voorwaardelijke langecontextprocedure van de maker moeten daarom samen worden gecontroleerd.
Een lange invoer heeft nog steeds ruimte nodig voor redeneren en het antwoord. Begin met de passages die voor de vraag nodig zijn, verwijder herhaalde kopteksten en navigatietekst en behoud pagina- of sectie-identificatoren. Vraag om bewijsverwijzingen in het resultaat, zodat een beoordelaar de conclusie kan herleiden tot het aangeleverde materiaal. Een ruime contextlimiet helpt meer bewijs in één verzoek onder te brengen; zij garandeert geen perfecte herinnering van elk detail.
Wat de documenttraining omvat
DocQA-RL-1.6K bevat 1.600 trainingsproblemen in drie redeneerdomeinen: 600 numerieke vragen uit lange gespecialiseerde documenten zoals financiële rapporten; 600 logische meerkeuzevragen over juridische, financiële, verzekerings- en productiedocumenten; en 400 voorbeelden met meerdere stappen die bewijs tussen bronnen verbinden. Dit maakt het model een relevante kandidaat voor rekenen met rapporten, regelinterpretatie en vragen die meerdere onderbouwende passages vereisen. De trainingsdomeinen beschrijven ervaring met die taken, geen professionele certificering of gegarandeerde conclusies.
Praktische uitvoer en limieten
Kies een antwoord dat gecontroleerd kan worden: een berekende waarde met eenheden, een regelvergelijking met sectieverwijzingen of een korte conclusie met de keten van ondersteunende feiten. Als een vereiste datum of definitie in het document ontbreekt, vraag het model dan het ontbrekende bewijs te benoemen in plaats van het te verzinnen. Het releasemateriaal richt zich op documentvragen beantwoorden en stelt geen speciaal toolaanroepcontract of afzonderlijke harde uitvoerlimiet vast. Behandel antwoorden als brononderbouwde concepten en verifieer berekeningen, verwijzingen en interpretaties aan de hand van de aangeleverde documenten.
", "aboutText": "Inleiding: redeneren over lange documenten\n\nQwenLong-L1-32B is het tekstuele redeneermodel met lange context van Tongyi Lab. Het doel is vragen te beantwoorden waarvan het bewijs over een document of meerdere documenten verspreid is, in plaats van eenvoudigweg een nabijgelegen passage te herhalen. Het is gebouwd op DeepSeek-R1-Distill-Qwen-32B en verder getraind voor documentonderbouwd redeneren. Lever tekst en een vraag aan; het model genereert een tekstuele redeneerreeks en een antwoord. Gescande pagina's, audio en video hebben een passende afzonderlijke conversiestap nodig vóór deze tekstworkflow.\n\nHoe de training voor lange context werkt\n\nHet QwenLong-L1-framework warmt eerst een redeneerbeleid op met supervised fine-tuning en vergroot daarna de contextlengte via een reinforcement-learningcurriculum. Moeilijkheidsbewuste retrospectieve sampling past aan welke voorbeelden tijdens de training opnieuw worden bezocht. De maker combineert regelgebaseerde en modelgebaseerde binaire uitkomstbeloningen en gebruikt group-relative policy optimization om antwoorden te stimuleren die op lang bewijsmateriaal gebaseerd blijven. Dit beschrijft de trainingsaanpak van het checkpoint; het betekent niet dat een individueel antwoord automatisch door een externe beoordelaar wordt geverifieerd.\n\nDe uitgebrachte editie\n\nDit is de oorspronkelijke QwenLong-L1-32B-release. De afzonderlijk benoemde QwenLong-L1-32B-AWQ is een INT4-gekwantiseerde editie en moet haar eigen identiteit behouden. De gepubliceerde configuratie voor dit model gebruikt een Qwen2-architectuur voor causale taalmodellering met 64 lagen en bfloat16-gewichten. De documentspecialisatie van het model is relevanter voor de selectie dan de naam 32B als bewijs te behandelen dat elke algemene taak zal verbeteren.\n\nEen documentvraag voorbereiden\n\nHet voorbeeld van de maker scheidt het document van de vraag met expliciete tekstscheidingstekens en vraagt na de redenering om een herkenbare frase voor het eindantwoord. Volg die structuur: lever de relevante documentinhoud aan, houd koppen en tabellen leesbaar en stel één concrete vraag. Behoud voor een rapportberekening de eenheden, verslagperioden en tabellabels en vraag vervolgens om de formule, de gebruikte waarden en een eindresultaat. Label bij een beleidsvergelijking de documenten A en B en vraag om een tabel met overeenkomende regels, verschillen en de ondersteunende sectie voor elke rij. Dit zijn uitgewerkte toepassingen van de gedocumenteerde numerieke en documentoverstijgende mogelijkheden.\n\nHet voorbeeld parseert de redenering en de tekst van het eindantwoord afzonderlijk. Het gebruikt een generatiebudget van 10.000 tokens, temperature 0.7 en top_p 0.95; dat zijn voorbeeldinstellingen, geen verklaarde maximale uitvoerlengte. De modelkaart toont ook een optioneel systeembericht om de identiteit in te stellen. Behoud de eigen promptrichtlijnen van dit model in plaats van de aanbevelingen van een ander checkpoint over te nemen alleen omdat dat in de afstamming van het model voorkomt.\n\nLange documenten verwerken\n\nTongyi Lab valideert contextlengtes tot 131.072 tokens met YaRN en beveelt schaling aan wanneer gecombineerde invoer en uitvoer aanzienlijk meer dan 32.768 tokens bevatten. De voorbeelden beschrijven een factor vier, of een kleinere factor zoals twee voor een werklast van 65.536 tokens. Statische schaling kan de prestaties op kortere tekst verminderen, dus de modelkaart raadt het inschakelen af wanneer gewone verzoeken binnen 32.768 tokens blijven. De gepubliceerde configuratie vermeldt 131.072 posities maar geen ingeschakeld rope_scaling-veld; de configuratie en de voorwaardelijke langecontextprocedure van de maker moeten daarom samen worden gecontroleerd.\n\nEen lange invoer heeft nog steeds ruimte nodig voor redeneren en het antwoord. Begin met de passages die voor de vraag nodig zijn, verwijder herhaalde kopteksten en navigatietekst en behoud pagina- of sectie-identificatoren. Vraag om bewijsverwijzingen in het resultaat, zodat een beoordelaar de conclusie kan herleiden tot het aangeleverde materiaal. Een ruime contextlimiet helpt meer bewijs in één verzoek onder te brengen; zij garandeert geen perfecte herinnering van elk detail.\n\nWat de documenttraining omvat\n\nDocQA-RL-1.6K bevat 1.600 trainingsproblemen in drie redeneerdomeinen: 600 numerieke vragen uit lange gespecialiseerde documenten zoals financiële rapporten; 600 logische meerkeuzevragen over juridische, financiële, verzekerings- en productiedocumenten; en 400 voorbeelden met meerdere stappen die bewijs tussen bronnen verbinden. Dit maakt het model een relevante kandidaat voor rekenen met rapporten, regelinterpretatie en vragen die meerdere onderbouwende passages vereisen. De trainingsdomeinen beschrijven ervaring met die taken, geen professionele certificering of gegarandeerde conclusies.\n\nPraktische uitvoer en limieten\n\nKies een antwoord dat gecontroleerd kan worden: een berekende waarde met eenheden, een regelvergelijking met sectieverwijzingen of een korte conclusie met de keten van ondersteunende feiten. Als een vereiste datum of definitie in het document ontbreekt, vraag het model dan het ontbrekende bewijs te benoemen in plaats van het te verzinnen. Het releasemateriaal richt zich op documentvragen beantwoorden en stelt geen speciaal toolaanroepcontract of afzonderlijke harde uitvoerlimiet vast. Behandel antwoorden als brononderbouwde concepten en verifieer berekeningen, verwijzingen en interpretaties aan de hand van de aangeleverde documenten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is het tekstuele redeneermodel van Tongyi Lab voor vragen op basis van lange documenten. Het combineert DeepSeek-R1-Distill-Qwen-32B als uitgangspunt met documentgericht reinforcement learning voor numeriek, logisch en documentoverstijgend redeneren.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inleiding: redeneren over lange documenten
QwenLong-L1-32B is het tekstuele redeneermodel met lange context van Tongyi Lab. Het doel is vragen te beantwoorden waarvan het bewijs over een document of meerdere documenten verspreid is, in plaats van eenvoudigweg een nabijgelegen passage te herhalen. Het is gebouwd op DeepSeek-R1-Distill-Qwen-32B en verder getraind voor documentonderbouwd redeneren. Lever tekst en een vraag aan; het model genereert een tekstuele redeneerreeks en een antwoord. Gescande pagina's, audio en video hebben een passende afzonderlijke conversiestap nodig vóór deze tekstworkflow.
Hoe de training voor lange context werkt
Het QwenLong-L1-framework warmt eerst een redeneerbeleid op met supervised fine-tuning en vergroot daarna de contextlengte via een reinforcement-learningcurriculum. Moeilijkheidsbewuste retrospectieve sampling past aan welke voorbeelden tijdens de training opnieuw worden bezocht. De maker combineert regelgebaseerde en modelgebaseerde binaire uitkomstbeloningen en gebruikt group-relative policy optimization om antwoorden te stimuleren die op lang bewijsmateriaal gebaseerd blijven. Dit beschrijft de trainingsaanpak van het checkpoint; het betekent niet dat een individueel antwoord automatisch door een externe beoordelaar wordt geverifieerd.
De uitgebrachte editie
Dit is de oorspronkelijke QwenLong-L1-32B-release. De afzonderlijk benoemde QwenLong-L1-32B-AWQ is een INT4-gekwantiseerde editie en moet haar eigen identiteit behouden. De gepubliceerde configuratie voor dit model gebruikt een Qwen2-architectuur voor causale taalmodellering met 64 lagen en bfloat16-gewichten. De documentspecialisatie van het model is relevanter voor de selectie dan de naam 32B als bewijs te behandelen dat elke algemene taak zal verbeteren.
Een documentvraag voorbereiden
Het voorbeeld van de maker scheidt het document van de vraag met expliciete tekstscheidingstekens en vraagt na de redenering om een herkenbare frase voor het eindantwoord. Volg die structuur: lever de relevante documentinhoud aan, houd koppen en tabellen leesbaar en stel één concrete vraag. Behoud voor een rapportberekening de eenheden, verslagperioden en tabellabels en vraag vervolgens om de formule, de gebruikte waarden en een eindresultaat. Label bij een beleidsvergelijking de documenten A en B en vraag om een tabel met overeenkomende regels, verschillen en de ondersteunende sectie voor elke rij. Dit zijn uitgewerkte toepassingen van de gedocumenteerde numerieke en documentoverstijgende mogelijkheden.
Het voorbeeld parseert de redenering en de tekst van het eindantwoord afzonderlijk. Het gebruikt een generatiebudget van 10.000 tokens, temperature 0.7 en top_p 0.95; dat zijn voorbeeldinstellingen, geen verklaarde maximale uitvoerlengte. De modelkaart toont ook een optioneel systeembericht om de identiteit in te stellen. Behoud de eigen promptrichtlijnen van dit model in plaats van de aanbevelingen van een ander checkpoint over te nemen alleen omdat dat in de afstamming van het model voorkomt.
Lange documenten verwerken
Tongyi Lab valideert contextlengtes tot 131.072 tokens met YaRN en beveelt schaling aan wanneer gecombineerde invoer en uitvoer aanzienlijk meer dan 32.768 tokens bevatten. De voorbeelden beschrijven een factor vier, of een kleinere factor zoals twee voor een werklast van 65.536 tokens. Statische schaling kan de prestaties op kortere tekst verminderen, dus de modelkaart raadt het inschakelen af wanneer gewone verzoeken binnen 32.768 tokens blijven. De gepubliceerde configuratie vermeldt 131.072 posities maar geen ingeschakeld rope_scaling-veld; de configuratie en de voorwaardelijke langecontextprocedure van de maker moeten daarom samen worden gecontroleerd.
Een lange invoer heeft nog steeds ruimte nodig voor redeneren en het antwoord. Begin met de passages die voor de vraag nodig zijn, verwijder herhaalde kopteksten en navigatietekst en behoud pagina- of sectie-identificatoren. Vraag om bewijsverwijzingen in het resultaat, zodat een beoordelaar de conclusie kan herleiden tot het aangeleverde materiaal. Een ruime contextlimiet helpt meer bewijs in één verzoek onder te brengen; zij garandeert geen perfecte herinnering van elk detail.
Wat de documenttraining omvat
DocQA-RL-1.6K bevat 1.600 trainingsproblemen in drie redeneerdomeinen: 600 numerieke vragen uit lange gespecialiseerde documenten zoals financiële rapporten; 600 logische meerkeuzevragen over juridische, financiële, verzekerings- en productiedocumenten; en 400 voorbeelden met meerdere stappen die bewijs tussen bronnen verbinden. Dit maakt het model een relevante kandidaat voor rekenen met rapporten, regelinterpretatie en vragen die meerdere onderbouwende passages vereisen. De trainingsdomeinen beschrijven ervaring met die taken, geen professionele certificering of gegarandeerde conclusies.
Praktische uitvoer en limieten
Kies een antwoord dat gecontroleerd kan worden: een berekende waarde met eenheden, een regelvergelijking met sectieverwijzingen of een korte conclusie met de keten van ondersteunende feiten. Als een vereiste datum of definitie in het document ontbreekt, vraag het model dan het ontbrekende bewijs te benoemen in plaats van het te verzinnen. Het releasemateriaal richt zich op documentvragen beantwoorden en stelt geen speciaal toolaanroepcontract of afzonderlijke harde uitvoerlimiet vast. Behandel antwoorden als brononderbouwde concepten en verifieer berekeningen, verwijzingen en interpretaties aan de hand van de aangeleverde documenten.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Tongyi-Zhiwen/QwenLong-L1-32B | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00028 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Gebruik de hierboven getoonde methodepaden.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B is het tekstuele redeneermodel van Tongyi Lab voor vragen op basis van lange documenten. Het combineert DeepSeek-R1-Distill-Qwen-32B als uitgangspunt met documentgericht reinforcement learning voor numeriek, logisch en documentoverstijgend redeneren.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inleiding: redeneren over lange documenten
QwenLong-L1-32B is het tekstuele redeneermodel met lange context van Tongyi Lab. Het doel is vragen te beantwoorden waarvan het bewijs over een document of meerdere documenten verspreid is, in plaats van eenvoudigweg een nabijgelegen passage te herhalen. Het is gebouwd op DeepSeek-R1-Distill-Qwen-32B en verder getraind voor documentonderbouwd redeneren. Lever tekst en een vraag aan; het model genereert een tekstuele redeneerreeks en een antwoord. Gescande pagina's, audio en video hebben een passende afzonderlijke conversiestap nodig vóór deze tekstworkflow.
Hoe de training voor lange context werkt
Het QwenLong-L1-framework warmt eerst een redeneerbeleid op met supervised fine-tuning en vergroot daarna de contextlengte via een reinforcement-learningcurriculum. Moeilijkheidsbewuste retrospectieve sampling past aan welke voorbeelden tijdens de training opnieuw worden bezocht. De maker combineert regelgebaseerde en modelgebaseerde binaire uitkomstbeloningen en gebruikt group-relative policy optimization om antwoorden te stimuleren die op lang bewijsmateriaal gebaseerd blijven. Dit beschrijft de trainingsaanpak van het checkpoint; het betekent niet dat een individueel antwoord automatisch door een externe beoordelaar wordt geverifieerd.
De uitgebrachte editie
Dit is de oorspronkelijke QwenLong-L1-32B-release. De afzonderlijk benoemde QwenLong-L1-32B-AWQ is een INT4-gekwantiseerde editie en moet haar eigen identiteit behouden. De gepubliceerde configuratie voor dit model gebruikt een Qwen2-architectuur voor causale taalmodellering met 64 lagen en bfloat16-gewichten. De documentspecialisatie van het model is relevanter voor de selectie dan de naam 32B als bewijs te behandelen dat elke algemene taak zal verbeteren.
Een documentvraag voorbereiden
Het voorbeeld van de maker scheidt het document van de vraag met expliciete tekstscheidingstekens en vraagt na de redenering om een herkenbare frase voor het eindantwoord. Volg die structuur: lever de relevante documentinhoud aan, houd koppen en tabellen leesbaar en stel één concrete vraag. Behoud voor een rapportberekening de eenheden, verslagperioden en tabellabels en vraag vervolgens om de formule, de gebruikte waarden en een eindresultaat. Label bij een beleidsvergelijking de documenten A en B en vraag om een tabel met overeenkomende regels, verschillen en de ondersteunende sectie voor elke rij. Dit zijn uitgewerkte toepassingen van de gedocumenteerde numerieke en documentoverstijgende mogelijkheden.
Het voorbeeld parseert de redenering en de tekst van het eindantwoord afzonderlijk. Het gebruikt een generatiebudget van 10.000 tokens, temperature 0.7 en top_p 0.95; dat zijn voorbeeldinstellingen, geen verklaarde maximale uitvoerlengte. De modelkaart toont ook een optioneel systeembericht om de identiteit in te stellen. Behoud de eigen promptrichtlijnen van dit model in plaats van de aanbevelingen van een ander checkpoint over te nemen alleen omdat dat in de afstamming van het model voorkomt.
Lange documenten verwerken
Tongyi Lab valideert contextlengtes tot 131.072 tokens met YaRN en beveelt schaling aan wanneer gecombineerde invoer en uitvoer aanzienlijk meer dan 32.768 tokens bevatten. De voorbeelden beschrijven een factor vier, of een kleinere factor zoals twee voor een werklast van 65.536 tokens. Statische schaling kan de prestaties op kortere tekst verminderen, dus de modelkaart raadt het inschakelen af wanneer gewone verzoeken binnen 32.768 tokens blijven. De gepubliceerde configuratie vermeldt 131.072 posities maar geen ingeschakeld rope_scaling-veld; de configuratie en de voorwaardelijke langecontextprocedure van de maker moeten daarom samen worden gecontroleerd.
Een lange invoer heeft nog steeds ruimte nodig voor redeneren en het antwoord. Begin met de passages die voor de vraag nodig zijn, verwijder herhaalde kopteksten en navigatietekst en behoud pagina- of sectie-identificatoren. Vraag om bewijsverwijzingen in het resultaat, zodat een beoordelaar de conclusie kan herleiden tot het aangeleverde materiaal. Een ruime contextlimiet helpt meer bewijs in één verzoek onder te brengen; zij garandeert geen perfecte herinnering van elk detail.
Wat de documenttraining omvat
DocQA-RL-1.6K bevat 1.600 trainingsproblemen in drie redeneerdomeinen: 600 numerieke vragen uit lange gespecialiseerde documenten zoals financiële rapporten; 600 logische meerkeuzevragen over juridische, financiële, verzekerings- en productiedocumenten; en 400 voorbeelden met meerdere stappen die bewijs tussen bronnen verbinden. Dit maakt het model een relevante kandidaat voor rekenen met rapporten, regelinterpretatie en vragen die meerdere onderbouwende passages vereisen. De trainingsdomeinen beschrijven ervaring met die taken, geen professionele certificering of gegarandeerde conclusies.
Praktische uitvoer en limieten
Kies een antwoord dat gecontroleerd kan worden: een berekende waarde met eenheden, een regelvergelijking met sectieverwijzingen of een korte conclusie met de keten van ondersteunende feiten. Als een vereiste datum of definitie in het document ontbreekt, vraag het model dan het ontbrekende bewijs te benoemen in plaats van het te verzinnen. Het releasemateriaal richt zich op documentvragen beantwoorden en stelt geen speciaal toolaanroepcontract of afzonderlijke harde uitvoerlimiet vast. Behandel antwoorden als brononderbouwde concepten en verifieer berekeningen, verwijzingen en interpretaties aan de hand van de aangeleverde documenten.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Tongyi-Zhiwen/QwenLong-L1-32B | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00028 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.