Introdução: raciocínio sobre documentos longos
O QwenLong-L1-32B é o modelo de raciocínio em texto de contexto longo do Tongyi Lab. Destina-se a responder a perguntas cujos elementos de apoio estão dispersos num documento ou em vários documentos, em vez de apenas repetir uma passagem próxima. É construído a partir do DeepSeek-R1-Distill-Qwen-32B e treinado adicionalmente para raciocínio sustentado por documentos. Forneça texto e uma pergunta; o modelo gera uma sequência textual de raciocínio e uma resposta. Páginas digitalizadas, áudio e vídeo precisam de uma etapa separada de conversão adequada antes deste fluxo textual.
Como funciona o treino de contexto longo
O enquadramento QwenLong-L1 prepara primeiro uma política de raciocínio com ajuste fino supervisionado e aumenta depois o comprimento do contexto através de um currículo de aprendizagem por reforço. A amostragem retrospetiva sensível à dificuldade ajusta os exemplos revisitados à medida que o treino avança. O fabricante combina recompensas binárias de resultado baseadas em regras e em modelos, usando otimização de política relativa ao grupo para incentivar respostas que permaneçam sustentadas por material documental extenso. Isto descreve a abordagem de treino do checkpoint; não significa que uma resposta individual seja automaticamente verificada por um avaliador externo.
A edição lançada
Este é o lançamento original QwenLong-L1-32B. O QwenLong-L1-32B-AWQ, com nome separado, é uma edição quantizada INT4 e deve conservar a sua própria identidade. A configuração publicada para este modelo usa uma arquitetura Qwen2 de modelo de linguagem causal com 64 camadas e pesos bfloat16. A especialização documental do modelo é mais relevante para a escolha do que tratar o nome 32B como prova de melhoria em todas as tarefas de uso geral.
Prepare uma pergunta documental
O exemplo do fabricante separa o documento da pergunta com delimitadores de texto explícitos e pede uma expressão reconhecível de resposta final após o raciocínio. Siga essa estrutura: forneça o corpo relevante do documento, mantenha legíveis os títulos e tabelas e faça uma pergunta concreta. Para um cálculo de relatório, preserve unidades, períodos de reporte e legendas de tabelas e peça a fórmula, os valores utilizados e o resultado final. Para comparar políticas, identifique os documentos como A e B e peça uma tabela de regras correspondentes, diferenças e a secção de apoio de cada linha. São exemplos de aplicação elaborados a partir das capacidades documentadas de raciocínio numérico e entre documentos.
O exemplo analisa separadamente o texto de raciocínio e o da resposta final. Utiliza um orçamento de geração de 10 000 tokens, temperature 0.7 e top_p 0.95; são definições de exemplo, não uma extensão máxima declarada de saída. A ficha também mostra uma mensagem de sistema opcional para definir a identidade. Preserve as orientações próprias de pedido deste modelo, em vez de importar recomendações de outro checkpoint apenas por constar da sua ascendência.
Processamento de documentos longos
O Tongyi Lab valida comprimentos de contexto até 131 072 tokens com YaRN e recomenda a extensão quando a entrada e a saída combinadas excedem significativamente 32 768 tokens. Os exemplos descrevem um fator de quatro ou um fator menor, como dois, para uma carga de 65 536 tokens. A extensão estática pode reduzir o desempenho em texto mais curto, pelo que a ficha desaconselha ativá-la quando os pedidos normais permanecem dentro de 32 768 tokens. A configuração publicada enumera 131 072 posições mas não tem um campo rope_scaling ativado; a configuração e o procedimento condicional de contexto longo do fabricante devem, por isso, ser verificados em conjunto.
Uma entrada longa continua a precisar de espaço para o raciocínio e a resposta. Comece pelas passagens necessárias à pergunta, elimine cabeçalhos repetidos e texto de navegação e retenha identificadores de página ou secção. Peça referências aos elementos de apoio no resultado para que quem o reveja possa seguir a conclusão até ao material fornecido. Um contexto amplo ajuda a colocar mais elementos num pedido; não estabelece recordação perfeita de todos os pormenores.
O que abrange o treino documental
O DocQA-RL-1.6K contém 1 600 problemas de treino em três domínios de raciocínio: 600 perguntas numéricas sobre documentos especializados longos, como relatórios financeiros; 600 perguntas lógicas de escolha múltipla sobre documentos jurídicos, financeiros, de seguros e de produção; e 400 exemplos em várias etapas que ligam elementos entre fontes. Isto torna o modelo um candidato relevante para aritmética de relatórios, interpretação de regras e perguntas que exigem várias passagens de apoio. Os domínios de treino descrevem experiência nessas tarefas, não certificação profissional nem conclusões garantidas.
Saída prática e limites
Escolha uma resposta verificável: um valor calculado com unidades, uma comparação de regras com referências a secções ou uma conclusão curta com a cadeia de factos que a sustenta. Se o documento omitir uma data ou definição necessária, peça ao modelo que identifique os elementos em falta em vez de os inventar. Os materiais do lançamento centram-se em perguntas e respostas sobre documentos e não estabelecem um contrato dedicado de chamadas de ferramentas nem um teto rígido separado de saída. Trate as respostas como rascunhos sustentados por fontes e verifique cálculos, referências e interpretações à luz dos documentos fornecidos.
", "aboutText": "Introdução: raciocínio sobre documentos longos\n\nO QwenLong-L1-32B é o modelo de raciocínio em texto de contexto longo do Tongyi Lab. Destina-se a responder a perguntas cujos elementos de apoio estão dispersos num documento ou em vários documentos, em vez de apenas repetir uma passagem próxima. É construído a partir do DeepSeek-R1-Distill-Qwen-32B e treinado adicionalmente para raciocínio sustentado por documentos. Forneça texto e uma pergunta; o modelo gera uma sequência textual de raciocínio e uma resposta. Páginas digitalizadas, áudio e vídeo precisam de uma etapa separada de conversão adequada antes deste fluxo textual.\n\nComo funciona o treino de contexto longo\n\nO enquadramento QwenLong-L1 prepara primeiro uma política de raciocínio com ajuste fino supervisionado e aumenta depois o comprimento do contexto através de um currículo de aprendizagem por reforço. A amostragem retrospetiva sensível à dificuldade ajusta os exemplos revisitados à medida que o treino avança. O fabricante combina recompensas binárias de resultado baseadas em regras e em modelos, usando otimização de política relativa ao grupo para incentivar respostas que permaneçam sustentadas por material documental extenso. Isto descreve a abordagem de treino do checkpoint; não significa que uma resposta individual seja automaticamente verificada por um avaliador externo.\n\nA edição lançada\n\nEste é o lançamento original QwenLong-L1-32B. O QwenLong-L1-32B-AWQ, com nome separado, é uma edição quantizada INT4 e deve conservar a sua própria identidade. A configuração publicada para este modelo usa uma arquitetura Qwen2 de modelo de linguagem causal com 64 camadas e pesos bfloat16. A especialização documental do modelo é mais relevante para a escolha do que tratar o nome 32B como prova de melhoria em todas as tarefas de uso geral.\n\nPrepare uma pergunta documental\n\nO exemplo do fabricante separa o documento da pergunta com delimitadores de texto explícitos e pede uma expressão reconhecível de resposta final após o raciocínio. Siga essa estrutura: forneça o corpo relevante do documento, mantenha legíveis os títulos e tabelas e faça uma pergunta concreta. Para um cálculo de relatório, preserve unidades, períodos de reporte e legendas de tabelas e peça a fórmula, os valores utilizados e o resultado final. Para comparar políticas, identifique os documentos como A e B e peça uma tabela de regras correspondentes, diferenças e a secção de apoio de cada linha. São exemplos de aplicação elaborados a partir das capacidades documentadas de raciocínio numérico e entre documentos.\n\nO exemplo analisa separadamente o texto de raciocínio e o da resposta final. Utiliza um orçamento de geração de 10 000 tokens, temperature 0.7 e top_p 0.95; são definições de exemplo, não uma extensão máxima declarada de saída. A ficha também mostra uma mensagem de sistema opcional para definir a identidade. Preserve as orientações próprias de pedido deste modelo, em vez de importar recomendações de outro checkpoint apenas por constar da sua ascendência.\n\nProcessamento de documentos longos\n\nO Tongyi Lab valida comprimentos de contexto até 131 072 tokens com YaRN e recomenda a extensão quando a entrada e a saída combinadas excedem significativamente 32 768 tokens. Os exemplos descrevem um fator de quatro ou um fator menor, como dois, para uma carga de 65 536 tokens. A extensão estática pode reduzir o desempenho em texto mais curto, pelo que a ficha desaconselha ativá-la quando os pedidos normais permanecem dentro de 32 768 tokens. A configuração publicada enumera 131 072 posições mas não tem um campo rope_scaling ativado; a configuração e o procedimento condicional de contexto longo do fabricante devem, por isso, ser verificados em conjunto.\n\nUma entrada longa continua a precisar de espaço para o raciocínio e a resposta. Comece pelas passagens necessárias à pergunta, elimine cabeçalhos repetidos e texto de navegação e retenha identificadores de página ou secção. Peça referências aos elementos de apoio no resultado para que quem o reveja possa seguir a conclusão até ao material fornecido. Um contexto amplo ajuda a colocar mais elementos num pedido; não estabelece recordação perfeita de todos os pormenores.\n\nO que abrange o treino documental\n\nO DocQA-RL-1.6K contém 1 600 problemas de treino em três domínios de raciocínio: 600 perguntas numéricas sobre documentos especializados longos, como relatórios financeiros; 600 perguntas lógicas de escolha múltipla sobre documentos jurídicos, financeiros, de seguros e de produção; e 400 exemplos em várias etapas que ligam elementos entre fontes. Isto torna o modelo um candidato relevante para aritmética de relatórios, interpretação de regras e perguntas que exigem várias passagens de apoio. Os domínios de treino descrevem experiência nessas tarefas, não certificação profissional nem conclusões garantidas.\n\nSaída prática e limites\n\nEscolha uma resposta verificável: um valor calculado com unidades, uma comparação de regras com referências a secções ou uma conclusão curta com a cadeia de factos que a sustenta. Se o documento omitir uma data ou definição necessária, peça ao modelo que identifique os elementos em falta em vez de os inventar. Os materiais do lançamento centram-se em perguntas e respostas sobre documentos e não estabelecem um contrato dedicado de chamadas de ferramentas nem um teto rígido separado de saída. Trate as respostas como rascunhos sustentados por fontes e verifique cálculos, referências e interpretações à luz dos documentos fornecidos.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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-L1-32BO QwenLong-L1-32B é o modelo de raciocínio em texto do Tongyi Lab para perguntas sustentadas por documentos longos. Combina um ponto de partida DeepSeek-R1-Distill-Qwen-32B com aprendizagem por reforço centrada em documentos para raciocínio numérico, lógico e entre documentos.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: raciocínio sobre documentos longos
O QwenLong-L1-32B é o modelo de raciocínio em texto de contexto longo do Tongyi Lab. Destina-se a responder a perguntas cujos elementos de apoio estão dispersos num documento ou em vários documentos, em vez de apenas repetir uma passagem próxima. É construído a partir do DeepSeek-R1-Distill-Qwen-32B e treinado adicionalmente para raciocínio sustentado por documentos. Forneça texto e uma pergunta; o modelo gera uma sequência textual de raciocínio e uma resposta. Páginas digitalizadas, áudio e vídeo precisam de uma etapa separada de conversão adequada antes deste fluxo textual.
Como funciona o treino de contexto longo
O enquadramento QwenLong-L1 prepara primeiro uma política de raciocínio com ajuste fino supervisionado e aumenta depois o comprimento do contexto através de um currículo de aprendizagem por reforço. A amostragem retrospetiva sensível à dificuldade ajusta os exemplos revisitados à medida que o treino avança. O fabricante combina recompensas binárias de resultado baseadas em regras e em modelos, usando otimização de política relativa ao grupo para incentivar respostas que permaneçam sustentadas por material documental extenso. Isto descreve a abordagem de treino do checkpoint; não significa que uma resposta individual seja automaticamente verificada por um avaliador externo.
A edição lançada
Este é o lançamento original QwenLong-L1-32B. O QwenLong-L1-32B-AWQ, com nome separado, é uma edição quantizada INT4 e deve conservar a sua própria identidade. A configuração publicada para este modelo usa uma arquitetura Qwen2 de modelo de linguagem causal com 64 camadas e pesos bfloat16. A especialização documental do modelo é mais relevante para a escolha do que tratar o nome 32B como prova de melhoria em todas as tarefas de uso geral.
Prepare uma pergunta documental
O exemplo do fabricante separa o documento da pergunta com delimitadores de texto explícitos e pede uma expressão reconhecível de resposta final após o raciocínio. Siga essa estrutura: forneça o corpo relevante do documento, mantenha legíveis os títulos e tabelas e faça uma pergunta concreta. Para um cálculo de relatório, preserve unidades, períodos de reporte e legendas de tabelas e peça a fórmula, os valores utilizados e o resultado final. Para comparar políticas, identifique os documentos como A e B e peça uma tabela de regras correspondentes, diferenças e a secção de apoio de cada linha. São exemplos de aplicação elaborados a partir das capacidades documentadas de raciocínio numérico e entre documentos.
O exemplo analisa separadamente o texto de raciocínio e o da resposta final. Utiliza um orçamento de geração de 10 000 tokens, temperature 0.7 e top_p 0.95; são definições de exemplo, não uma extensão máxima declarada de saída. A ficha também mostra uma mensagem de sistema opcional para definir a identidade. Preserve as orientações próprias de pedido deste modelo, em vez de importar recomendações de outro checkpoint apenas por constar da sua ascendência.
Processamento de documentos longos
O Tongyi Lab valida comprimentos de contexto até 131 072 tokens com YaRN e recomenda a extensão quando a entrada e a saída combinadas excedem significativamente 32 768 tokens. Os exemplos descrevem um fator de quatro ou um fator menor, como dois, para uma carga de 65 536 tokens. A extensão estática pode reduzir o desempenho em texto mais curto, pelo que a ficha desaconselha ativá-la quando os pedidos normais permanecem dentro de 32 768 tokens. A configuração publicada enumera 131 072 posições mas não tem um campo rope_scaling ativado; a configuração e o procedimento condicional de contexto longo do fabricante devem, por isso, ser verificados em conjunto.
Uma entrada longa continua a precisar de espaço para o raciocínio e a resposta. Comece pelas passagens necessárias à pergunta, elimine cabeçalhos repetidos e texto de navegação e retenha identificadores de página ou secção. Peça referências aos elementos de apoio no resultado para que quem o reveja possa seguir a conclusão até ao material fornecido. Um contexto amplo ajuda a colocar mais elementos num pedido; não estabelece recordação perfeita de todos os pormenores.
O que abrange o treino documental
O DocQA-RL-1.6K contém 1 600 problemas de treino em três domínios de raciocínio: 600 perguntas numéricas sobre documentos especializados longos, como relatórios financeiros; 600 perguntas lógicas de escolha múltipla sobre documentos jurídicos, financeiros, de seguros e de produção; e 400 exemplos em várias etapas que ligam elementos entre fontes. Isto torna o modelo um candidato relevante para aritmética de relatórios, interpretação de regras e perguntas que exigem várias passagens de apoio. Os domínios de treino descrevem experiência nessas tarefas, não certificação profissional nem conclusões garantidas.
Saída prática e limites
Escolha uma resposta verificável: um valor calculado com unidades, uma comparação de regras com referências a secções ou uma conclusão curta com a cadeia de factos que a sustenta. Se o documento omitir uma data ou definição necessária, peça ao modelo que identifique os elementos em falta em vez de os inventar. Os materiais do lançamento centram-se em perguntas e respostas sobre documentos e não estabelecem um contrato dedicado de chamadas de ferramentas nem um teto rígido separado de saída. Trate as respostas como rascunhos sustentados por fontes e verifique cálculos, referências e interpretações à luz dos documentos fornecidos.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Tongyi-Zhiwen/QwenLong-L1-32B | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00028 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Use os caminhos dos métodos indicados acima.
Tongyi-Zhiwen/QwenLong-L1-32BO QwenLong-L1-32B é o modelo de raciocínio em texto do Tongyi Lab para perguntas sustentadas por documentos longos. Combina um ponto de partida DeepSeek-R1-Distill-Qwen-32B com aprendizagem por reforço centrada em documentos para raciocínio numérico, lógico e entre documentos.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: raciocínio sobre documentos longos
O QwenLong-L1-32B é o modelo de raciocínio em texto de contexto longo do Tongyi Lab. Destina-se a responder a perguntas cujos elementos de apoio estão dispersos num documento ou em vários documentos, em vez de apenas repetir uma passagem próxima. É construído a partir do DeepSeek-R1-Distill-Qwen-32B e treinado adicionalmente para raciocínio sustentado por documentos. Forneça texto e uma pergunta; o modelo gera uma sequência textual de raciocínio e uma resposta. Páginas digitalizadas, áudio e vídeo precisam de uma etapa separada de conversão adequada antes deste fluxo textual.
Como funciona o treino de contexto longo
O enquadramento QwenLong-L1 prepara primeiro uma política de raciocínio com ajuste fino supervisionado e aumenta depois o comprimento do contexto através de um currículo de aprendizagem por reforço. A amostragem retrospetiva sensível à dificuldade ajusta os exemplos revisitados à medida que o treino avança. O fabricante combina recompensas binárias de resultado baseadas em regras e em modelos, usando otimização de política relativa ao grupo para incentivar respostas que permaneçam sustentadas por material documental extenso. Isto descreve a abordagem de treino do checkpoint; não significa que uma resposta individual seja automaticamente verificada por um avaliador externo.
A edição lançada
Este é o lançamento original QwenLong-L1-32B. O QwenLong-L1-32B-AWQ, com nome separado, é uma edição quantizada INT4 e deve conservar a sua própria identidade. A configuração publicada para este modelo usa uma arquitetura Qwen2 de modelo de linguagem causal com 64 camadas e pesos bfloat16. A especialização documental do modelo é mais relevante para a escolha do que tratar o nome 32B como prova de melhoria em todas as tarefas de uso geral.
Prepare uma pergunta documental
O exemplo do fabricante separa o documento da pergunta com delimitadores de texto explícitos e pede uma expressão reconhecível de resposta final após o raciocínio. Siga essa estrutura: forneça o corpo relevante do documento, mantenha legíveis os títulos e tabelas e faça uma pergunta concreta. Para um cálculo de relatório, preserve unidades, períodos de reporte e legendas de tabelas e peça a fórmula, os valores utilizados e o resultado final. Para comparar políticas, identifique os documentos como A e B e peça uma tabela de regras correspondentes, diferenças e a secção de apoio de cada linha. São exemplos de aplicação elaborados a partir das capacidades documentadas de raciocínio numérico e entre documentos.
O exemplo analisa separadamente o texto de raciocínio e o da resposta final. Utiliza um orçamento de geração de 10 000 tokens, temperature 0.7 e top_p 0.95; são definições de exemplo, não uma extensão máxima declarada de saída. A ficha também mostra uma mensagem de sistema opcional para definir a identidade. Preserve as orientações próprias de pedido deste modelo, em vez de importar recomendações de outro checkpoint apenas por constar da sua ascendência.
Processamento de documentos longos
O Tongyi Lab valida comprimentos de contexto até 131 072 tokens com YaRN e recomenda a extensão quando a entrada e a saída combinadas excedem significativamente 32 768 tokens. Os exemplos descrevem um fator de quatro ou um fator menor, como dois, para uma carga de 65 536 tokens. A extensão estática pode reduzir o desempenho em texto mais curto, pelo que a ficha desaconselha ativá-la quando os pedidos normais permanecem dentro de 32 768 tokens. A configuração publicada enumera 131 072 posições mas não tem um campo rope_scaling ativado; a configuração e o procedimento condicional de contexto longo do fabricante devem, por isso, ser verificados em conjunto.
Uma entrada longa continua a precisar de espaço para o raciocínio e a resposta. Comece pelas passagens necessárias à pergunta, elimine cabeçalhos repetidos e texto de navegação e retenha identificadores de página ou secção. Peça referências aos elementos de apoio no resultado para que quem o reveja possa seguir a conclusão até ao material fornecido. Um contexto amplo ajuda a colocar mais elementos num pedido; não estabelece recordação perfeita de todos os pormenores.
O que abrange o treino documental
O DocQA-RL-1.6K contém 1 600 problemas de treino em três domínios de raciocínio: 600 perguntas numéricas sobre documentos especializados longos, como relatórios financeiros; 600 perguntas lógicas de escolha múltipla sobre documentos jurídicos, financeiros, de seguros e de produção; e 400 exemplos em várias etapas que ligam elementos entre fontes. Isto torna o modelo um candidato relevante para aritmética de relatórios, interpretação de regras e perguntas que exigem várias passagens de apoio. Os domínios de treino descrevem experiência nessas tarefas, não certificação profissional nem conclusões garantidas.
Saída prática e limites
Escolha uma resposta verificável: um valor calculado com unidades, uma comparação de regras com referências a secções ou uma conclusão curta com a cadeia de factos que a sustenta. Se o documento omitir uma data ou definição necessária, peça ao modelo que identifique os elementos em falta em vez de os inventar. Os materiais do lançamento centram-se em perguntas e respostas sobre documentos e não estabelecem um contrato dedicado de chamadas de ferramentas nem um teto rígido separado de saída. Trate as respostas como rascunhos sustentados por fontes e verifique cálculos, referências e interpretações à luz dos documentos fornecidos.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Tongyi-Zhiwen/QwenLong-L1-32B | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00028 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.