Source: https://ailoot.ai/models/pt-pt/tongyi-zhiwen-qwenlong-l1-32b/ Canonical: https://ailoot.ai/models/pt-pt/tongyi-zhiwen-qwenlong-l1-32b/ Language: pt-pt # QwenLong L1 32B [Markdown](https://ailoot.ai/models/pt-pt/tongyi-zhiwen-qwenlong-l1-32b/index.md) · [JSON](https://ailoot.ai/models/pt-pt/tongyi-zhiwen-qwenlong-l1-32b/facts.json) ## [QwenLong L1 32B](https://ailoot.ai/models/pt-pt/tongyi-zhiwen-qwenlong-l1-32b/) O 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. - [**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/tongyi-zhiwen-qwenlong-l1-32b/#method-0) - [**Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/tongyi-zhiwen-qwenlong-l1-32b/#method-1) Sobre o modelo 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. Tarefa prática ### Tarefa prática Exemplo técnico em inglês ``` Connect evidence across report sections Document 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. ``` #### Resultado esperado ``` A source-linked formula and calculation, a revenue-information limit and a labelled final result. ``` #### Verificar o resultado ``` Check that all three source sections support the calculation and that a price or revenue value is not invented. ``` **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `Tongyi-Zhiwen/QwenLong-L1-32B` [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) Outro /`Tongyi-Zhiwen/QwenLong-L1-32B` ### Introdução O 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. Entradas aceites Texto Resultados Texto ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` Entrada `text` Saída `text` Formato de saída json ou SSE | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites Tongyi-Zhiwen/QwenLong-L1-32B | Predefinição— | | Campo`messages` | Tipo`message[]` | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— | | Campo`messages[].role` | Tipo`string` | 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— | | Campo`messages[].content` | Tipo`string\|content_part[]\|null` | RequisitoOpcional | Valores e limites | Predefinição— | | Campo`messages[].tool_calls` | Tipo`tool_call[]` | RequisitoOpcional | Valores e limites | Predefinição— | | Campo`messages[].tool_call_id` | Tipo`string` | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— | | Campo`messages[].name` | Tipo`string` | RequisitoOpcional | Valores e limites | Predefinição— | | Campo`messages[].reasoning_content` | Tipo`string` | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— | | Campo`messages[].reasoning_details` | Tipo`object\|array` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`max_tokens` | Tipo`integer` | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— | | Campo`max_completion_tokens` | Tipo`integer` | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— | | Campo`stream` | Tipo`boolean` | RequisitoOpcional | Valores e limites | Predefiniçãofalse | | Campo`stream_options.include_usage` | Tipo`boolean` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`temperature` | Tipo`number` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`top_p` | Tipo`number` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`stop` | Tipo`string\|string[]` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`tools` | Tipo`function_tool[]` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`tools[].type` | Tipo`string` | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— | | Campo`tools[].function.name` | Tipo`string` | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— | | Campo`tools[].function.description` | Tipo`string` | RequisitoOpcional | Valores e limites | Predefinição— | | Campo`tools[].function.parameters` | Tipo`JSON_schema` | RequisitoOpcional | Valores e limites | Predefinição— | | Campo`tool_choice` | Tipo`string\|object` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`parallel_tool_calls` | Tipo`boolean` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`response_format` | Tipo`object` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`reasoning_effort` | Tipo`string` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`reasoning` | Tipo`object` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`service_tier` | Tipo`string` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`instructions` | Tipo`string` | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— | | Campo`functions` | Tipo`function[]` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`function_call` | Tipo`string\|object` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`prompt_cache_options` | Tipo`object` | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— | | Campo`modalities` | Tipo`string[]` | RequisitoOpcional | Valores e limites text | Predefinição— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— | | Campo`cache_control.ttl` | Tipo`string` | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— | Combinações de materiais de entrada **Texto** · Texto UTF8 `messages[].content` Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, messages | | Parâmetro`material_types` | Contratotext | | Parâmetro`messages` | ContratoLista de mensagens com estrutura role/content | | Parâmetro`file_material` | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido | | Parâmetro`optional_controls` | Contratostream, temperature, top\_p, stop, max\_tokens, max\_completion\_tokens, reasoning, response\_format, tools, tool\_choice | | Parâmetro`control_scope` | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas | | Parâmetro`output_modalities` | Contratotext | | Parâmetro`hosted_operations` | Contratofalse | | Parâmetro`multimodal_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. ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Não especificado Quando o modo rápido está selecionado Modo flex Não especificado Quando o modo flex está selecionado Esforço máximo de raciocínio Não especificado Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | 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 **$0** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · OpenAI Chat curlPython SDKStreaming em Python ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "Tongyi-Zhiwen/QwenLong-L1-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("choices",[]): if x.get("message",{}).get("content"): print(x["message"]["content"]) PY_RESULT ``` ```python from openai import OpenAI import os if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.chat.completions.create(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) save_result(result.to_dict(mode="json")) ``` ```python from openai import OpenAI import os from pathlib import Path if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) with client.chat.completions.stream(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream: with Path("stream-events.jsonl").open("w",encoding="utf-8") as log: for event in stream: payload=event.to_dict(mode="json") log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush() print(json.dumps(payload,ensure_ascii=False)) final=stream.get_final_completion() save_result(final.to_dict(mode="json"),"stream-result") ``` ### Receber e guardar os resultados #### Ailoot Ultra · OpenAI Chat json ou SSE ##### Guardar todos os resultados concluídos 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. ##### Se for necessário verificar a resposta original Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`choices[].index` | Tipointeger | | Campo`choices[].message.content` | Tipostring\|null | | Campo`choices[].message.tool_calls` | Tipotool\_call\[\] | | Campo`choices[].message.reasoning_content` | Tipostring | | Campo`choices[].message.reasoning_details` | Tipoobject\|array | | Campo`choices[].finish_reason` | Tipostring\|null | | Campo`usage` | Tipoobject | Erros e passos seguintes | 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. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `Tongyi-Zhiwen/QwenLong-L1-32B` [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) Outro /`Tongyi-Zhiwen/QwenLong-L1-32B` ### Introdução O 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. Entradas aceites Texto Resultados json · sse ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` Entrada `text` Saída `json`, `sse` Formato de saída JSON ou SSE | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites Tongyi-Zhiwen/QwenLong-L1-32B | Predefinição— | | Campo`messages` | Tipo`message[]` | RequisitoObrigatório | Valores e limites | Predefinição— | | Campo`messages[].role` | Tipo`string` | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— | | Campo`messages[].content` | Tipo`string` | RequisitoObrigatório | Valores e limites | Predefinição— | | Campo`max_tokens` | Tipo`integer` | RequisitoObrigatório | Valores e limites | Predefinição— | | Campo`stream` | Tipo`boolean` | RequisitoOpcional | Valores e limites | Predefiniçãofalse | Combinações de materiais de entrada **Texto** · Texto UTF-8 `Cadeia de caracteres messages[].content` Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, messages, max\_tokens | | Parâmetro`optional_controls` | Contratostream | | Parâmetro`material_types` | Contratotext | | Parâmetro`text_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` ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Não especificado Quando o modo rápido está selecionado Modo flex Não especificado Quando o modo flex está selecionado Esforço máximo de raciocínio Não especificado Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | 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 **$0** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · Anthropic Messages Corpo JSON mínimo completocurl · use o seu documento UTF-8Python · guarde o resultado completo ```json { "model": "Tongyi-Zhiwen/QwenLong-L1-32B", "max_tokens": 128, "messages": [ { "role": "user", "content": "Summarize the incident report." } ], "stream": false } ``` ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}" export AILOOT_TEXT_FILE python3 - <<'PY_REQUEST' import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \ -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) PY_RESULT ``` ```python import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text from urllib.request import Request, urlopen from urllib.error import HTTPError api_key = os.environ['AILOOT_API_KEY'] if not api_key.strip(): raise SystemExit('Set AILOOT_API_KEY before making a request') headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'} headers['x-api-key'] = api_key request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST') try: with urlopen(request, timeout=120) as response: raw = response.read() Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8') except HTTPError as error: Path('result.json').write_bytes(error.read()) Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8') raise Path('result.json').write_bytes(raw) import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) ``` ### Receber e guardar os resultados #### Ailoot Ultra · Anthropic Messages JSON ou SSE ##### Guardar todos os resultados concluídos 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. ##### Se for necessário verificar a resposta original Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`id` | Tipostring | | Campo`model` | Tipostring | | Campo`content[]` | Tipotext\|thinking\|tool\_use\|other content block | | Campo`stop_reason` | Tipostring\|null | | Campo`usage` | Tipoobject | Erros e passos seguintes | 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. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/pt-pt/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) FAQ · Tongyi-Zhiwen/QwenLong-L1-32B Que entradas e resultados estão disponíveis? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `text` → `text` `POST /v1/messages` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `text` → `json`, `sse` Que campos utiliza o pedido? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `model`, `messages`, `stream`, `modalities`, `provider` `POST /v1/messages` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `model`, `messages`, `max_tokens`, `stream` Que limites se aplicam? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `messages.min_items`: `1` Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação. ## A empresa e a sua carteira de projetos A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. ## Compre tokens com desconto. Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens. Subscrição Escolha um plano com desconto para os pedidos regulares. Código promocional até 50% Introduza o código na compra. O preço é recalculado conforme a campanha em vigor. Custos no histórico O modelo, os tokens e o montante são guardados para cada pedido. [Escolher subscrição](https://ailoot.ai/docs/pt-pt/billing/subscriptions/) · [Ver preços dos modelos](https://ailoot.ai/models/pt-pt/) ## Ligue a API ao produto que vende. SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor. Aplicação comercial Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço. Licença de revendedor Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda. Documentos no site A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação. [Pedir licença de revendedor](mailto:support@ailoot.ai) · [Oferta e contrato de licença](https://ailoot.ai/legal/offer?lang=pt-pt) ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.