Úvod: uvažovanie nad dlhými dokumentmi
QwenLong-L1-32B je model Tongyi Lab na textové uvažovanie s dlhým kontextom. Jeho účelom je odpovedať na otázky, ktorých dôkazy sú rozptýlené v jednom dokumente alebo vo viacerých dokumentoch, namiesto jednoduchého opakovania blízkeho úryvku. Vychádza z DeepSeek-R1-Distill-Qwen-32B a je ďalej trénovaný na uvažovanie podložené dokumentmi. Dodajte text a otázku; model generuje textovú sekvenciu uvažovania a odpoveď. Naskenované stránky, zvuk a video potrebujú pred týmto textovým postupom vhodný samostatný krok konverzie.
Ako funguje tréning dlhého kontextu
Rámec QwenLong-L1 najprv pripravuje politiku uvažovania riadeným dolaďovaním a potom zvyšuje dĺžku kontextu prostredníctvom kurikula posilňovacieho učenia. Retrospektívne vzorkovanie zohľadňujúce náročnosť upravuje, ku ktorým príkladom sa tréning s postupom vracia. Výrobca spája binárne odmeny za výsledok založené na pravidlách a modeloch a používa skupinovo relatívnu optimalizáciu politiky na podporu odpovedí, ktoré zostávajú podložené rozsiahlymi dôkazmi. To opisuje tréningový prístup checkpointu; neznamená to, že jednotlivú odpoveď automaticky overuje externý hodnotiteľ.
Vydaná edícia
Ide o pôvodné vydanie QwenLong-L1-32B. Samostatne pomenovaný QwenLong-L1-32B-AWQ je edícia kvantizovaná na INT4 a má si zachovať vlastnú identitu. Zverejnená konfigurácia tohto modelu používa architektúru kauzálneho jazykového modelu Qwen2 so 64 vrstvami a váhami bfloat16. Špecializácia modelu na dokumenty je pre výber relevantnejšia než považovanie názvu 32B za dôkaz zlepšenia každej všeobecnej úlohy.
Príprava otázky k dokumentu
Príklad výrobcu oddeľuje dokument od otázky výslovnými textovými oddeľovačmi a po uvažovaní žiada rozpoznateľnú frázu konečnej odpovede. Dodržte túto štruktúru: poskytnite príslušné telo dokumentu, zachovajte čitateľné nadpisy a tabuľky a položte jednu konkrétnu otázku. Pri výpočte zo správy zachovajte jednotky, vykazované obdobia a označenia tabuliek a potom požiadajte o vzorec, použité hodnoty a konečný výsledok. Pri porovnaní pravidiel označte dokumenty A a B a požiadajte o tabuľku zhodných pravidiel, rozdielov a podpornej časti pre každý riadok. Ide o autorské použitia zdokumentovaných numerických a medzidokumentových schopností.
Príklad parsuje text uvažovania a konečnej odpovede oddelene. Používa rozpočet generovania 10 000 tokenov, temperature 0.7 a top_p 0.95; ide o nastavenia príkladu, nie o deklarovanú maximálnu dĺžku výstupu. Karta ukazuje aj voliteľnú systémovú správu na nastavenie identity. Zachovajte vlastné pokyny zadávania tohto modelu a nepreberajte odporúčania iného checkpointu len preto, že sa nachádza v rodokmeni modelu.
Spracovanie dlhých dokumentov
Tongyi Lab overuje dĺžky kontextu až 131 072 tokenov pomocou YaRN a odporúča škálovanie, keď súčet vstupu a výstupu výrazne presahuje 32 768 tokenov. Príklady opisujú faktor štyri alebo menší faktor, napríklad dva pre záťaž 65 536 tokenov. Statické škálovanie môže znížiť výkon na kratšom texte, preto karta neodporúča jeho zapnutie, keď bežné požiadavky zostávajú v rámci 32 768 tokenov. Zverejnená konfigurácia uvádza 131 072 pozícií, ale žiadne zapnuté pole rope_scaling; konfiguráciu a podmienený postup výrobcu pre dlhý kontext preto treba preveriť spoločne.
Aj dlhý vstup potrebuje miesto na uvažovanie a odpoveď. Začnite úryvkami potrebnými pre otázku, odstráňte opakované hlavičky a navigačný text a zachovajte identifikátory strán alebo častí. Vo výsledku požiadajte o odkazy na dôkazy, aby kontrolujúci mohol sledovať záver späť k dodanému materiálu. Veľký povolený kontext pomáha umiestniť viac dôkazov do jednej požiadavky; nezaručuje, že si model vybaví každý detail.
Čo pokrýva dokumentový tréning
DocQA-RL-1.6K obsahuje 1 600 tréningových problémov v troch oblastiach uvažovania: 600 numerických otázok z dlhých špecializovaných dokumentov, napríklad finančných správ; 600 logických otázok s výberom odpovede o právnych, finančných, poistných a výrobných dokumentoch; a 400 viacstupňových príkladov prepájajúcich dôkazy naprieč zdrojmi. Vďaka tomu je model relevantným kandidátom na aritmetiku správ, interpretáciu pravidiel a otázky vyžadujúce viacero podporných úryvkov. Tréningové oblasti opisujú skúsenosť s týmito úlohami, nie odbornú certifikáciu alebo zaručené závery.
Praktický výstup a limity
Vyberte odpoveď, ktorú možno skontrolovať: vypočítanú hodnotu s jednotkami, porovnanie pravidiel s odkazmi na časti alebo krátky záver s reťazcom podporných faktov. Ak dokument vynecháva potrebný dátum alebo definíciu, požiadajte model o identifikáciu chýbajúcich dôkazov namiesto ich vymýšľania. Materiály vydania sa sústreďujú na odpovedanie na otázky k dokumentom a nestanovujú špecializovaný kontrakt volania nástrojov ani samostatný pevný strop výstupu. Odpovede považujte za podložené návrhy a výpočty, odkazy aj interpretácie overujte podľa dodaných dokumentov.
", "aboutText": "Úvod: uvažovanie nad dlhými dokumentmi\n\nQwenLong-L1-32B je model Tongyi Lab na textové uvažovanie s dlhým kontextom. Jeho účelom je odpovedať na otázky, ktorých dôkazy sú rozptýlené v jednom dokumente alebo vo viacerých dokumentoch, namiesto jednoduchého opakovania blízkeho úryvku. Vychádza z DeepSeek-R1-Distill-Qwen-32B a je ďalej trénovaný na uvažovanie podložené dokumentmi. Dodajte text a otázku; model generuje textovú sekvenciu uvažovania a odpoveď. Naskenované stránky, zvuk a video potrebujú pred týmto textovým postupom vhodný samostatný krok konverzie.\n\nAko funguje tréning dlhého kontextu\n\nRámec QwenLong-L1 najprv pripravuje politiku uvažovania riadeným dolaďovaním a potom zvyšuje dĺžku kontextu prostredníctvom kurikula posilňovacieho učenia. Retrospektívne vzorkovanie zohľadňujúce náročnosť upravuje, ku ktorým príkladom sa tréning s postupom vracia. Výrobca spája binárne odmeny za výsledok založené na pravidlách a modeloch a používa skupinovo relatívnu optimalizáciu politiky na podporu odpovedí, ktoré zostávajú podložené rozsiahlymi dôkazmi. To opisuje tréningový prístup checkpointu; neznamená to, že jednotlivú odpoveď automaticky overuje externý hodnotiteľ.\n\nVydaná edícia\n\nIde o pôvodné vydanie QwenLong-L1-32B. Samostatne pomenovaný QwenLong-L1-32B-AWQ je edícia kvantizovaná na INT4 a má si zachovať vlastnú identitu. Zverejnená konfigurácia tohto modelu používa architektúru kauzálneho jazykového modelu Qwen2 so 64 vrstvami a váhami bfloat16. Špecializácia modelu na dokumenty je pre výber relevantnejšia než považovanie názvu 32B za dôkaz zlepšenia každej všeobecnej úlohy.\n\nPríprava otázky k dokumentu\n\nPríklad výrobcu oddeľuje dokument od otázky výslovnými textovými oddeľovačmi a po uvažovaní žiada rozpoznateľnú frázu konečnej odpovede. Dodržte túto štruktúru: poskytnite príslušné telo dokumentu, zachovajte čitateľné nadpisy a tabuľky a položte jednu konkrétnu otázku. Pri výpočte zo správy zachovajte jednotky, vykazované obdobia a označenia tabuliek a potom požiadajte o vzorec, použité hodnoty a konečný výsledok. Pri porovnaní pravidiel označte dokumenty A a B a požiadajte o tabuľku zhodných pravidiel, rozdielov a podpornej časti pre každý riadok. Ide o autorské použitia zdokumentovaných numerických a medzidokumentových schopností.\n\nPríklad parsuje text uvažovania a konečnej odpovede oddelene. Používa rozpočet generovania 10 000 tokenov, temperature 0.7 a top_p 0.95; ide o nastavenia príkladu, nie o deklarovanú maximálnu dĺžku výstupu. Karta ukazuje aj voliteľnú systémovú správu na nastavenie identity. Zachovajte vlastné pokyny zadávania tohto modelu a nepreberajte odporúčania iného checkpointu len preto, že sa nachádza v rodokmeni modelu.\n\nSpracovanie dlhých dokumentov\n\nTongyi Lab overuje dĺžky kontextu až 131 072 tokenov pomocou YaRN a odporúča škálovanie, keď súčet vstupu a výstupu výrazne presahuje 32 768 tokenov. Príklady opisujú faktor štyri alebo menší faktor, napríklad dva pre záťaž 65 536 tokenov. Statické škálovanie môže znížiť výkon na kratšom texte, preto karta neodporúča jeho zapnutie, keď bežné požiadavky zostávajú v rámci 32 768 tokenov. Zverejnená konfigurácia uvádza 131 072 pozícií, ale žiadne zapnuté pole rope_scaling; konfiguráciu a podmienený postup výrobcu pre dlhý kontext preto treba preveriť spoločne.\n\nAj dlhý vstup potrebuje miesto na uvažovanie a odpoveď. Začnite úryvkami potrebnými pre otázku, odstráňte opakované hlavičky a navigačný text a zachovajte identifikátory strán alebo častí. Vo výsledku požiadajte o odkazy na dôkazy, aby kontrolujúci mohol sledovať záver späť k dodanému materiálu. Veľký povolený kontext pomáha umiestniť viac dôkazov do jednej požiadavky; nezaručuje, že si model vybaví každý detail.\n\nČo pokrýva dokumentový tréning\n\nDocQA-RL-1.6K obsahuje 1 600 tréningových problémov v troch oblastiach uvažovania: 600 numerických otázok z dlhých špecializovaných dokumentov, napríklad finančných správ; 600 logických otázok s výberom odpovede o právnych, finančných, poistných a výrobných dokumentoch; a 400 viacstupňových príkladov prepájajúcich dôkazy naprieč zdrojmi. Vďaka tomu je model relevantným kandidátom na aritmetiku správ, interpretáciu pravidiel a otázky vyžadujúce viacero podporných úryvkov. Tréningové oblasti opisujú skúsenosť s týmito úlohami, nie odbornú certifikáciu alebo zaručené závery.\n\nPraktický výstup a limity\n\nVyberte odpoveď, ktorú možno skontrolovať: vypočítanú hodnotu s jednotkami, porovnanie pravidiel s odkazmi na časti alebo krátky záver s reťazcom podporných faktov. Ak dokument vynecháva potrebný dátum alebo definíciu, požiadajte model o identifikáciu chýbajúcich dôkazov namiesto ich vymýšľania. Materiály vydania sa sústreďujú na odpovedanie na otázky k dokumentom a nestanovujú špecializovaný kontrakt volania nástrojov ani samostatný pevný strop výstupu. Odpovede považujte za podložené návrhy a výpočty, odkazy aj interpretácie overujte podľa dodaných dokumentov.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický príklad v angličtine
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 je model Tongyi Lab na textové uvažovanie pri otázkach podložených dlhými dokumentmi. Spája východisko DeepSeek-R1-Distill-Qwen-32B s posilňovacím učením zameraným na dokumenty pre numerické, logické a medzidokumentové uvažovanie.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Úvod: uvažovanie nad dlhými dokumentmi
QwenLong-L1-32B je model Tongyi Lab na textové uvažovanie s dlhým kontextom. Jeho účelom je odpovedať na otázky, ktorých dôkazy sú rozptýlené v jednom dokumente alebo vo viacerých dokumentoch, namiesto jednoduchého opakovania blízkeho úryvku. Vychádza z DeepSeek-R1-Distill-Qwen-32B a je ďalej trénovaný na uvažovanie podložené dokumentmi. Dodajte text a otázku; model generuje textovú sekvenciu uvažovania a odpoveď. Naskenované stránky, zvuk a video potrebujú pred týmto textovým postupom vhodný samostatný krok konverzie.
Ako funguje tréning dlhého kontextu
Rámec QwenLong-L1 najprv pripravuje politiku uvažovania riadeným dolaďovaním a potom zvyšuje dĺžku kontextu prostredníctvom kurikula posilňovacieho učenia. Retrospektívne vzorkovanie zohľadňujúce náročnosť upravuje, ku ktorým príkladom sa tréning s postupom vracia. Výrobca spája binárne odmeny za výsledok založené na pravidlách a modeloch a používa skupinovo relatívnu optimalizáciu politiky na podporu odpovedí, ktoré zostávajú podložené rozsiahlymi dôkazmi. To opisuje tréningový prístup checkpointu; neznamená to, že jednotlivú odpoveď automaticky overuje externý hodnotiteľ.
Vydaná edícia
Ide o pôvodné vydanie QwenLong-L1-32B. Samostatne pomenovaný QwenLong-L1-32B-AWQ je edícia kvantizovaná na INT4 a má si zachovať vlastnú identitu. Zverejnená konfigurácia tohto modelu používa architektúru kauzálneho jazykového modelu Qwen2 so 64 vrstvami a váhami bfloat16. Špecializácia modelu na dokumenty je pre výber relevantnejšia než považovanie názvu 32B za dôkaz zlepšenia každej všeobecnej úlohy.
Príprava otázky k dokumentu
Príklad výrobcu oddeľuje dokument od otázky výslovnými textovými oddeľovačmi a po uvažovaní žiada rozpoznateľnú frázu konečnej odpovede. Dodržte túto štruktúru: poskytnite príslušné telo dokumentu, zachovajte čitateľné nadpisy a tabuľky a položte jednu konkrétnu otázku. Pri výpočte zo správy zachovajte jednotky, vykazované obdobia a označenia tabuliek a potom požiadajte o vzorec, použité hodnoty a konečný výsledok. Pri porovnaní pravidiel označte dokumenty A a B a požiadajte o tabuľku zhodných pravidiel, rozdielov a podpornej časti pre každý riadok. Ide o autorské použitia zdokumentovaných numerických a medzidokumentových schopností.
Príklad parsuje text uvažovania a konečnej odpovede oddelene. Používa rozpočet generovania 10 000 tokenov, temperature 0.7 a top_p 0.95; ide o nastavenia príkladu, nie o deklarovanú maximálnu dĺžku výstupu. Karta ukazuje aj voliteľnú systémovú správu na nastavenie identity. Zachovajte vlastné pokyny zadávania tohto modelu a nepreberajte odporúčania iného checkpointu len preto, že sa nachádza v rodokmeni modelu.
Spracovanie dlhých dokumentov
Tongyi Lab overuje dĺžky kontextu až 131 072 tokenov pomocou YaRN a odporúča škálovanie, keď súčet vstupu a výstupu výrazne presahuje 32 768 tokenov. Príklady opisujú faktor štyri alebo menší faktor, napríklad dva pre záťaž 65 536 tokenov. Statické škálovanie môže znížiť výkon na kratšom texte, preto karta neodporúča jeho zapnutie, keď bežné požiadavky zostávajú v rámci 32 768 tokenov. Zverejnená konfigurácia uvádza 131 072 pozícií, ale žiadne zapnuté pole rope_scaling; konfiguráciu a podmienený postup výrobcu pre dlhý kontext preto treba preveriť spoločne.
Aj dlhý vstup potrebuje miesto na uvažovanie a odpoveď. Začnite úryvkami potrebnými pre otázku, odstráňte opakované hlavičky a navigačný text a zachovajte identifikátory strán alebo častí. Vo výsledku požiadajte o odkazy na dôkazy, aby kontrolujúci mohol sledovať záver späť k dodanému materiálu. Veľký povolený kontext pomáha umiestniť viac dôkazov do jednej požiadavky; nezaručuje, že si model vybaví každý detail.
Čo pokrýva dokumentový tréning
DocQA-RL-1.6K obsahuje 1 600 tréningových problémov v troch oblastiach uvažovania: 600 numerických otázok z dlhých špecializovaných dokumentov, napríklad finančných správ; 600 logických otázok s výberom odpovede o právnych, finančných, poistných a výrobných dokumentoch; a 400 viacstupňových príkladov prepájajúcich dôkazy naprieč zdrojmi. Vďaka tomu je model relevantným kandidátom na aritmetiku správ, interpretáciu pravidiel a otázky vyžadujúce viacero podporných úryvkov. Tréningové oblasti opisujú skúsenosť s týmito úlohami, nie odbornú certifikáciu alebo zaručené závery.
Praktický výstup a limity
Vyberte odpoveď, ktorú možno skontrolovať: vypočítanú hodnotu s jednotkami, porovnanie pravidiel s odkazmi na časti alebo krátky záver s reťazcom podporných faktov. Ak dokument vynecháva potrebný dátum alebo definíciu, požiadajte model o identifikáciu chýbajúcich dôkazov namiesto ich vymýšľania. Materiály vydania sa sústreďujú na odpovedanie na otázky k dokumentom a nestanovujú špecializovaný kontrakt volania nástrojov ani samostatný pevný strop výstupu. Odpovede považujte za podložené návrhy a výpočty, odkazy aj interpretácie overujte podľa dodaných dokumentov.
POST /v1/chat/completionstexttext| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity Tongyi-Zhiwen/QwenLong-L1-32B | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity Minimálny počet položiek: 1 | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity Príklady: system, user, assistant, tool, function Podmienky: Tieto roly sú výslovne zastúpené typmi kompatibility v zdrojovom kóde; presný súbor rolí zostáva závislý od modelu. Závisí od modelu | Predvolené— |
Polemessages[].content | Typstring|content_part[]|null | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_calls | Typtool_call[] | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_call_id | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: role=tool; použite skutočne vrátené ID | Predvolené— |
Polemessages[].name | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].reasoning_content | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: Posielajte späť skutočne vrátené uvažovanie, ak ho tento model používa | Predvolené— |
Polemessages[].reasoning_details | Typobject|array | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polemax_completion_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Polestream_options.include_usage | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletemperature | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletop_p | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polestop | Typstring|string[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools | Typfunction_tool[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools[].type | Typstring | PožiadavkaVoliteľné | Hodnoty a limity function Závisí od modelu | Predvolené— |
Poletools[].function.name | Typstring | PožiadavkaPovinné | Hodnoty a limity Platí, keď: poskytnutý nástroj typu funkcia | Predvolené— |
Poletools[].function.description | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletools[].function.parameters | TypJSON_schema | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletool_choice | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleparallel_tool_calls | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleresponse_format | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning_effort | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleservice_tier | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleinstructions | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Pole kompatibility | Predvolené— |
Polefunctions | Typfunction[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polefunction_call | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleprompt_cache_options | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemodalities | Typstring[] | PožiadavkaVoliteľné | Hodnoty a limity text | Predvolené— |
Poleprovider | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: provider.options sa na tejto textovej trase Ultra odmieta | Predvolené— |
Polecache_control.ttl | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: Hodnota 1h sa v skutočne používaných poliach cache promptov odmieta | Predvolené— |
Text · Text UTF8
messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages |
Parametermaterial_types | Špecifikáciatext |
Parametermessages | Špecifikáciapole správ so štruktúrou role/content |
Parameterfile_material | Špecifikáciaskutočný dokument UTF-8 vložený ako doslovný text; ID súboru sa neodvodzuje |
Parameteroptional_controls | Špecifikáciastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Špecifikáciazávisí od modelu; používateľské nástroje typu funkcia sa líšia od nástrojov prevádzkovaných službou |
Parameteroutput_modalities | Špecifikáciatext |
Parameterhosted_operations | Špecifikáciafalse |
Parametermultimodal_input_binding | Špecifikácianull |
Životný cyklus: synchronous_or_streamed
Pošlite presné ID modelu spolu s messages.
Dĺžka kontextu nie je horná hranica výstupu.
Textový súbor môže poskytnúť doslovný text; obrazové a zvukové vstupy a vstupy so súborovými objektmi potrebujú presné naviazanie.
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
| Konfigurácia | Sadzobník | Poplatok |
|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Poplatok Vstup · Vstupné tokeny $0.00028 / 1K tokenov Výstup · Výstupné tokeny $0.0012 / 1K tokenov Vstup · Čítanie cache $0 / 1K tokenov Vstup · Zápis do cache $0 / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte každý variant odpovede a jeho obsah, volania nástrojov a uvažovanie. V SSE zostavujte čiastkové zmeny podľa indexu variantu/nástroja a zachovajte konečný dôvod ukončenia aj údaje o spotrebe.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Použite cesty metód uvedené vyššie.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B je model Tongyi Lab na textové uvažovanie pri otázkach podložených dlhými dokumentmi. Spája východisko DeepSeek-R1-Distill-Qwen-32B s posilňovacím učením zameraným na dokumenty pre numerické, logické a medzidokumentové uvažovanie.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Úvod: uvažovanie nad dlhými dokumentmi
QwenLong-L1-32B je model Tongyi Lab na textové uvažovanie s dlhým kontextom. Jeho účelom je odpovedať na otázky, ktorých dôkazy sú rozptýlené v jednom dokumente alebo vo viacerých dokumentoch, namiesto jednoduchého opakovania blízkeho úryvku. Vychádza z DeepSeek-R1-Distill-Qwen-32B a je ďalej trénovaný na uvažovanie podložené dokumentmi. Dodajte text a otázku; model generuje textovú sekvenciu uvažovania a odpoveď. Naskenované stránky, zvuk a video potrebujú pred týmto textovým postupom vhodný samostatný krok konverzie.
Ako funguje tréning dlhého kontextu
Rámec QwenLong-L1 najprv pripravuje politiku uvažovania riadeným dolaďovaním a potom zvyšuje dĺžku kontextu prostredníctvom kurikula posilňovacieho učenia. Retrospektívne vzorkovanie zohľadňujúce náročnosť upravuje, ku ktorým príkladom sa tréning s postupom vracia. Výrobca spája binárne odmeny za výsledok založené na pravidlách a modeloch a používa skupinovo relatívnu optimalizáciu politiky na podporu odpovedí, ktoré zostávajú podložené rozsiahlymi dôkazmi. To opisuje tréningový prístup checkpointu; neznamená to, že jednotlivú odpoveď automaticky overuje externý hodnotiteľ.
Vydaná edícia
Ide o pôvodné vydanie QwenLong-L1-32B. Samostatne pomenovaný QwenLong-L1-32B-AWQ je edícia kvantizovaná na INT4 a má si zachovať vlastnú identitu. Zverejnená konfigurácia tohto modelu používa architektúru kauzálneho jazykového modelu Qwen2 so 64 vrstvami a váhami bfloat16. Špecializácia modelu na dokumenty je pre výber relevantnejšia než považovanie názvu 32B za dôkaz zlepšenia každej všeobecnej úlohy.
Príprava otázky k dokumentu
Príklad výrobcu oddeľuje dokument od otázky výslovnými textovými oddeľovačmi a po uvažovaní žiada rozpoznateľnú frázu konečnej odpovede. Dodržte túto štruktúru: poskytnite príslušné telo dokumentu, zachovajte čitateľné nadpisy a tabuľky a položte jednu konkrétnu otázku. Pri výpočte zo správy zachovajte jednotky, vykazované obdobia a označenia tabuliek a potom požiadajte o vzorec, použité hodnoty a konečný výsledok. Pri porovnaní pravidiel označte dokumenty A a B a požiadajte o tabuľku zhodných pravidiel, rozdielov a podpornej časti pre každý riadok. Ide o autorské použitia zdokumentovaných numerických a medzidokumentových schopností.
Príklad parsuje text uvažovania a konečnej odpovede oddelene. Používa rozpočet generovania 10 000 tokenov, temperature 0.7 a top_p 0.95; ide o nastavenia príkladu, nie o deklarovanú maximálnu dĺžku výstupu. Karta ukazuje aj voliteľnú systémovú správu na nastavenie identity. Zachovajte vlastné pokyny zadávania tohto modelu a nepreberajte odporúčania iného checkpointu len preto, že sa nachádza v rodokmeni modelu.
Spracovanie dlhých dokumentov
Tongyi Lab overuje dĺžky kontextu až 131 072 tokenov pomocou YaRN a odporúča škálovanie, keď súčet vstupu a výstupu výrazne presahuje 32 768 tokenov. Príklady opisujú faktor štyri alebo menší faktor, napríklad dva pre záťaž 65 536 tokenov. Statické škálovanie môže znížiť výkon na kratšom texte, preto karta neodporúča jeho zapnutie, keď bežné požiadavky zostávajú v rámci 32 768 tokenov. Zverejnená konfigurácia uvádza 131 072 pozícií, ale žiadne zapnuté pole rope_scaling; konfiguráciu a podmienený postup výrobcu pre dlhý kontext preto treba preveriť spoločne.
Aj dlhý vstup potrebuje miesto na uvažovanie a odpoveď. Začnite úryvkami potrebnými pre otázku, odstráňte opakované hlavičky a navigačný text a zachovajte identifikátory strán alebo častí. Vo výsledku požiadajte o odkazy na dôkazy, aby kontrolujúci mohol sledovať záver späť k dodanému materiálu. Veľký povolený kontext pomáha umiestniť viac dôkazov do jednej požiadavky; nezaručuje, že si model vybaví každý detail.
Čo pokrýva dokumentový tréning
DocQA-RL-1.6K obsahuje 1 600 tréningových problémov v troch oblastiach uvažovania: 600 numerických otázok z dlhých špecializovaných dokumentov, napríklad finančných správ; 600 logických otázok s výberom odpovede o právnych, finančných, poistných a výrobných dokumentoch; a 400 viacstupňových príkladov prepájajúcich dôkazy naprieč zdrojmi. Vďaka tomu je model relevantným kandidátom na aritmetiku správ, interpretáciu pravidiel a otázky vyžadujúce viacero podporných úryvkov. Tréningové oblasti opisujú skúsenosť s týmito úlohami, nie odbornú certifikáciu alebo zaručené závery.
Praktický výstup a limity
Vyberte odpoveď, ktorú možno skontrolovať: vypočítanú hodnotu s jednotkami, porovnanie pravidiel s odkazmi na časti alebo krátky záver s reťazcom podporných faktov. Ak dokument vynecháva potrebný dátum alebo definíciu, požiadajte model o identifikáciu chýbajúcich dôkazov namiesto ich vymýšľania. Materiály vydania sa sústreďujú na odpovedanie na otázky k dokumentom a nestanovujú špecializovaný kontrakt volania nástrojov ani samostatný pevný strop výstupu. Odpovede považujte za podložené návrhy a výpočty, odkazy aj interpretácie overujte podľa dodaných dokumentov.
POST /v1/messagestextjson, sse| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity Tongyi-Zhiwen/QwenLong-L1-32B | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity user, assistant | Predvolené— |
Polemessages[].content | Typstring | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Text · Text UTF-8
reťazec messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages, max_tokens |
Parameteroptional_controls | Špecifikáciastream |
Parametermaterial_types | Špecifikáciatext |
Parametertext_file_material | ŠpecifikáciaPrečítajte skutočný dokument UTF-8 a vložte jeho text do uvedeného vstupného reťazca alebo reťazca obsahu správy. |
Životný cyklus: synchronous_or_streamed
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
| Konfigurácia | Sadzobník | Poplatok |
|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Poplatok Vstup · Vstupné tokeny $0.00028 / 1K tokenov Výstup · Výstupné tokeny $0.0012 / 1K tokenov Vstup · Čítanie cache $0 / 1K tokenov Vstup · Zápis do cache $0 / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte všetky bloky obsahu, podpisy uvažovania a skutočné ID volaní nástrojov. Zostavte všetky čiastkové zmeny blokov SSE; prvý textový blok nie je celý výstup.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Použite cesty metód uvedené vyššie.
Technický príklad v angličtine
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.