Introduktion: resonemang över långa dokument
QwenLong-L1-32B är Tongyi Labs textresonemangsmodell med lång kontext. Syftet är att besvara frågor vars belägg är utspridda i ett dokument eller över flera dokument, i stället för att bara upprepa ett närliggande textavsnitt. Den bygger på DeepSeek-R1-Distill-Qwen-32B och har vidaretränats för dokumentgrundat resonemang. Tillhandahåll text och en fråga; modellen genererar en resonemangssekvens i text och ett svar. Skannade sidor, ljud och video behöver ett lämpligt separat konverteringssteg före detta textflöde.
Så fungerar träningen för lång kontext
QwenLong-L1-ramverket värmer först upp en resonemangspolicy med övervakad finjustering och ökar sedan kontextlängden genom en läroplan för förstärkningsinlärning. Svårighetsmedveten retrospektiv sampling anpassar vilka exempel som återbesöks under träningens gång. Tillverkaren kombinerar regelbaserade och modellbaserade binära utfallsbelöningar och använder grupprelativ policyoptimering för att uppmuntra svar som förblir grundade i långa underlag. Detta beskriver modellversionens träningsmetod; det innebär inte att ett enskilt svar automatiskt verifieras av en extern bedömare.
Den lanserade utgåvan
Detta är den ursprungliga QwenLong-L1-32B-utgåvan. Den separat namngivna QwenLong-L1-32B-AWQ är en INT4-kvantiserad utgåva och bör behålla sin egen identitet. Den publicerade konfigurationen för denna modell använder en kausal Qwen2-språkmodellarkitektur med 64 lager och bfloat16-vikter. Modellens dokumentspecialisering är mer relevant för valet än att behandla 32B-namnet som bevis för att varje allmän uppgift kommer att förbättras.
Förbered en dokumentfråga
Tillverkarens exempel skiljer dokumentet från frågan med uttryckliga textavgränsare och efterfrågar en igenkännbar slutsvarsfras efter resonemanget. Följ den strukturen: tillhandahåll den relevanta dokumenttexten, håll rubriker och tabeller läsbara och ställ en konkret fråga. För en rapportberäkning bevarar du enheter, rapporteringsperioder och tabellbeteckningar och ber sedan om formeln, de använda värdena och ett slutresultat. För en policyjämförelse märker du dokumenten A och B och ber om en tabell över motsvarande regler, skillnader och det stödjande avsnittet för varje rad. Detta är härledda tillämpningar av de dokumenterade numeriska och dokumentöverskridande förmågorna.
Exemplet tolkar resonemang och slutsvarstext separat. Det använder en genereringsbudget på 10 000 token, temperature 0.7 och top_p 0.95; detta är exempelinställningar och ingen deklarerad maximal utdatalängd. Kortet visar även ett valfritt systemmeddelande som anger identitet. Bevara denna modells egen promptvägledning i stället för att föra in en annan modellversions rekommendationer enbart för att den finns i modellens ursprung.
Bearbeta långa dokument
Tongyi Lab validerar kontextlängder upp till 131 072 token med YaRN och rekommenderar skalning när sammanlagda indata och utdata väsentligt överstiger 32 768 token. Exemplen beskriver en faktor på fyra eller en mindre faktor som två för en arbetsmängd på 65 536 token. Statisk skalning kan minska prestandan på kortare text, så kortet avråder från att aktivera den när vanliga förfrågningar håller sig inom 32 768 token. Den publicerade konfigurationen listar 131 072 positioner men inget aktiverat rope_scaling-fält; konfigurationen och tillverkarens villkorliga förfarande för lång kontext bör därför kontrolleras tillsammans.
Långa indata behöver fortfarande utrymme för resonemang och svar. Börja med textavsnitten som behövs för frågan, ta bort upprepade sidhuvuden och navigationstext och behåll sid- eller avsnittsidentifierare. Be om beläggshänvisningar i resultatet så att en granskare kan spåra slutsatsen tillbaka till det tillhandahållna materialet. Ett stort kontextutrymme hjälper till att få in fler belägg i en förfrågan; det fastställer inte perfekt minne för varje detalj.
Vad dokumentträningen omfattar
DocQA-RL-1.6K innehåller 1 600 träningsproblem inom tre resonemangsområden: 600 numeriska frågor från långa specialiserade dokument som finansiella rapporter; 600 logiska flervalsfrågor om juridiska, finansiella, försäkrings- och produktionsdokument; och 400 exempel i flera led som kopplar samman belägg över källor. Detta gör modellen till en relevant kandidat för rapportaritmetik, regeltolkning och frågor som kräver flera stödjande textavsnitt. Träningsområdena beskriver erfarenhet av dessa uppgifter, ingen yrkescertifiering eller garanterade slutsatser.
Praktiska utdata och gränser
Välj ett svar som kan kontrolleras: ett beräknat värde med enheter, en regeljämförelse med avsnittshänvisningar eller en kort slutsats med kedjan av stödjande fakta. Om dokumentet saknar ett obligatoriskt datum eller en definition ber du modellen identifiera det saknade underlaget i stället för att hitta på det. Utgåvans material fokuserar på frågor och svar om dokument och fastställer inget särskilt kontrakt för verktygsanrop eller ett separat hårt utdatatak. Behandla svar som grundade utkast och verifiera beräkningar, referenser och tolkningar mot de tillhandahållna dokumenten.
", "aboutText": "Introduktion: resonemang över långa dokument\n\nQwenLong-L1-32B är Tongyi Labs textresonemangsmodell med lång kontext. Syftet är att besvara frågor vars belägg är utspridda i ett dokument eller över flera dokument, i stället för att bara upprepa ett närliggande textavsnitt. Den bygger på DeepSeek-R1-Distill-Qwen-32B och har vidaretränats för dokumentgrundat resonemang. Tillhandahåll text och en fråga; modellen genererar en resonemangssekvens i text och ett svar. Skannade sidor, ljud och video behöver ett lämpligt separat konverteringssteg före detta textflöde.\n\nSå fungerar träningen för lång kontext\n\nQwenLong-L1-ramverket värmer först upp en resonemangspolicy med övervakad finjustering och ökar sedan kontextlängden genom en läroplan för förstärkningsinlärning. Svårighetsmedveten retrospektiv sampling anpassar vilka exempel som återbesöks under träningens gång. Tillverkaren kombinerar regelbaserade och modellbaserade binära utfallsbelöningar och använder grupprelativ policyoptimering för att uppmuntra svar som förblir grundade i långa underlag. Detta beskriver modellversionens träningsmetod; det innebär inte att ett enskilt svar automatiskt verifieras av en extern bedömare.\n\nDen lanserade utgåvan\n\nDetta är den ursprungliga QwenLong-L1-32B-utgåvan. Den separat namngivna QwenLong-L1-32B-AWQ är en INT4-kvantiserad utgåva och bör behålla sin egen identitet. Den publicerade konfigurationen för denna modell använder en kausal Qwen2-språkmodellarkitektur med 64 lager och bfloat16-vikter. Modellens dokumentspecialisering är mer relevant för valet än att behandla 32B-namnet som bevis för att varje allmän uppgift kommer att förbättras.\n\nFörbered en dokumentfråga\n\nTillverkarens exempel skiljer dokumentet från frågan med uttryckliga textavgränsare och efterfrågar en igenkännbar slutsvarsfras efter resonemanget. Följ den strukturen: tillhandahåll den relevanta dokumenttexten, håll rubriker och tabeller läsbara och ställ en konkret fråga. För en rapportberäkning bevarar du enheter, rapporteringsperioder och tabellbeteckningar och ber sedan om formeln, de använda värdena och ett slutresultat. För en policyjämförelse märker du dokumenten A och B och ber om en tabell över motsvarande regler, skillnader och det stödjande avsnittet för varje rad. Detta är härledda tillämpningar av de dokumenterade numeriska och dokumentöverskridande förmågorna.\n\nExemplet tolkar resonemang och slutsvarstext separat. Det använder en genereringsbudget på 10 000 token, temperature 0.7 och top_p 0.95; detta är exempelinställningar och ingen deklarerad maximal utdatalängd. Kortet visar även ett valfritt systemmeddelande som anger identitet. Bevara denna modells egen promptvägledning i stället för att föra in en annan modellversions rekommendationer enbart för att den finns i modellens ursprung.\n\nBearbeta långa dokument\n\nTongyi Lab validerar kontextlängder upp till 131 072 token med YaRN och rekommenderar skalning när sammanlagda indata och utdata väsentligt överstiger 32 768 token. Exemplen beskriver en faktor på fyra eller en mindre faktor som två för en arbetsmängd på 65 536 token. Statisk skalning kan minska prestandan på kortare text, så kortet avråder från att aktivera den när vanliga förfrågningar håller sig inom 32 768 token. Den publicerade konfigurationen listar 131 072 positioner men inget aktiverat rope_scaling-fält; konfigurationen och tillverkarens villkorliga förfarande för lång kontext bör därför kontrolleras tillsammans.\n\nLånga indata behöver fortfarande utrymme för resonemang och svar. Börja med textavsnitten som behövs för frågan, ta bort upprepade sidhuvuden och navigationstext och behåll sid- eller avsnittsidentifierare. Be om beläggshänvisningar i resultatet så att en granskare kan spåra slutsatsen tillbaka till det tillhandahållna materialet. Ett stort kontextutrymme hjälper till att få in fler belägg i en förfrågan; det fastställer inte perfekt minne för varje detalj.\n\nVad dokumentträningen omfattar\n\nDocQA-RL-1.6K innehåller 1 600 träningsproblem inom tre resonemangsområden: 600 numeriska frågor från långa specialiserade dokument som finansiella rapporter; 600 logiska flervalsfrågor om juridiska, finansiella, försäkrings- och produktionsdokument; och 400 exempel i flera led som kopplar samman belägg över källor. Detta gör modellen till en relevant kandidat för rapportaritmetik, regeltolkning och frågor som kräver flera stödjande textavsnitt. Träningsområdena beskriver erfarenhet av dessa uppgifter, ingen yrkescertifiering eller garanterade slutsatser.\n\nPraktiska utdata och gränser\n\nVälj ett svar som kan kontrolleras: ett beräknat värde med enheter, en regeljämförelse med avsnittshänvisningar eller en kort slutsats med kedjan av stödjande fakta. Om dokumentet saknar ett obligatoriskt datum eller en definition ber du modellen identifiera det saknade underlaget i stället för att hitta på det. Utgåvans material fokuserar på frågor och svar om dokument och fastställer inget särskilt kontrakt för verktygsanrop eller ett separat hårt utdatatak. Behandla svar som grundade utkast och verifiera beräkningar, referenser och tolkningar mot de tillhandahållna dokumenten.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Tongyi Labs textresonemangsmodell för frågor grundade i långa dokument. Den kombinerar DeepSeek-R1-Distill-Qwen-32B som utgångspunkt med dokumentinriktad förstärkningsinlärning för numeriska, logiska och dokumentöverskridande resonemang.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: resonemang över långa dokument
QwenLong-L1-32B är Tongyi Labs textresonemangsmodell med lång kontext. Syftet är att besvara frågor vars belägg är utspridda i ett dokument eller över flera dokument, i stället för att bara upprepa ett närliggande textavsnitt. Den bygger på DeepSeek-R1-Distill-Qwen-32B och har vidaretränats för dokumentgrundat resonemang. Tillhandahåll text och en fråga; modellen genererar en resonemangssekvens i text och ett svar. Skannade sidor, ljud och video behöver ett lämpligt separat konverteringssteg före detta textflöde.
Så fungerar träningen för lång kontext
QwenLong-L1-ramverket värmer först upp en resonemangspolicy med övervakad finjustering och ökar sedan kontextlängden genom en läroplan för förstärkningsinlärning. Svårighetsmedveten retrospektiv sampling anpassar vilka exempel som återbesöks under träningens gång. Tillverkaren kombinerar regelbaserade och modellbaserade binära utfallsbelöningar och använder grupprelativ policyoptimering för att uppmuntra svar som förblir grundade i långa underlag. Detta beskriver modellversionens träningsmetod; det innebär inte att ett enskilt svar automatiskt verifieras av en extern bedömare.
Den lanserade utgåvan
Detta är den ursprungliga QwenLong-L1-32B-utgåvan. Den separat namngivna QwenLong-L1-32B-AWQ är en INT4-kvantiserad utgåva och bör behålla sin egen identitet. Den publicerade konfigurationen för denna modell använder en kausal Qwen2-språkmodellarkitektur med 64 lager och bfloat16-vikter. Modellens dokumentspecialisering är mer relevant för valet än att behandla 32B-namnet som bevis för att varje allmän uppgift kommer att förbättras.
Förbered en dokumentfråga
Tillverkarens exempel skiljer dokumentet från frågan med uttryckliga textavgränsare och efterfrågar en igenkännbar slutsvarsfras efter resonemanget. Följ den strukturen: tillhandahåll den relevanta dokumenttexten, håll rubriker och tabeller läsbara och ställ en konkret fråga. För en rapportberäkning bevarar du enheter, rapporteringsperioder och tabellbeteckningar och ber sedan om formeln, de använda värdena och ett slutresultat. För en policyjämförelse märker du dokumenten A och B och ber om en tabell över motsvarande regler, skillnader och det stödjande avsnittet för varje rad. Detta är härledda tillämpningar av de dokumenterade numeriska och dokumentöverskridande förmågorna.
Exemplet tolkar resonemang och slutsvarstext separat. Det använder en genereringsbudget på 10 000 token, temperature 0.7 och top_p 0.95; detta är exempelinställningar och ingen deklarerad maximal utdatalängd. Kortet visar även ett valfritt systemmeddelande som anger identitet. Bevara denna modells egen promptvägledning i stället för att föra in en annan modellversions rekommendationer enbart för att den finns i modellens ursprung.
Bearbeta långa dokument
Tongyi Lab validerar kontextlängder upp till 131 072 token med YaRN och rekommenderar skalning när sammanlagda indata och utdata väsentligt överstiger 32 768 token. Exemplen beskriver en faktor på fyra eller en mindre faktor som två för en arbetsmängd på 65 536 token. Statisk skalning kan minska prestandan på kortare text, så kortet avråder från att aktivera den när vanliga förfrågningar håller sig inom 32 768 token. Den publicerade konfigurationen listar 131 072 positioner men inget aktiverat rope_scaling-fält; konfigurationen och tillverkarens villkorliga förfarande för lång kontext bör därför kontrolleras tillsammans.
Långa indata behöver fortfarande utrymme för resonemang och svar. Börja med textavsnitten som behövs för frågan, ta bort upprepade sidhuvuden och navigationstext och behåll sid- eller avsnittsidentifierare. Be om beläggshänvisningar i resultatet så att en granskare kan spåra slutsatsen tillbaka till det tillhandahållna materialet. Ett stort kontextutrymme hjälper till att få in fler belägg i en förfrågan; det fastställer inte perfekt minne för varje detalj.
Vad dokumentträningen omfattar
DocQA-RL-1.6K innehåller 1 600 träningsproblem inom tre resonemangsområden: 600 numeriska frågor från långa specialiserade dokument som finansiella rapporter; 600 logiska flervalsfrågor om juridiska, finansiella, försäkrings- och produktionsdokument; och 400 exempel i flera led som kopplar samman belägg över källor. Detta gör modellen till en relevant kandidat för rapportaritmetik, regeltolkning och frågor som kräver flera stödjande textavsnitt. Träningsområdena beskriver erfarenhet av dessa uppgifter, ingen yrkescertifiering eller garanterade slutsatser.
Praktiska utdata och gränser
Välj ett svar som kan kontrolleras: ett beräknat värde med enheter, en regeljämförelse med avsnittshänvisningar eller en kort slutsats med kedjan av stödjande fakta. Om dokumentet saknar ett obligatoriskt datum eller en definition ber du modellen identifiera det saknade underlaget i stället för att hitta på det. Utgåvans material fokuserar på frågor och svar om dokument och fastställer inget särskilt kontrakt för verktygsanrop eller ett separat hårt utdatatak. Behandla svar som grundade utkast och verifiera beräkningar, referenser och tolkningar mot de tillhandahållna dokumenten.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00028 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Tongyi-Zhiwen/QwenLong-L1-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Tongyi-Zhiwen/QwenLong-L1-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Använd metodsökvägarna som visas ovan.
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B är Tongyi Labs textresonemangsmodell för frågor grundade i långa dokument. Den kombinerar DeepSeek-R1-Distill-Qwen-32B som utgångspunkt med dokumentinriktad förstärkningsinlärning för numeriska, logiska och dokumentöverskridande resonemang.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: resonemang över långa dokument
QwenLong-L1-32B är Tongyi Labs textresonemangsmodell med lång kontext. Syftet är att besvara frågor vars belägg är utspridda i ett dokument eller över flera dokument, i stället för att bara upprepa ett närliggande textavsnitt. Den bygger på DeepSeek-R1-Distill-Qwen-32B och har vidaretränats för dokumentgrundat resonemang. Tillhandahåll text och en fråga; modellen genererar en resonemangssekvens i text och ett svar. Skannade sidor, ljud och video behöver ett lämpligt separat konverteringssteg före detta textflöde.
Så fungerar träningen för lång kontext
QwenLong-L1-ramverket värmer först upp en resonemangspolicy med övervakad finjustering och ökar sedan kontextlängden genom en läroplan för förstärkningsinlärning. Svårighetsmedveten retrospektiv sampling anpassar vilka exempel som återbesöks under träningens gång. Tillverkaren kombinerar regelbaserade och modellbaserade binära utfallsbelöningar och använder grupprelativ policyoptimering för att uppmuntra svar som förblir grundade i långa underlag. Detta beskriver modellversionens träningsmetod; det innebär inte att ett enskilt svar automatiskt verifieras av en extern bedömare.
Den lanserade utgåvan
Detta är den ursprungliga QwenLong-L1-32B-utgåvan. Den separat namngivna QwenLong-L1-32B-AWQ är en INT4-kvantiserad utgåva och bör behålla sin egen identitet. Den publicerade konfigurationen för denna modell använder en kausal Qwen2-språkmodellarkitektur med 64 lager och bfloat16-vikter. Modellens dokumentspecialisering är mer relevant för valet än att behandla 32B-namnet som bevis för att varje allmän uppgift kommer att förbättras.
Förbered en dokumentfråga
Tillverkarens exempel skiljer dokumentet från frågan med uttryckliga textavgränsare och efterfrågar en igenkännbar slutsvarsfras efter resonemanget. Följ den strukturen: tillhandahåll den relevanta dokumenttexten, håll rubriker och tabeller läsbara och ställ en konkret fråga. För en rapportberäkning bevarar du enheter, rapporteringsperioder och tabellbeteckningar och ber sedan om formeln, de använda värdena och ett slutresultat. För en policyjämförelse märker du dokumenten A och B och ber om en tabell över motsvarande regler, skillnader och det stödjande avsnittet för varje rad. Detta är härledda tillämpningar av de dokumenterade numeriska och dokumentöverskridande förmågorna.
Exemplet tolkar resonemang och slutsvarstext separat. Det använder en genereringsbudget på 10 000 token, temperature 0.7 och top_p 0.95; detta är exempelinställningar och ingen deklarerad maximal utdatalängd. Kortet visar även ett valfritt systemmeddelande som anger identitet. Bevara denna modells egen promptvägledning i stället för att föra in en annan modellversions rekommendationer enbart för att den finns i modellens ursprung.
Bearbeta långa dokument
Tongyi Lab validerar kontextlängder upp till 131 072 token med YaRN och rekommenderar skalning när sammanlagda indata och utdata väsentligt överstiger 32 768 token. Exemplen beskriver en faktor på fyra eller en mindre faktor som två för en arbetsmängd på 65 536 token. Statisk skalning kan minska prestandan på kortare text, så kortet avråder från att aktivera den när vanliga förfrågningar håller sig inom 32 768 token. Den publicerade konfigurationen listar 131 072 positioner men inget aktiverat rope_scaling-fält; konfigurationen och tillverkarens villkorliga förfarande för lång kontext bör därför kontrolleras tillsammans.
Långa indata behöver fortfarande utrymme för resonemang och svar. Börja med textavsnitten som behövs för frågan, ta bort upprepade sidhuvuden och navigationstext och behåll sid- eller avsnittsidentifierare. Be om beläggshänvisningar i resultatet så att en granskare kan spåra slutsatsen tillbaka till det tillhandahållna materialet. Ett stort kontextutrymme hjälper till att få in fler belägg i en förfrågan; det fastställer inte perfekt minne för varje detalj.
Vad dokumentträningen omfattar
DocQA-RL-1.6K innehåller 1 600 träningsproblem inom tre resonemangsområden: 600 numeriska frågor från långa specialiserade dokument som finansiella rapporter; 600 logiska flervalsfrågor om juridiska, finansiella, försäkrings- och produktionsdokument; och 400 exempel i flera led som kopplar samman belägg över källor. Detta gör modellen till en relevant kandidat för rapportaritmetik, regeltolkning och frågor som kräver flera stödjande textavsnitt. Träningsområdena beskriver erfarenhet av dessa uppgifter, ingen yrkescertifiering eller garanterade slutsatser.
Praktiska utdata och gränser
Välj ett svar som kan kontrolleras: ett beräknat värde med enheter, en regeljämförelse med avsnittshänvisningar eller en kort slutsats med kedjan av stödjande fakta. Om dokumentet saknar ett obligatoriskt datum eller en definition ber du modellen identifiera det saknade underlaget i stället för att hitta på det. Utgåvans material fokuserar på frågor och svar om dokument och fastställer inget särskilt kontrakt för verktygsanrop eller ett separat hårt utdatatak. Behandla svar som grundade utkast och verifiera beräkningar, referenser och tolkningar mot de tillhandahållna dokumenten.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00028 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Tongyi-Zhiwen/QwenLong-L1-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.