Source: https://ailoot.ai/models/sv/tongyi-zhiwen-qwenlong-l1-32b/ Canonical: https://ailoot.ai/models/sv/tongyi-zhiwen-qwenlong-l1-32b/ Language: sv # QwenLong L1 32B [Markdown](https://ailoot.ai/models/sv/tongyi-zhiwen-qwenlong-l1-32b/index.md) · [JSON](https://ailoot.ai/models/sv/tongyi-zhiwen-qwenlong-l1-32b/facts.json) ## [QwenLong L1 32B](https://ailoot.ai/models/sv/tongyi-zhiwen-qwenlong-l1-32b/) QwenLong-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. - [**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/sv/tongyi-zhiwen-qwenlong-l1-32b/#method-0) - [**Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/sv/tongyi-zhiwen-qwenlong-l1-32b/#method-1) Om modellen 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. Praktisk uppgift ### Praktisk uppgift Tekniskt exempel på engelska ``` 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. ``` #### Förväntat resultat ``` A source-linked formula and calculation, a revenue-information limit and a labelled final result. ``` #### Kontrollera resultatet ``` 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/sv/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) Annat /`Tongyi-Zhiwen/QwenLong-L1-32B` ### Start QwenLong-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. Godkända indata Text Resultat Text ### Tillgängligt i Ailoot · indata & metoder **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` Indatatyper `text` Utdatatyper `text` Utdataformat json eller SSE | Fält | Typ | Krav | Värden & gränser | Standard | | --- | --- | --- | --- | --- | | Fält`model` | Typ`string` | KravObligatoriskt | Värden & gränser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— | | Fält`messages` | Typ`message[]` | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— | | Fält`messages[].role` | Typ`string` | 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— | | Fält`messages[].content` | Typ`string\|content_part[]\|null` | KravValfritt | Värden & gränser | Standard— | | Fält`messages[].tool_calls` | Typ`tool_call[]` | KravValfritt | Värden & gränser | Standard— | | Fält`messages[].tool_call_id` | Typ`string` | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— | | Fält`messages[].name` | Typ`string` | KravValfritt | Värden & gränser | Standard— | | Fält`messages[].reasoning_content` | Typ`string` | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— | | Fält`messages[].reasoning_details` | Typ`object\|array` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`max_tokens` | Typ`integer` | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— | | Fält`max_completion_tokens` | Typ`integer` | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— | | Fält`stream` | Typ`boolean` | KravValfritt | Värden & gränser | Standardfalse | | Fält`stream_options.include_usage` | Typ`boolean` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`temperature` | Typ`number` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`top_p` | Typ`number` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`stop` | Typ`string\|string[]` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`tools` | Typ`function_tool[]` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`tools[].type` | Typ`string` | KravValfritt | Värden & gränser function Beror på modellen | Standard— | | Fält`tools[].function.name` | Typ`string` | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— | | Fält`tools[].function.description` | Typ`string` | KravValfritt | Värden & gränser | Standard— | | Fält`tools[].function.parameters` | Typ`JSON_schema` | KravValfritt | Värden & gränser | Standard— | | Fält`tool_choice` | Typ`string\|object` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`parallel_tool_calls` | Typ`boolean` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`response_format` | Typ`object` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`reasoning_effort` | Typ`string` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`reasoning` | Typ`object` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`service_tier` | Typ`string` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`instructions` | Typ`string` | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— | | Fält`functions` | Typ`function[]` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`function_call` | Typ`string\|object` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`prompt_cache_options` | Typ`object` | KravValfritt | Värden & gränser Beror på modellen | Standard— | | Fält`modalities` | Typ`string[]` | KravValfritt | Värden & gränser text | Standard— | | Fält`provider` | Typ`object` | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— | | Fält`cache_control.ttl` | Typ`string` | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— | Kombinationer av indatamaterial **Text** · UTF8-text `messages[].content` Metodparametrar och livscykel | Parameter | Avtal | | --- | --- | | Parameter`content_type` | Avtalapplication/json | | Parameter`required` | Avtalmodel, messages | | Parameter`material_types` | Avtaltext | | Parameter`messages` | Avtalmeddelandearray med strukturen role/content | | Parameter`file_material` | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds | | Parameter`optional_controls` | Avtalstream, temperature, top\_p, stop, max\_tokens, max\_completion\_tokens, reasoning, response\_format, tools, tool\_choice | | Parameter`control_scope` | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg | | Parameter`output_modalities` | Avtaltext | | Parameter`hosted_operations` | Avtalfalse | | Parameter`multimodal_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. ### Priser Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden. Snabbt läge Ej angivet När snabbt läge är valt Flex-läge Ej angivet När läget flex är valt Högsta resonemangsnivå Ej angivet När den högsta resonemangsnivån använder standardjusteringen (default) #### Ailoot-priser #### Priser efter konfiguration | 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 **$0** / 1K token Indata · Skrivning till cache, 1 tim **—** / 1K token | Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. [Så fungerar reservation och slutreglering →](https://ailoot.ai/docs/sv/billing/reserve/) ### Exempelbegäranden #### Ailoot Ultra · OpenAI Chat curlPython SDKPython-strömning ```bash set -eu : "${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") ``` ### Ta emot och spara resultat #### Ailoot Ultra · OpenAI Chat json eller SSE ##### Behåll alla färdiga resultat 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. ##### Om det ursprungliga svaret behöver kontrolleras Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls. Svarsfält | Fält | Typ | | --- | --- | | Fält`choices[].index` | Typinteger | | Fält`choices[].message.content` | Typstring\|null | | Fält`choices[].message.tool_calls` | Typtool\_call\[\] | | Fält`choices[].message.reasoning_content` | Typstring | | Fält`choices[].message.reasoning_details` | Typobject\|array | | Fält`choices[].finish_reason` | Typstring\|null | | Fält`usage` | Typobject | Fel och nästa steg | 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. | ### Alias #### Modellalias **Ailoot Ultra** [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/sv/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=chat) #### Alias för metodsökvägar Använd metodsökvägarna som visas ovan. #### Relaterade anropar-ID:n [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/sv/#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/sv/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) Annat /`Tongyi-Zhiwen/QwenLong-L1-32B` ### Start QwenLong-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. Godkända indata Text Resultat json · sse ### Tillgängligt i Ailoot · indata & metoder **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` Indatatyper `text` Utdatatyper `json`, `sse` Utdataformat JSON eller SSE | Fält | Typ | Krav | Värden & gränser | Standard | | --- | --- | --- | --- | --- | | Fält`model` | Typ`string` | KravObligatoriskt | Värden & gränser Tongyi-Zhiwen/QwenLong-L1-32B | Standard— | | Fält`messages` | Typ`message[]` | KravObligatoriskt | Värden & gränser | Standard— | | Fält`messages[].role` | Typ`string` | KravObligatoriskt | Värden & gränser user, assistant | Standard— | | Fält`messages[].content` | Typ`string` | KravObligatoriskt | Värden & gränser | Standard— | | Fält`max_tokens` | Typ`integer` | KravObligatoriskt | Värden & gränser | Standard— | | Fält`stream` | Typ`boolean` | KravValfritt | Värden & gränser | Standardfalse | Kombinationer av indatamaterial **Text** · UTF-8-text `sträng i messages[].content` Metodparametrar och livscykel | Parameter | Avtal | | --- | --- | | Parameter`content_type` | Avtalapplication/json | | Parameter`required` | Avtalmodel, messages, max\_tokens | | Parameter`optional_controls` | Avtalstream | | Parameter`material_types` | Avtaltext | | Parameter`text_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` ### Priser Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden. Snabbt läge Ej angivet När snabbt läge är valt Flex-läge Ej angivet När läget flex är valt Högsta resonemangsnivå Ej angivet När den högsta resonemangsnivån använder standardjusteringen (default) #### Ailoot-priser #### Priser efter konfiguration | 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 **$0** / 1K token Indata · Skrivning till cache, 1 tim **—** / 1K token | Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. [Så fungerar reservation och slutreglering →](https://ailoot.ai/docs/sv/billing/reserve/) ### Exempelbegäranden #### Ailoot Ultra · Anthropic Messages Komplett minimal JSON-kroppcurl · använd ditt UTF-8-dokumentPython · spara hela resultatet ```json { "model": "Tongyi-Zhiwen/QwenLong-L1-32B", "max_tokens": 128, "messages": [ { "role": "user", "content": "Summarize the incident report." } ], "stream": false } ``` ```bash set -eu : "${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)) ``` ### Ta emot och spara resultat #### Ailoot Ultra · Anthropic Messages JSON eller SSE ##### Behåll alla färdiga resultat 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. ##### Om det ursprungliga svaret behöver kontrolleras Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls. Svarsfält | Fält | Typ | | --- | --- | | Fält`id` | Typstring | | Fält`model` | Typstring | | Fält`content[]` | Typtext\|thinking\|tool\_use\|other content block | | Fält`stop_reason` | Typstring\|null | | Fält`usage` | Typobject | Fel och nästa steg | 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. | ### Alias #### Modellalias **Ailoot Ultra** [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/sv/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) #### Alias för metodsökvägar Använd metodsökvägarna som visas ovan. #### Relaterade anropar-ID:n [`Tongyi-Zhiwen/QwenLong-L1-32B`](https://ailoot.ai/models/sv/#m=Tongyi-Zhiwen%2FQwenLong-L1-32B&route=Ultra&caller=Tongyi-Zhiwen%2FQwenLong-L1-32B&fmt=messages) FAQ · Tongyi-Zhiwen/QwenLong-L1-32B Vilka indata och resultat finns? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `text` → `text` `POST /v1/messages` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `text` → `json`, `sse` Vilka fält använder begäran? `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` Vilka gränser gäller? `POST /v1/chat/completions` · `Tongyi-Zhiwen/QwenLong-L1-32B`: `messages.min_items`: `1` Anslut Ailoot till Claude Code, OpenCode, Hermes eller din app. ## Företaget och dess projektportfölj Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder. ## Köp token med rabatt. Prenumerationsrabatt för återkommande arbete. Kampanjkoder ger upp till 50% vid tokenköp. Prenumeration Välj en rabatterad plan för återkommande anrop. Kampanjkod upp till 50% Ange koden vid köpet. Priset räknas om enligt kampanjen. Kostnader i historiken Modell, token och belopp sparas för varje anrop. [Välj prenumeration](https://ailoot.ai/docs/sv/billing/subscriptions/) · [Se modellpriser](https://ailoot.ai/models/sv/) ## Anslut API till produkten som du säljer. SaaS, appar och botar enligt Ailoots officiella villkor och licensavtal. Begär återförsäljarlicens för vidareförsäljning. Kommersiell applikation Bygg text-, bild-, video- och ljudgenerering i tjänstens betalda funktioner. Återförsäljarlicens Skicka projektbeskrivning och åtkomstupplägg. Begär skriftliga villkor för användning och vidareförsäljning. Dokument på webbplatsen Officiella villkor, licensavtal och databehandlingspolicy finns tillgängliga före anslutning. [Begär återförsäljarlicens](mailto:support@ailoot.ai) · [Officiella villkor och licensavtal](https://ailoot.ai/legal/offer?lang=sv) ## Ailoot · Företaget och dess projektportfölj Ailoot bygger på etablerad driftserfarenhet, en stor kundbas, stabil service och löpande KPI-kontroll. Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder. Ailoot använder denna driftserfarenhet för API-åtkomst till AI-funktioner i kundernas produkter, agenter, applikationer och automatiseringar.