簡介：長文件推理
QwenLong-L1-32B 是 Tongyi Lab 的長上下文文字推理模型。其目的是回答證據分散在單一文件或多份文件中的問題，而非只是重複附近段落。它以 DeepSeek-R1-Distill-Qwen-32B 為基礎建構，並針對有文件依據的推理進一步訓練。提供文字與問題後，模型會產生文字推理序列與答案。掃描頁面、音訊與影片在進入此文字工作流程前，需要適當且獨立的轉換步驟。
長上下文訓練如何運作
QwenLong-L1 框架先透過監督式微調暖身推理策略，再藉由強化學習課程逐步增加上下文長度。具難度感知的回顧取樣，會隨訓練進展調整重訪哪些範例。原廠結合規則式與模型式的二元結果獎勵，使用群組相對策略最佳化，鼓勵答案持續依據長篇證據。這描述的是檢查點的訓練方法，並不表示個別回答會自動由外部評判者驗證。
已發布版本
這是原始 QwenLong-L1-32B 發布版。另行命名的 QwenLong-L1-32B-AWQ 是 INT4 量化版本，應保留自己的身分。此模型的公開設定使用 Qwen2 因果語言模型架構，具有 64 層與 bfloat16 權重。選擇模型時，文件專門能力比將 32B 名稱當成所有通用任務都會改善的證明更有參考價值。
準備文件問題
原廠範例使用明確的文字分隔符號區分文件與問題，並要求在推理後使用可辨識的最終答案語句。請依循該結構：提供相關文件內文、保持標題與表格可讀，並提出一個具體問題。報告計算請保留單位、報告期間與表格標籤，再要求公式、使用的數值與最終結果。政策比較請將文件標為 A 與 B，要求表格列出相符規則、差異，以及每列的支持章節。這些是依據文件記載的數值與跨文件能力設計的應用方式。
範例分別解析推理與最終答案文字。它使用 10,000-token 生成預算、temperature 0.7 與 top_p 0.95；這些是範例設定，並非宣告最大輸出長度。模型卡也展示選用的身分設定系統訊息。請保留此模型自己的提示指南，不要只因為另一檢查點出現在模型淵源中，就套用其建議。
處理長文件
Tongyi Lab 使用 YaRN 驗證最多 131,072 tokens 的上下文長度，並建議輸入與輸出合計顯著超過 32,768 tokens 時進行擴展。範例描述四倍擴展，或針對 65,536-token 工作負載使用較小的兩倍係數。靜態擴展可能降低較短文字的表現，因此模型卡建議一般請求維持在 32,768 tokens 以內時，不要啟用。公開設定列出 131,072 個位置，但未啟用 rope_scaling 欄位；因此應一併檢查設定與原廠有條件的長上下文程序。
長輸入仍需為推理與答案預留空間。先從回答問題所需段落開始，移除重複頁首與導覽文字，保留頁碼或章節識別資訊。要求在結果中附上證據參考，讓檢查者能從結論追溯至所附素材。較大的上下文配額有助於將更多證據放在一次請求中，但不代表能完美記住每項細節。
文件訓練涵蓋的範圍
DocQA-RL-1.6K 包含橫跨三種推理領域的 1,600 道訓練問題：600 道來自財報等長篇專門文件的數值問題；600 道關於法律、金融、保險與生產文件的邏輯選擇題；以及 400 道跨來源連結證據的多跳範例。這讓模型成為報告算術、規則解讀與需要多個支持段落之問題的相關候選。訓練領域描述的是處理這些任務的經驗，並非專業認證或結論保證。
實際輸出與限制
選擇能核對的答案：附單位的計算值、附章節參考的規則比較，或附支持事實推進關係的簡短結論。如果文件缺少必要日期或定義，請要求模型指出缺少的證據，而非虛構。發布素材著重文件問答，並未確立專用工具呼叫契約或另一個硬性輸出上限。將答案視為有依據的草稿，並依所附文件查核計算、參考與解讀。
", "aboutText": "簡介：長文件推理\n\nQwenLong-L1-32B 是 Tongyi Lab 的長上下文文字推理模型。其目的是回答證據分散在單一文件或多份文件中的問題，而非只是重複附近段落。它以 DeepSeek-R1-Distill-Qwen-32B 為基礎建構，並針對有文件依據的推理進一步訓練。提供文字與問題後，模型會產生文字推理序列與答案。掃描頁面、音訊與影片在進入此文字工作流程前，需要適當且獨立的轉換步驟。\n\n長上下文訓練如何運作\n\nQwenLong-L1 框架先透過監督式微調暖身推理策略，再藉由強化學習課程逐步增加上下文長度。具難度感知的回顧取樣，會隨訓練進展調整重訪哪些範例。原廠結合規則式與模型式的二元結果獎勵，使用群組相對策略最佳化，鼓勵答案持續依據長篇證據。這描述的是檢查點的訓練方法，並不表示個別回答會自動由外部評判者驗證。\n\n已發布版本\n\n這是原始 QwenLong-L1-32B 發布版。另行命名的 QwenLong-L1-32B-AWQ 是 INT4 量化版本，應保留自己的身分。此模型的公開設定使用 Qwen2 因果語言模型架構，具有 64 層與 bfloat16 權重。選擇模型時，文件專門能力比將 32B 名稱當成所有通用任務都會改善的證明更有參考價值。\n\n準備文件問題\n\n原廠範例使用明確的文字分隔符號區分文件與問題，並要求在推理後使用可辨識的最終答案語句。請依循該結構：提供相關文件內文、保持標題與表格可讀，並提出一個具體問題。報告計算請保留單位、報告期間與表格標籤，再要求公式、使用的數值與最終結果。政策比較請將文件標為 A 與 B，要求表格列出相符規則、差異，以及每列的支持章節。這些是依據文件記載的數值與跨文件能力設計的應用方式。\n\n範例分別解析推理與最終答案文字。它使用 10,000-token 生成預算、temperature 0.7 與 top_p 0.95；這些是範例設定，並非宣告最大輸出長度。模型卡也展示選用的身分設定系統訊息。請保留此模型自己的提示指南，不要只因為另一檢查點出現在模型淵源中，就套用其建議。\n\n處理長文件\n\nTongyi Lab 使用 YaRN 驗證最多 131,072 tokens 的上下文長度，並建議輸入與輸出合計顯著超過 32,768 tokens 時進行擴展。範例描述四倍擴展，或針對 65,536-token 工作負載使用較小的兩倍係數。靜態擴展可能降低較短文字的表現，因此模型卡建議一般請求維持在 32,768 tokens 以內時，不要啟用。公開設定列出 131,072 個位置，但未啟用 rope_scaling 欄位；因此應一併檢查設定與原廠有條件的長上下文程序。\n\n長輸入仍需為推理與答案預留空間。先從回答問題所需段落開始，移除重複頁首與導覽文字，保留頁碼或章節識別資訊。要求在結果中附上證據參考，讓檢查者能從結論追溯至所附素材。較大的上下文配額有助於將更多證據放在一次請求中，但不代表能完美記住每項細節。\n\n文件訓練涵蓋的範圍\n\nDocQA-RL-1.6K 包含橫跨三種推理領域的 1,600 道訓練問題：600 道來自財報等長篇專門文件的數值問題；600 道關於法律、金融、保險與生產文件的邏輯選擇題；以及 400 道跨來源連結證據的多跳範例。這讓模型成為報告算術、規則解讀與需要多個支持段落之問題的相關候選。訓練領域描述的是處理這些任務的經驗，並非專業認證或結論保證。\n\n實際輸出與限制\n\n選擇能核對的答案：附單位的計算值、附章節參考的規則比較，或附支持事實推進關係的簡短結論。如果文件缺少必要日期或定義，請要求模型指出缺少的證據，而非虛構。發布素材著重文件問答，並未確立專用工具呼叫契約或另一個硬性輸出上限。將答案視為有依據的草稿，並依所附文件查核計算、參考與解讀。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
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 是 Tongyi Lab 的文字推理模型，用於回答以長文件為依據的問題。它以 DeepSeek-R1-Distill-Qwen-32B 為起點，結合文件導向的強化學習，進行數值、邏輯與跨文件推理。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
簡介：長文件推理
QwenLong-L1-32B 是 Tongyi Lab 的長上下文文字推理模型。其目的是回答證據分散在單一文件或多份文件中的問題，而非只是重複附近段落。它以 DeepSeek-R1-Distill-Qwen-32B 為基礎建構，並針對有文件依據的推理進一步訓練。提供文字與問題後，模型會產生文字推理序列與答案。掃描頁面、音訊與影片在進入此文字工作流程前，需要適當且獨立的轉換步驟。
長上下文訓練如何運作
QwenLong-L1 框架先透過監督式微調暖身推理策略，再藉由強化學習課程逐步增加上下文長度。具難度感知的回顧取樣，會隨訓練進展調整重訪哪些範例。原廠結合規則式與模型式的二元結果獎勵，使用群組相對策略最佳化，鼓勵答案持續依據長篇證據。這描述的是檢查點的訓練方法，並不表示個別回答會自動由外部評判者驗證。
已發布版本
這是原始 QwenLong-L1-32B 發布版。另行命名的 QwenLong-L1-32B-AWQ 是 INT4 量化版本，應保留自己的身分。此模型的公開設定使用 Qwen2 因果語言模型架構，具有 64 層與 bfloat16 權重。選擇模型時，文件專門能力比將 32B 名稱當成所有通用任務都會改善的證明更有參考價值。
準備文件問題
原廠範例使用明確的文字分隔符號區分文件與問題，並要求在推理後使用可辨識的最終答案語句。請依循該結構：提供相關文件內文、保持標題與表格可讀，並提出一個具體問題。報告計算請保留單位、報告期間與表格標籤，再要求公式、使用的數值與最終結果。政策比較請將文件標為 A 與 B，要求表格列出相符規則、差異，以及每列的支持章節。這些是依據文件記載的數值與跨文件能力設計的應用方式。
範例分別解析推理與最終答案文字。它使用 10,000-token 生成預算、temperature 0.7 與 top_p 0.95；這些是範例設定，並非宣告最大輸出長度。模型卡也展示選用的身分設定系統訊息。請保留此模型自己的提示指南，不要只因為另一檢查點出現在模型淵源中，就套用其建議。
處理長文件
Tongyi Lab 使用 YaRN 驗證最多 131,072 tokens 的上下文長度，並建議輸入與輸出合計顯著超過 32,768 tokens 時進行擴展。範例描述四倍擴展，或針對 65,536-token 工作負載使用較小的兩倍係數。靜態擴展可能降低較短文字的表現，因此模型卡建議一般請求維持在 32,768 tokens 以內時，不要啟用。公開設定列出 131,072 個位置，但未啟用 rope_scaling 欄位；因此應一併檢查設定與原廠有條件的長上下文程序。
長輸入仍需為推理與答案預留空間。先從回答問題所需段落開始，移除重複頁首與導覽文字，保留頁碼或章節識別資訊。要求在結果中附上證據參考，讓檢查者能從結論追溯至所附素材。較大的上下文配額有助於將更多證據放在一次請求中，但不代表能完美記住每項細節。
文件訓練涵蓋的範圍
DocQA-RL-1.6K 包含橫跨三種推理領域的 1,600 道訓練問題：600 道來自財報等長篇專門文件的數值問題；600 道關於法律、金融、保險與生產文件的邏輯選擇題；以及 400 道跨來源連結證據的多跳範例。這讓模型成為報告算術、規則解讀與需要多個支持段落之問題的相關候選。訓練領域描述的是處理這些任務的經驗，並非專業認證或結論保證。
實際輸出與限制
選擇能核對的答案：附單位的計算值、附章節參考的規則比較，或附支持事實推進關係的簡短結論。如果文件缺少必要日期或定義，請要求模型指出缺少的證據，而非虛構。發布素材著重文件問答，並未確立專用工具呼叫契約或另一個硬性輸出上限。將答案視為有依據的草稿，並依所附文件查核計算、參考與解讀。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 Tongyi-Zhiwen/QwenLong-L1-32B | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 範例：system, user, assistant, tool, function 條件: 這些角色由 原始碼中的相容型別明確表示；確切角色集合仍依模型而定。 依模型而定 | 預設值— |
欄位messages[].content | 類型string|content_part[]|null | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_calls | 類型tool_call[] | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_call_id | 類型string | 要求選填 | 值與限制 適用條件: role=tool；使用實際回傳的 ID | 預設值— |
欄位messages[].name | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位messages[].reasoning_content | 類型string | 要求選填 | 值與限制 適用條件: 此模型使用推理內容時，將實際回傳的推理內容帶回後續請求 | 預設值— |
欄位messages[].reasoning_details | 類型object|array | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
欄位stream_options.include_usage | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位stop | 類型string|string[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools | 類型function_tool[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools[].type | 類型string | 要求選填 | 值與限制 function 依模型而定 | 預設值— |
欄位tools[].function.name | 類型string | 要求必填 | 值與限制 適用條件: 已提供函式工具 | 預設值— |
欄位tools[].function.description | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位tools[].function.parameters | 類型JSON_schema | 要求選填 | 值與限制 | 預設值— |
欄位tool_choice | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位parallel_tool_calls | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位response_format | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning_effort | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位service_tier | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位instructions | 類型string | 要求選填 | 值與限制 相容性欄位 | 預設值— |
欄位functions | 類型function[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位function_call | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位prompt_cache_options | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位modalities | 類型string[] | 要求選填 | 值與限制 text | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: 此 Ultra 文字路由拒絕 provider.options | 預設值— |
欄位cache_control.ttl | 類型string | 要求選填 | 值與限制 條件: 實際提示詞快取位置拒絕 1h | 預設值— |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
參數control_scope | 規格依模型而定；使用者函式工具與託管工具不同 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0.00028 / 1K Token 輸出 · 輸出 Token $0.0012 / 1K Token 輸入 · 讀取快取 $0 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
請使用上方列出的 API 方法路徑。
Tongyi-Zhiwen/QwenLong-L1-32BQwenLong-L1-32B 是 Tongyi Lab 的文字推理模型，用於回答以長文件為依據的問題。它以 DeepSeek-R1-Distill-Qwen-32B 為起點，結合文件導向的強化學習，進行數值、邏輯與跨文件推理。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
簡介：長文件推理
QwenLong-L1-32B 是 Tongyi Lab 的長上下文文字推理模型。其目的是回答證據分散在單一文件或多份文件中的問題，而非只是重複附近段落。它以 DeepSeek-R1-Distill-Qwen-32B 為基礎建構，並針對有文件依據的推理進一步訓練。提供文字與問題後，模型會產生文字推理序列與答案。掃描頁面、音訊與影片在進入此文字工作流程前，需要適當且獨立的轉換步驟。
長上下文訓練如何運作
QwenLong-L1 框架先透過監督式微調暖身推理策略，再藉由強化學習課程逐步增加上下文長度。具難度感知的回顧取樣，會隨訓練進展調整重訪哪些範例。原廠結合規則式與模型式的二元結果獎勵，使用群組相對策略最佳化，鼓勵答案持續依據長篇證據。這描述的是檢查點的訓練方法，並不表示個別回答會自動由外部評判者驗證。
已發布版本
這是原始 QwenLong-L1-32B 發布版。另行命名的 QwenLong-L1-32B-AWQ 是 INT4 量化版本，應保留自己的身分。此模型的公開設定使用 Qwen2 因果語言模型架構，具有 64 層與 bfloat16 權重。選擇模型時，文件專門能力比將 32B 名稱當成所有通用任務都會改善的證明更有參考價值。
準備文件問題
原廠範例使用明確的文字分隔符號區分文件與問題，並要求在推理後使用可辨識的最終答案語句。請依循該結構：提供相關文件內文、保持標題與表格可讀，並提出一個具體問題。報告計算請保留單位、報告期間與表格標籤，再要求公式、使用的數值與最終結果。政策比較請將文件標為 A 與 B，要求表格列出相符規則、差異，以及每列的支持章節。這些是依據文件記載的數值與跨文件能力設計的應用方式。
範例分別解析推理與最終答案文字。它使用 10,000-token 生成預算、temperature 0.7 與 top_p 0.95；這些是範例設定，並非宣告最大輸出長度。模型卡也展示選用的身分設定系統訊息。請保留此模型自己的提示指南，不要只因為另一檢查點出現在模型淵源中，就套用其建議。
處理長文件
Tongyi Lab 使用 YaRN 驗證最多 131,072 tokens 的上下文長度，並建議輸入與輸出合計顯著超過 32,768 tokens 時進行擴展。範例描述四倍擴展，或針對 65,536-token 工作負載使用較小的兩倍係數。靜態擴展可能降低較短文字的表現，因此模型卡建議一般請求維持在 32,768 tokens 以內時，不要啟用。公開設定列出 131,072 個位置，但未啟用 rope_scaling 欄位；因此應一併檢查設定與原廠有條件的長上下文程序。
長輸入仍需為推理與答案預留空間。先從回答問題所需段落開始，移除重複頁首與導覽文字，保留頁碼或章節識別資訊。要求在結果中附上證據參考，讓檢查者能從結論追溯至所附素材。較大的上下文配額有助於將更多證據放在一次請求中，但不代表能完美記住每項細節。
文件訓練涵蓋的範圍
DocQA-RL-1.6K 包含橫跨三種推理領域的 1,600 道訓練問題：600 道來自財報等長篇專門文件的數值問題；600 道關於法律、金融、保險與生產文件的邏輯選擇題；以及 400 道跨來源連結證據的多跳範例。這讓模型成為報告算術、規則解讀與需要多個支持段落之問題的相關候選。訓練領域描述的是處理這些任務的經驗，並非專業認證或結論保證。
實際輸出與限制
選擇能核對的答案：附單位的計算值、附章節參考的規則比較，或附支持事實推進關係的簡短結論。如果文件缺少必要日期或定義，請要求模型指出缺少的證據，而非虛構。發布素材著重文件問答，並未確立專用工具呼叫契約或另一個硬性輸出上限。將答案視為有依據的草稿，並依所附文件查核計算、參考與解讀。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 Tongyi-Zhiwen/QwenLong-L1-32B | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0.00028 / 1K Token 輸出 · 輸出 Token $0.0012 / 1K Token 輸入 · 讀取快取 $0 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "Tongyi-Zhiwen/QwenLong-L1-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra Tongyi-Zhiwen/QwenLong-L1-32B
請使用上方列出的 API 方法路徑。
英文技術範例
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.