LongCat 2.0 er en sparsom sprogmodel med en blanding af eksperter fra Meituan med 48 milliarder aktive parametre ud af 1,6 billioner i alt. Den offentliggjorte rolle omfatter kodning, ændringer på tværs af et kodelager, langsigtet problemløsning og agentarbejdsgange. Vælg meituan/longcat-2.0 med POST /v1/chat/completions med model og et messages-array. Denne profil modtager tekst og producerer tekst eller anmodninger om funktionskald i samtalen.
Til en ændring i et kodelager skal du medtage de relevante filer eller uddrag, den adfærd, der skal ændres, og de begrænsninger, implementeringen skal bevare. Bed om et konkret resultat, såsom en patch, en foreslået ændringsrækkefølge eller en forklaring på, hvordan en fejl forplanter sig gennem de medsendte moduler. Til dokumentanalyse skal du medtage den faktiske kildetekst og identificere de spørgsmål, svaret skal afklare. Mærk forskellige kildepassager, så svaret kan knytte sine konklusioner til det medsendte materiale.
Det offentliggjorte kontekstvindue er 1 048 756 tokens, og modelprofilen angiver op til 262 144 tokens til svaret. Planlæg kildemateriale, samtalehistorik, værktøjsresultater og det ønskede svar inden for den samlede kontekstramme. Angiv max_tokens som den ønskede outputramme. En stor kontekst kan rumme omfattende tekst, men opgaven har stadig gavn af eksplicitte filgrænser, det aktuelle mål og en beskrivelse af, hvad et nyttigt svar skal indeholde.
De understøttede indstillinger omfatter tools og tool_choice til funktionskald. En applikation kan deklarere funktioner til at læse en valgt fil, udføre en godkendt kontrol eller hente en registrering og derefter medtage de resulterende data i efterfølgende samtaleture. Modellen kan anmode om et funktionskald; din applikation validerer argumenterne, udfører den tilladte handling og returnerer resultatet. Hold anmodningen, værktøjsresultatet og næste svar samlet, når en opgave omfatter flere trin.
Andre offentliggjorte parametre omfatter temperature, top_p, top_k, min_p, stop, seed, frequency_penalty, presence_penalty og repetition_penalty. reasoning og include_reasoning optræder også på listen over understøttede parametre. Modelprofilen understøtter ikke response_format, så en instruktion om at producere JSON forbliver en promptinstruktion. Pars og validér enhver struktureret tekst, før den sendes videre til kode, en database eller en anden arbejdsgang.
Brug et komplet Chat Completions-svar, når næste trin kræver det samlede svar, eller stream tekst, når applikationen viser den, efterhånden som den kommer. Læs beskedindhold og eventuelle værktøjskald fra de returnerede choices, og gem usage og svaroplysninger. Saml streamede deltaer, før du betragter en foreslået patch eller et struktureret svar som færdigt. Til en kodeændring skal du vurdere det færdige forslag i forhold til de medsendte krav og faktiske kontroller, før du anvender resultatet.
", "aboutText": "LongCat 2.0 er en sparsom sprogmodel med en blanding af eksperter fra Meituan med 48 milliarder aktive parametre ud af 1,6 billioner i alt. Den offentliggjorte rolle omfatter kodning, ændringer på tværs af et kodelager, langsigtet problemløsning og agentarbejdsgange. Vælg meituan/longcat-2.0 med POST /v1/chat/completions med model og et messages-array. Denne profil modtager tekst og producerer tekst eller anmodninger om funktionskald i samtalen.\n\nTil en ændring i et kodelager skal du medtage de relevante filer eller uddrag, den adfærd, der skal ændres, og de begrænsninger, implementeringen skal bevare. Bed om et konkret resultat, såsom en patch, en foreslået ændringsrækkefølge eller en forklaring på, hvordan en fejl forplanter sig gennem de medsendte moduler. Til dokumentanalyse skal du medtage den faktiske kildetekst og identificere de spørgsmål, svaret skal afklare. Mærk forskellige kildepassager, så svaret kan knytte sine konklusioner til det medsendte materiale.\n\nDet offentliggjorte kontekstvindue er 1 048 756 tokens, og modelprofilen angiver op til 262 144 tokens til svaret. Planlæg kildemateriale, samtalehistorik, værktøjsresultater og det ønskede svar inden for den samlede kontekstramme. Angiv max_tokens som den ønskede outputramme. En stor kontekst kan rumme omfattende tekst, men opgaven har stadig gavn af eksplicitte filgrænser, det aktuelle mål og en beskrivelse af, hvad et nyttigt svar skal indeholde.\n\nDe understøttede indstillinger omfatter tools og tool_choice til funktionskald. En applikation kan deklarere funktioner til at læse en valgt fil, udføre en godkendt kontrol eller hente en registrering og derefter medtage de resulterende data i efterfølgende samtaleture. Modellen kan anmode om et funktionskald; din applikation validerer argumenterne, udfører den tilladte handling og returnerer resultatet. Hold anmodningen, værktøjsresultatet og næste svar samlet, når en opgave omfatter flere trin.\n\nAndre offentliggjorte parametre omfatter temperature, top_p, top_k, min_p, stop, seed, frequency_penalty, presence_penalty og repetition_penalty. reasoning og include_reasoning optræder også på listen over understøttede parametre. Modelprofilen understøtter ikke response_format, så en instruktion om at producere JSON forbliver en promptinstruktion. Pars og validér enhver struktureret tekst, før den sendes videre til kode, en database eller en anden arbejdsgang.\n\nBrug et komplet Chat Completions-svar, når næste trin kræver det samlede svar, eller stream tekst, når applikationen viser den, efterhånden som den kommer. Læs beskedindhold og eventuelle værktøjskald fra de returnerede choices, og gem usage og svaroplysninger. Saml streamede deltaer, før du betragter en foreslået patch eller et struktureret svar som færdigt. Til en kodeændring skal du vurdere det færdige forslag i forhold til de medsendte krav og faktiske kontroller, før du anvender resultatet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2c632929bd9f2decedffbdd84a81f8a2e095c6a8b7026e311610404d1033dd80", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "meituan/longcat-2.0LongCat 2.0 er Meituans tekstmodel til kodning, ændringer på tværs af et kodelager, længerevarende problemløsning og applikationsstyrede agentarbejdsgange. Det offentliggjorte kontekstvindue er 1 048 756 tokens. Brug det præcise ID meituan/longcat-2.0 med Chat Completions, og medsend den relevante kode, dokumenter og værktøjsresultater som tekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
LongCat 2.0 er en sparsom sprogmodel med en blanding af eksperter fra Meituan med 48 milliarder aktive parametre ud af 1,6 billioner i alt. Den offentliggjorte rolle omfatter kodning, ændringer på tværs af et kodelager, langsigtet problemløsning og agentarbejdsgange. Vælg meituan/longcat-2.0 med POST /v1/chat/completions med model og et messages-array. Denne profil modtager tekst og producerer tekst eller anmodninger om funktionskald i samtalen.
Til en ændring i et kodelager skal du medtage de relevante filer eller uddrag, den adfærd, der skal ændres, og de begrænsninger, implementeringen skal bevare. Bed om et konkret resultat, såsom en patch, en foreslået ændringsrækkefølge eller en forklaring på, hvordan en fejl forplanter sig gennem de medsendte moduler. Til dokumentanalyse skal du medtage den faktiske kildetekst og identificere de spørgsmål, svaret skal afklare. Mærk forskellige kildepassager, så svaret kan knytte sine konklusioner til det medsendte materiale.
Det offentliggjorte kontekstvindue er 1 048 756 tokens, og modelprofilen angiver op til 262 144 tokens til svaret. Planlæg kildemateriale, samtalehistorik, værktøjsresultater og det ønskede svar inden for den samlede kontekstramme. Angiv max_tokens som den ønskede outputramme. En stor kontekst kan rumme omfattende tekst, men opgaven har stadig gavn af eksplicitte filgrænser, det aktuelle mål og en beskrivelse af, hvad et nyttigt svar skal indeholde.
De understøttede indstillinger omfatter tools og tool_choice til funktionskald. En applikation kan deklarere funktioner til at læse en valgt fil, udføre en godkendt kontrol eller hente en registrering og derefter medtage de resulterende data i efterfølgende samtaleture. Modellen kan anmode om et funktionskald; din applikation validerer argumenterne, udfører den tilladte handling og returnerer resultatet. Hold anmodningen, værktøjsresultatet og næste svar samlet, når en opgave omfatter flere trin.
Andre offentliggjorte parametre omfatter temperature, top_p, top_k, min_p, stop, seed, frequency_penalty, presence_penalty og repetition_penalty. reasoning og include_reasoning optræder også på listen over understøttede parametre. Modelprofilen understøtter ikke response_format, så en instruktion om at producere JSON forbliver en promptinstruktion. Pars og validér enhver struktureret tekst, før den sendes videre til kode, en database eller en anden arbejdsgang.
Brug et komplet Chat Completions-svar, når næste trin kræver det samlede svar, eller stream tekst, når applikationen viser den, efterhånden som den kommer. Læs beskedindhold og eventuelle værktøjskald fra de returnerede choices, og gem usage og svaroplysninger. Saml streamede deltaer, før du betragter en foreslået patch eller et struktureret svar som færdigt. Til en kodeændring skal du vurdere det færdige forslag i forhold til de medsendte krav og faktiske kontroller, før du anvender resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meituan/longcat-2.0 | Standard— |
Feltmessages | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
Feltn | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltseed | Typeinteger | KravValgfrit | Værdier og grænser | Standard— |
Feltstop | Type | KravValgfrit | Værdier og grænser | Standard— |
Feltfrequency_penalty | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltpresence_penalty | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parameteroptional | Kontraktstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Kontrakttext |
Parameterconditions | Kontrakt |
Livscyklus: synchronous_json_or_sse
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.006 / 1K tokens Input · Cachelæsning $0.00003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meituan/longcat-2.0", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or supported SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra meituan/longcat-2.0
Brug metodestierne vist ovenfor.