Modelleinführung
LongCat-Flash-Thinking ist Meituans großes Reasoning-Sprachmodell. Sein Mixture-of-Experts-Design enthält insgesamt 560 Milliarden Parameter und aktiviert je nach Aufgabenkontext dynamisch etwa 18,6 bis 31,3 Milliarden, im Mittel ungefähr 27 Milliarden. Der Schwerpunkt umfasst Mathematik, Logik, Programmierung, Anweisungsbefolgung, automatisches Theorembeweisen und Werkzeugnutzung. Diese Karte beschreibt die ursprüngliche Thinking-Veröffentlichung mit Textanweisungen und Textergebnissen.
Domänenparalleles Reinforcement Learning
Seine Entwicklung beginnt mit einer Kaltstartstufe für lange Gedankenketten, gefolgt von groß angelegtem Reinforcement Learning. Das Training trennt MINT-, Programmier- und Agentenaufgaben in Domänen und führt die resultierenden Spezialmodelle anschließend zusammen. Das erklärt, warum allgemeines Schlussfolgern, Programmierung und Werkzeuginteraktion alle im Zentrum der Veröffentlichung stehen. Es ist nützlich, die genaue Problemart und das benötigte Ergebnis zu definieren, statt eine breite Erörterung eines Themas anzufordern.
DORA-Trainingsinfrastruktur
Das DORA-System des Herstellers koordiniert asynchrone Reinforcement-Learning-Arbeit durch elastische Zuteilung und eine Pipeline mit mehreren Versionen. Sein Zweck sind effizientes Training, konsistente Beispiele und Wiederverwendung von Berechnung während des Trainings. Diese Eigenschaften gehören zum Trainingsprozess des Herstellers: Sie implizieren weder dauerhaftes Gedächtnis für ein Anwendungsgespräch noch eine bestimmte Laufzeitkapazität für eine Benutzeranfrage.
Formales und agentisches Schlussfolgern
Das Training für formales Schlussfolgern verwendet Aussagenformalisierung, iterative Beweissynthese und Filterung auf Syntax und Konsistenz. Der veröffentlichte Theorembeweis-Prompt liefert ein Problem zusammen mit seiner formalen Aussage und verlangt eine Lösung in Lean 4. Bereiten Sie Definitionen, Annahmen und die genaue Theoremaussage vor; eine beispielhafte Ausgabe ist ein Beweiskandidat mit einer Erklärung der wichtigen Zwischenaussagen. Ein formaler Prüfer entscheidet weiterhin, ob der generierte Beweis akzeptiert wird.
Agentisches Training entwickelt die anpassungsfähige Nutzung bereitgestellter Werkzeuge. Der Hersteller erstellt Aufgaben, die tatsächlich Werkzeughilfe benötigen, und trainiert anhand ein- und mehrrundiger Lösungsfolgen. Geben Sie dem Modell Werkzeugnamen, Zweck und Eingabeschema und liefern Sie anschließend das tatsächliche Werkzeugergebnis für den nächsten Schritt zurück. Eine Codeanalyseaufgabe kann beispielsweise verlangen, eine bereitgestellte Funktion zu untersuchen, einen Diagnosevorgang auszuwählen und die Beobachtung zu erklären. Die Werkzeugausführung liegt bei der umgebenden Anwendung.
Gesprächs- und Antwortvorbereitung
Die nativen Chatbeispiele enthalten eine /think_on-Markierung, optionale Systemanweisungen und die früheren Beiträge vor der neuen Benutzeranfrage. Mathematische Beispiele verlangen schrittweises Schlussfolgern und setzen das Endergebnis in eine erkennbare eingerahmte Form. Die formale Vorlage ergänzt die Lean-4-Aussage. Native Werkzeugbeispiele geben markierte Datensätze mit Funktionsnamen und Argumenten aus und erlauben aufeinanderfolgende Datensätze für mehrere Aufrufe. Diese Konventionen beschreiben die Vorlagen des Herstellers; eine Integration muss ihre Bedeutung bewahren, statt sie als gewöhnlichen Antworttext zu behandeln.
Ausgabenunterschiede und Anwendungshinweise
Die ursprüngliche Veröffentlichung und ihre FP8-Gewichtsausgabe haben separate Namen. Der Bereitstellungsleitfaden beschreibt auch optionale Multi-Token Prediction, die von der Inferenzkonfiguration abhängt. Der Hersteller weist darauf hin, dass Sprachleistung variieren kann und nicht jede nachgelagerte Anwendung umfassend bewertet wurde. Behalten Sie ein mathematisch oder technisch überprüfbares Ziel bei, stellen Sie die vollständigen Bedingungen bereit und prüfen Sie generierten Code oder Beweise mit dem passenden Prüfer. Die ursprüngliche Thinking-Identität bleibt von Chat und später benannten Thinking-Ausgaben getrennt; numerische Kontext- oder Ausgabegrenzen benötigen die Spezifikation der gewählten Veröffentlichung.
", "aboutText": "Modelleinführung\n\nLongCat-Flash-Thinking ist Meituans großes Reasoning-Sprachmodell. Sein Mixture-of-Experts-Design enthält insgesamt 560 Milliarden Parameter und aktiviert je nach Aufgabenkontext dynamisch etwa 18,6 bis 31,3 Milliarden, im Mittel ungefähr 27 Milliarden. Der Schwerpunkt umfasst Mathematik, Logik, Programmierung, Anweisungsbefolgung, automatisches Theorembeweisen und Werkzeugnutzung. Diese Karte beschreibt die ursprüngliche Thinking-Veröffentlichung mit Textanweisungen und Textergebnissen.\n\nDomänenparalleles Reinforcement Learning\n\nSeine Entwicklung beginnt mit einer Kaltstartstufe für lange Gedankenketten, gefolgt von groß angelegtem Reinforcement Learning. Das Training trennt MINT-, Programmier- und Agentenaufgaben in Domänen und führt die resultierenden Spezialmodelle anschließend zusammen. Das erklärt, warum allgemeines Schlussfolgern, Programmierung und Werkzeuginteraktion alle im Zentrum der Veröffentlichung stehen. Es ist nützlich, die genaue Problemart und das benötigte Ergebnis zu definieren, statt eine breite Erörterung eines Themas anzufordern.\n\nDORA-Trainingsinfrastruktur\n\nDas DORA-System des Herstellers koordiniert asynchrone Reinforcement-Learning-Arbeit durch elastische Zuteilung und eine Pipeline mit mehreren Versionen. Sein Zweck sind effizientes Training, konsistente Beispiele und Wiederverwendung von Berechnung während des Trainings. Diese Eigenschaften gehören zum Trainingsprozess des Herstellers: Sie implizieren weder dauerhaftes Gedächtnis für ein Anwendungsgespräch noch eine bestimmte Laufzeitkapazität für eine Benutzeranfrage.\n\nFormales und agentisches Schlussfolgern\n\nDas Training für formales Schlussfolgern verwendet Aussagenformalisierung, iterative Beweissynthese und Filterung auf Syntax und Konsistenz. Der veröffentlichte Theorembeweis-Prompt liefert ein Problem zusammen mit seiner formalen Aussage und verlangt eine Lösung in Lean 4. Bereiten Sie Definitionen, Annahmen und die genaue Theoremaussage vor; eine beispielhafte Ausgabe ist ein Beweiskandidat mit einer Erklärung der wichtigen Zwischenaussagen. Ein formaler Prüfer entscheidet weiterhin, ob der generierte Beweis akzeptiert wird.\n\nAgentisches Training entwickelt die anpassungsfähige Nutzung bereitgestellter Werkzeuge. Der Hersteller erstellt Aufgaben, die tatsächlich Werkzeughilfe benötigen, und trainiert anhand ein- und mehrrundiger Lösungsfolgen. Geben Sie dem Modell Werkzeugnamen, Zweck und Eingabeschema und liefern Sie anschließend das tatsächliche Werkzeugergebnis für den nächsten Schritt zurück. Eine Codeanalyseaufgabe kann beispielsweise verlangen, eine bereitgestellte Funktion zu untersuchen, einen Diagnosevorgang auszuwählen und die Beobachtung zu erklären. Die Werkzeugausführung liegt bei der umgebenden Anwendung.\n\nGesprächs- und Antwortvorbereitung\n\nDie nativen Chatbeispiele enthalten eine /think_on-Markierung, optionale Systemanweisungen und die früheren Beiträge vor der neuen Benutzeranfrage. Mathematische Beispiele verlangen schrittweises Schlussfolgern und setzen das Endergebnis in eine erkennbare eingerahmte Form. Die formale Vorlage ergänzt die Lean-4-Aussage. Native Werkzeugbeispiele geben markierte Datensätze mit Funktionsnamen und Argumenten aus und erlauben aufeinanderfolgende Datensätze für mehrere Aufrufe. Diese Konventionen beschreiben die Vorlagen des Herstellers; eine Integration muss ihre Bedeutung bewahren, statt sie als gewöhnlichen Antworttext zu behandeln.\n\nAusgabenunterschiede und Anwendungshinweise\n\nDie ursprüngliche Veröffentlichung und ihre FP8-Gewichtsausgabe haben separate Namen. Der Bereitstellungsleitfaden beschreibt auch optionale Multi-Token Prediction, die von der Inferenzkonfiguration abhängt. Der Hersteller weist darauf hin, dass Sprachleistung variieren kann und nicht jede nachgelagerte Anwendung umfassend bewertet wurde. Behalten Sie ein mathematisch oder technisch überprüfbares Ziel bei, stellen Sie die vollständigen Bedingungen bereit und prüfen Sie generierten Code oder Beweise mit dem passenden Prüfer. Die ursprüngliche Thinking-Identität bleibt von Chat und später benannten Thinking-Ausgaben getrennt; numerische Kontext- oder Ausgabegrenzen benötigen die Spezifikation der gewählten Veröffentlichung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Prove a capacity claim\n\nA dispatch team claims it can place 25 packages into six lockers, with at most four packages per locker. Determine whether the claim is possible. Give a short mathematical argument from the capacity condition, then state the smallest number of lockers that could hold all packages under the same rule.A concise impossibility argument and a minimum-locker calculation.The argument must use total capacity and round the locker requirement up to a whole number.LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking ist Meituans Reasoning-Modell für Mathematik, Programmierung, Werkzeugnutzung und formales Beweisen von Theoremen. Seine ursprüngliche Thinking-Ausgabe verbindet allgemeines Schlussfolgern mit gezieltem Formal- und Agententraining und erzeugt Text und Lösungskandidaten für ausdrückliche Bedingungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Modelleinführung
LongCat-Flash-Thinking ist Meituans großes Reasoning-Sprachmodell. Sein Mixture-of-Experts-Design enthält insgesamt 560 Milliarden Parameter und aktiviert je nach Aufgabenkontext dynamisch etwa 18,6 bis 31,3 Milliarden, im Mittel ungefähr 27 Milliarden. Der Schwerpunkt umfasst Mathematik, Logik, Programmierung, Anweisungsbefolgung, automatisches Theorembeweisen und Werkzeugnutzung. Diese Karte beschreibt die ursprüngliche Thinking-Veröffentlichung mit Textanweisungen und Textergebnissen.
Domänenparalleles Reinforcement Learning
Seine Entwicklung beginnt mit einer Kaltstartstufe für lange Gedankenketten, gefolgt von groß angelegtem Reinforcement Learning. Das Training trennt MINT-, Programmier- und Agentenaufgaben in Domänen und führt die resultierenden Spezialmodelle anschließend zusammen. Das erklärt, warum allgemeines Schlussfolgern, Programmierung und Werkzeuginteraktion alle im Zentrum der Veröffentlichung stehen. Es ist nützlich, die genaue Problemart und das benötigte Ergebnis zu definieren, statt eine breite Erörterung eines Themas anzufordern.
DORA-Trainingsinfrastruktur
Das DORA-System des Herstellers koordiniert asynchrone Reinforcement-Learning-Arbeit durch elastische Zuteilung und eine Pipeline mit mehreren Versionen. Sein Zweck sind effizientes Training, konsistente Beispiele und Wiederverwendung von Berechnung während des Trainings. Diese Eigenschaften gehören zum Trainingsprozess des Herstellers: Sie implizieren weder dauerhaftes Gedächtnis für ein Anwendungsgespräch noch eine bestimmte Laufzeitkapazität für eine Benutzeranfrage.
Formales und agentisches Schlussfolgern
Das Training für formales Schlussfolgern verwendet Aussagenformalisierung, iterative Beweissynthese und Filterung auf Syntax und Konsistenz. Der veröffentlichte Theorembeweis-Prompt liefert ein Problem zusammen mit seiner formalen Aussage und verlangt eine Lösung in Lean 4. Bereiten Sie Definitionen, Annahmen und die genaue Theoremaussage vor; eine beispielhafte Ausgabe ist ein Beweiskandidat mit einer Erklärung der wichtigen Zwischenaussagen. Ein formaler Prüfer entscheidet weiterhin, ob der generierte Beweis akzeptiert wird.
Agentisches Training entwickelt die anpassungsfähige Nutzung bereitgestellter Werkzeuge. Der Hersteller erstellt Aufgaben, die tatsächlich Werkzeughilfe benötigen, und trainiert anhand ein- und mehrrundiger Lösungsfolgen. Geben Sie dem Modell Werkzeugnamen, Zweck und Eingabeschema und liefern Sie anschließend das tatsächliche Werkzeugergebnis für den nächsten Schritt zurück. Eine Codeanalyseaufgabe kann beispielsweise verlangen, eine bereitgestellte Funktion zu untersuchen, einen Diagnosevorgang auszuwählen und die Beobachtung zu erklären. Die Werkzeugausführung liegt bei der umgebenden Anwendung.
Gesprächs- und Antwortvorbereitung
Die nativen Chatbeispiele enthalten eine /think_on-Markierung, optionale Systemanweisungen und die früheren Beiträge vor der neuen Benutzeranfrage. Mathematische Beispiele verlangen schrittweises Schlussfolgern und setzen das Endergebnis in eine erkennbare eingerahmte Form. Die formale Vorlage ergänzt die Lean-4-Aussage. Native Werkzeugbeispiele geben markierte Datensätze mit Funktionsnamen und Argumenten aus und erlauben aufeinanderfolgende Datensätze für mehrere Aufrufe. Diese Konventionen beschreiben die Vorlagen des Herstellers; eine Integration muss ihre Bedeutung bewahren, statt sie als gewöhnlichen Antworttext zu behandeln.
Ausgabenunterschiede und Anwendungshinweise
Die ursprüngliche Veröffentlichung und ihre FP8-Gewichtsausgabe haben separate Namen. Der Bereitstellungsleitfaden beschreibt auch optionale Multi-Token Prediction, die von der Inferenzkonfiguration abhängt. Der Hersteller weist darauf hin, dass Sprachleistung variieren kann und nicht jede nachgelagerte Anwendung umfassend bewertet wurde. Behalten Sie ein mathematisch oder technisch überprüfbares Ziel bei, stellen Sie die vollständigen Bedingungen bereit und prüfen Sie generierten Code oder Beweise mit dem passenden Prüfer. Die ursprüngliche Thinking-Identität bleibt von Chat und später benannten Thinking-Ausgaben getrennt; numerische Kontext- oder Ausgabegrenzen benötigen die Spezifikation der gewählten Veröffentlichung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits LongCat-Flash-Thinking-ultra | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.002858 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "LongCat-Flash-Thinking-ultra", "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='LongCat-Flash-Thinking-ultra',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='LongCat-Flash-Thinking-ultra',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Verwenden Sie die oben angezeigten Methodenpfade.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking ist Meituans Reasoning-Modell für Mathematik, Programmierung, Werkzeugnutzung und formales Beweisen von Theoremen. Seine ursprüngliche Thinking-Ausgabe verbindet allgemeines Schlussfolgern mit gezieltem Formal- und Agententraining und erzeugt Text und Lösungskandidaten für ausdrückliche Bedingungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Modelleinführung
LongCat-Flash-Thinking ist Meituans großes Reasoning-Sprachmodell. Sein Mixture-of-Experts-Design enthält insgesamt 560 Milliarden Parameter und aktiviert je nach Aufgabenkontext dynamisch etwa 18,6 bis 31,3 Milliarden, im Mittel ungefähr 27 Milliarden. Der Schwerpunkt umfasst Mathematik, Logik, Programmierung, Anweisungsbefolgung, automatisches Theorembeweisen und Werkzeugnutzung. Diese Karte beschreibt die ursprüngliche Thinking-Veröffentlichung mit Textanweisungen und Textergebnissen.
Domänenparalleles Reinforcement Learning
Seine Entwicklung beginnt mit einer Kaltstartstufe für lange Gedankenketten, gefolgt von groß angelegtem Reinforcement Learning. Das Training trennt MINT-, Programmier- und Agentenaufgaben in Domänen und führt die resultierenden Spezialmodelle anschließend zusammen. Das erklärt, warum allgemeines Schlussfolgern, Programmierung und Werkzeuginteraktion alle im Zentrum der Veröffentlichung stehen. Es ist nützlich, die genaue Problemart und das benötigte Ergebnis zu definieren, statt eine breite Erörterung eines Themas anzufordern.
DORA-Trainingsinfrastruktur
Das DORA-System des Herstellers koordiniert asynchrone Reinforcement-Learning-Arbeit durch elastische Zuteilung und eine Pipeline mit mehreren Versionen. Sein Zweck sind effizientes Training, konsistente Beispiele und Wiederverwendung von Berechnung während des Trainings. Diese Eigenschaften gehören zum Trainingsprozess des Herstellers: Sie implizieren weder dauerhaftes Gedächtnis für ein Anwendungsgespräch noch eine bestimmte Laufzeitkapazität für eine Benutzeranfrage.
Formales und agentisches Schlussfolgern
Das Training für formales Schlussfolgern verwendet Aussagenformalisierung, iterative Beweissynthese und Filterung auf Syntax und Konsistenz. Der veröffentlichte Theorembeweis-Prompt liefert ein Problem zusammen mit seiner formalen Aussage und verlangt eine Lösung in Lean 4. Bereiten Sie Definitionen, Annahmen und die genaue Theoremaussage vor; eine beispielhafte Ausgabe ist ein Beweiskandidat mit einer Erklärung der wichtigen Zwischenaussagen. Ein formaler Prüfer entscheidet weiterhin, ob der generierte Beweis akzeptiert wird.
Agentisches Training entwickelt die anpassungsfähige Nutzung bereitgestellter Werkzeuge. Der Hersteller erstellt Aufgaben, die tatsächlich Werkzeughilfe benötigen, und trainiert anhand ein- und mehrrundiger Lösungsfolgen. Geben Sie dem Modell Werkzeugnamen, Zweck und Eingabeschema und liefern Sie anschließend das tatsächliche Werkzeugergebnis für den nächsten Schritt zurück. Eine Codeanalyseaufgabe kann beispielsweise verlangen, eine bereitgestellte Funktion zu untersuchen, einen Diagnosevorgang auszuwählen und die Beobachtung zu erklären. Die Werkzeugausführung liegt bei der umgebenden Anwendung.
Gesprächs- und Antwortvorbereitung
Die nativen Chatbeispiele enthalten eine /think_on-Markierung, optionale Systemanweisungen und die früheren Beiträge vor der neuen Benutzeranfrage. Mathematische Beispiele verlangen schrittweises Schlussfolgern und setzen das Endergebnis in eine erkennbare eingerahmte Form. Die formale Vorlage ergänzt die Lean-4-Aussage. Native Werkzeugbeispiele geben markierte Datensätze mit Funktionsnamen und Argumenten aus und erlauben aufeinanderfolgende Datensätze für mehrere Aufrufe. Diese Konventionen beschreiben die Vorlagen des Herstellers; eine Integration muss ihre Bedeutung bewahren, statt sie als gewöhnlichen Antworttext zu behandeln.
Ausgabenunterschiede und Anwendungshinweise
Die ursprüngliche Veröffentlichung und ihre FP8-Gewichtsausgabe haben separate Namen. Der Bereitstellungsleitfaden beschreibt auch optionale Multi-Token Prediction, die von der Inferenzkonfiguration abhängt. Der Hersteller weist darauf hin, dass Sprachleistung variieren kann und nicht jede nachgelagerte Anwendung umfassend bewertet wurde. Behalten Sie ein mathematisch oder technisch überprüfbares Ziel bei, stellen Sie die vollständigen Bedingungen bereit und prüfen Sie generierten Code oder Beweise mit dem passenden Prüfer. Die ursprüngliche Thinking-Identität bleibt von Chat und später benannten Thinking-Ausgaben getrennt; numerische Kontext- oder Ausgabegrenzen benötigen die Spezifikation der gewählten Veröffentlichung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits LongCat-Flash-Thinking-ultra | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.002858 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'LongCat-Flash-Thinking-ultra', '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': 'LongCat-Flash-Thinking-ultra', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Prove a capacity claim\n\nA dispatch team claims it can place 25 packages into six lockers, with at most four packages per locker. Determine whether the claim is possible. Give a short mathematical argument from the capacity condition, then state the smallest number of lockers that could hold all packages under the same rule.A concise impossibility argument and a minimum-locker calculation.The argument must use total capacity and round the locker requirement up to a whole number.