Meituan: LongCat 2.0

LongCat 2.0 ist ein dünn besetztes Mixture-of-Experts-Sprachmodell von Meituan mit 48 Milliarden aktiven Parametern bei insgesamt 1,6 Billionen. Zu seinem veröffentlichten Einsatzgebiet gehören Programmierung, Änderungen auf Repository-Ebene, langfristige Problemlösung und Agentenabläufe. Wählen Sie meituan/longcat-2.0 mit POST /v1/chat/completions unter Verwendung von model und einem messages-Array. Dieses Profil nimmt Text entgegen und erzeugt innerhalb des Gesprächs Text oder Funktionsaufrufanfragen.

Stellen Sie für eine Repository-Änderung die relevanten Dateien oder Auszüge, das zu ändernde Verhalten und die Einschränkungen bereit, die die Implementierung bewahren muss. Bitten Sie um ein konkretes Ergebnis, etwa einen Patch, eine vorgeschlagene Änderungsfolge oder eine Erklärung, wie ein Fehler die bereitgestellten Module durchläuft. Stellen Sie für eine Dokumentanalyse den tatsächlichen Quelltext bereit und benennen Sie die Fragen, die die Antwort klären muss. Kennzeichnen Sie verschiedene Quellpassagen, damit die Antwort ihre Schlussfolgerungen mit dem bereitgestellten Material verbinden kann.

Das veröffentlichte Kontextfenster beträgt 1 048 756 Tokens, und das Modellprofil nennt bis zu 262 144 Ausgabetokens. Planen Sie Ausgangsmaterial, Gesprächsverlauf, Werkzeugergebnisse und gewünschte Antwort innerhalb des gesamten Kontextbudgets. Legen Sie max_tokens für das gewünschte Ausgabekontingent fest. Ein großer Kontext kann umfangreichen Text aufnehmen, doch die Aufgabe profitiert weiterhin von ausdrücklichen Dateigrenzen, dem aktuellen Ziel und einer Beschreibung dessen, was eine nützliche Antwort enthalten sollte.

Zu den unterstützten Steuerungen gehören tools und tool_choice für Funktionsaufrufe. Eine Anwendung kann Funktionen zum Lesen einer ausgewählten Datei, zum Ausführen einer genehmigten Prüfung oder zum Abrufen eines Datensatzes deklarieren und die daraus resultierenden Daten in nachfolgenden Gesprächsbeiträgen bereitstellen. Das Modell kann einen Funktionsaufruf anfordern; Ihre Anwendung validiert dessen Argumente, führt die erlaubte Aktion aus und gibt das Ergebnis zurück. Halten Sie Anfrage, Werkzeugergebnis und nächste Antwort zusammen, wenn eine Aufgabe mehrere Schritte umfasst.

Weitere veröffentlichte Parameter sind temperature, top_p, top_k, min_p, stop, seed, frequency_penalty, presence_penalty und repetition_penalty. reasoning und include_reasoning erscheinen ebenfalls in der Liste unterstützter Parameter. Das Modellprofil unterstützt response_format nicht, daher bleibt eine Anweisung zur JSON-Ausgabe eine Promptanweisung. Parsen und validieren Sie jeden strukturierten Text, bevor Sie ihn an Code, eine Datenbank oder einen anderen Ablauf weitergeben.

Verwenden Sie eine vollständige Chat Completions-Antwort, wenn der nächste Schritt die zusammengesetzte Antwort benötigt, oder streamen Sie Text, wenn die Anwendung ihn beim Eintreffen anzeigt. Lesen Sie Nachrichteninhalt und etwaige Werkzeugaufrufe aus den zurückgegebenen choices und bewahren Sie usage und Antwortinformationen auf. Setzen Sie gestreamte Deltas zusammen, bevor Sie einen vorgeschlagenen Patch oder eine strukturierte Antwort als vollständig behandeln. Prüfen Sie bei einer Codeänderung den fertigen Vorschlag anhand der bereitgestellten Anforderungen und tatsächlichen Prüfungen, bevor Sie sein Ergebnis anwenden.