Meituan: LongCat 2.0

LongCat 2.0 es un modelo de lenguaje de mezcla dispersa de expertos de Meituan, con 48 mil millones de parámetros activos de un total de 1.6 billones. Su función publicada incluye programación, cambios a nivel de repositorio, resolución de problemas a largo plazo y flujos de agentes. Selecciona meituan/longcat-2.0 con POST /v1/chat/completions utilizando model y un array messages. Este perfil acepta texto y produce texto o solicitudes de llamada a funciones dentro de la conversación.

Para un cambio en un repositorio, proporciona los archivos o extractos pertinentes, el comportamiento que debe cambiar y las restricciones que la implementación debe conservar. Solicita un resultado concreto, como un parche, una secuencia propuesta de cambios o una explicación de cómo se propaga un fallo por los módulos proporcionados. Para el análisis de documentos, proporciona el texto de origen real e identifica las preguntas que debe resolver la respuesta. Etiqueta los distintos pasajes de origen para que la respuesta pueda relacionar sus conclusiones con el material proporcionado.

La ventana de contexto publicada es de 1 048 756 tokens, y la ficha del modelo indica hasta 262 144 tokens de generación. Planifica el material de origen, el historial de conversación, los resultados de herramientas y la respuesta solicitada dentro del presupuesto total de contexto. Establece max_tokens para la cantidad de salida solicitada. Un contexto amplio puede albergar una cantidad considerable de texto, pero la tarea sigue beneficiándose de límites explícitos entre archivos, del objetivo actual y de una descripción de lo que debe contener una respuesta útil.

Los controles admitidos incluyen tools y tool_choice para llamadas a funciones. Una aplicación puede declarar funciones para leer un archivo seleccionado, ejecutar una comprobación aprobada u obtener un registro, y proporcionar después los datos resultantes en turnos posteriores de la conversación. El modelo puede solicitar una llamada a función; tu aplicación valida sus argumentos, realiza la acción permitida y devuelve el resultado. Mantén juntos la solicitud, el resultado de la herramienta y la respuesta siguiente cuando una tarea abarque varios pasos.

Otros parámetros publicados incluyen temperature, top_p, top_k, min_p, stop, seed, frequency_penalty, presence_penalty y repetition_penalty. reasoning e include_reasoning también aparecen en la lista de parámetros admitidos. El perfil del modelo no admite response_format, por lo que una instrucción de producir JSON sigue siendo una instrucción del prompt. Analiza y valida cualquier texto estructurado antes de pasarlo a código, a una base de datos o a otro flujo de trabajo.

Utiliza una respuesta completa de Chat Completions cuando el siguiente paso necesite la respuesta ensamblada, o texto en streaming cuando la aplicación lo muestre a medida que llega. Lee el contenido del mensaje y las llamadas a herramientas de las choices devueltas, conservando usage y la información de la respuesta. Ensambla los deltas del streaming antes de considerar completo un parche propuesto o una respuesta estructurada. Para un cambio de código, evalúa la propuesta completada frente a los requisitos proporcionados y las comprobaciones reales antes de aplicar su resultado.