Presentación del modelo
LongCat-Flash-Thinking es el gran modelo de lenguaje con razonamiento de Meituan. Su diseño de mezcla de expertos contiene 560 mil millones de parámetros totales y activa dinámicamente entre aproximadamente 18,6 y 31,3 mil millones, con una media de unos 27 mil millones, según el contexto de la tarea. El énfasis abarca matemáticas, lógica, programación, seguimiento de instrucciones, demostración automática de teoremas y uso de herramientas. Esta ficha describe la versión Thinking original, con instrucciones de texto y resultados de texto.
Aprendizaje por refuerzo paralelo por dominios
Su desarrollo comienza con una etapa de arranque en frío de cadenas largas de pensamiento, seguida de aprendizaje por refuerzo a gran escala. El entrenamiento separa las tareas STEM, de programación y de agentes en dominios y después fusiona los modelos especializados resultantes. Esto explica por qué el razonamiento general, la programación y la interacción con herramientas son centrales para la versión. Resulta útil definir el tipo exacto de problema y el resultado necesario en lugar de pedir una discusión amplia de un tema.
Infraestructura de entrenamiento DORA
El sistema DORA del fabricante coordina el trabajo asíncrono de aprendizaje por refuerzo mediante asignación elástica y una cadena de varias versiones. Su finalidad es un entrenamiento eficiente, muestras coherentes y reutilización del cálculo durante el entrenamiento. Esas propiedades pertenecen al proceso de entrenamiento del productor: no implican memoria persistente para una conversación de aplicación ni una capacidad concreta de ejecución para una petición del usuario.
Razonamiento formal y de agentes
El entrenamiento de razonamiento formal utiliza formalización de enunciados, síntesis iterativa de pruebas y filtrado por sintaxis y consistencia. La instrucción publicada de demostración de teoremas proporciona un problema junto a su enunciado formal y solicita una solución en Lean 4. Prepara las definiciones, los supuestos y el enunciado exacto del teorema; una salida ilustrativa es una prueba candidata con una explicación de las afirmaciones intermedias importantes. Un verificador formal sigue determinando si se acepta la prueba generada.
El entrenamiento de agentes desarrolla un uso adaptativo de las herramientas suministradas. El fabricante construye tareas que necesitan realmente ayuda de herramientas y entrena con secuencias de solución de uno y varios turnos. Proporciona al modelo el nombre de la herramienta, su finalidad y el esquema de entrada, y después devuelve el resultado real de la herramienta para el siguiente paso. Por ejemplo, una tarea de análisis de código puede pedir que inspeccione una función suministrada, seleccione una operación de diagnóstico y explique la observación. La ejecución de herramientas corresponde a la aplicación que lo integra.
Preparación de la conversación y la respuesta
Los ejemplos de chat nativo incluyen un marcador /think_on, instrucciones de sistema opcionales y los turnos anteriores antes de la nueva consulta del usuario. Los ejemplos matemáticos piden razonamiento paso a paso y colocan el resultado final en un recuadro reconocible. La plantilla formal añade el enunciado Lean 4. Los ejemplos nativos de herramientas emiten registros etiquetados que contienen un nombre de función y argumentos y permiten registros consecutivos para varias llamadas. Estas convenciones describen las plantillas del fabricante; una integración debe preservar su significado en lugar de tratarlas como texto ordinario de respuesta.
Diferencias entre ediciones y consideraciones de uso
La versión original y su edición de pesos FP8 tienen nombres separados. La guía de despliegue también describe predicción opcional de varios tokens, que depende de la configuración de inferencia. El fabricante señala que el rendimiento lingüístico puede variar y que no se han evaluado exhaustivamente todas las aplicaciones posteriores. Mantén un objetivo comprobable matemática o técnicamente, proporciona todas las condiciones e inspecciona el código o las pruebas generadas con el verificador adecuado. La identidad Thinking original sigue siendo independiente de Chat y de las ediciones Thinking posteriores con otros nombres; los límites numéricos de contexto o salida requieren la especificación de la versión elegida.
", "aboutText": "Presentación del modelo\n\nLongCat-Flash-Thinking es el gran modelo de lenguaje con razonamiento de Meituan. Su diseño de mezcla de expertos contiene 560 mil millones de parámetros totales y activa dinámicamente entre aproximadamente 18,6 y 31,3 mil millones, con una media de unos 27 mil millones, según el contexto de la tarea. El énfasis abarca matemáticas, lógica, programación, seguimiento de instrucciones, demostración automática de teoremas y uso de herramientas. Esta ficha describe la versión Thinking original, con instrucciones de texto y resultados de texto.\n\nAprendizaje por refuerzo paralelo por dominios\n\nSu desarrollo comienza con una etapa de arranque en frío de cadenas largas de pensamiento, seguida de aprendizaje por refuerzo a gran escala. El entrenamiento separa las tareas STEM, de programación y de agentes en dominios y después fusiona los modelos especializados resultantes. Esto explica por qué el razonamiento general, la programación y la interacción con herramientas son centrales para la versión. Resulta útil definir el tipo exacto de problema y el resultado necesario en lugar de pedir una discusión amplia de un tema.\n\nInfraestructura de entrenamiento DORA\n\nEl sistema DORA del fabricante coordina el trabajo asíncrono de aprendizaje por refuerzo mediante asignación elástica y una cadena de varias versiones. Su finalidad es un entrenamiento eficiente, muestras coherentes y reutilización del cálculo durante el entrenamiento. Esas propiedades pertenecen al proceso de entrenamiento del productor: no implican memoria persistente para una conversación de aplicación ni una capacidad concreta de ejecución para una petición del usuario.\n\nRazonamiento formal y de agentes\n\nEl entrenamiento de razonamiento formal utiliza formalización de enunciados, síntesis iterativa de pruebas y filtrado por sintaxis y consistencia. La instrucción publicada de demostración de teoremas proporciona un problema junto a su enunciado formal y solicita una solución en Lean 4. Prepara las definiciones, los supuestos y el enunciado exacto del teorema; una salida ilustrativa es una prueba candidata con una explicación de las afirmaciones intermedias importantes. Un verificador formal sigue determinando si se acepta la prueba generada.\n\nEl entrenamiento de agentes desarrolla un uso adaptativo de las herramientas suministradas. El fabricante construye tareas que necesitan realmente ayuda de herramientas y entrena con secuencias de solución de uno y varios turnos. Proporciona al modelo el nombre de la herramienta, su finalidad y el esquema de entrada, y después devuelve el resultado real de la herramienta para el siguiente paso. Por ejemplo, una tarea de análisis de código puede pedir que inspeccione una función suministrada, seleccione una operación de diagnóstico y explique la observación. La ejecución de herramientas corresponde a la aplicación que lo integra.\n\nPreparación de la conversación y la respuesta\n\nLos ejemplos de chat nativo incluyen un marcador /think_on, instrucciones de sistema opcionales y los turnos anteriores antes de la nueva consulta del usuario. Los ejemplos matemáticos piden razonamiento paso a paso y colocan el resultado final en un recuadro reconocible. La plantilla formal añade el enunciado Lean 4. Los ejemplos nativos de herramientas emiten registros etiquetados que contienen un nombre de función y argumentos y permiten registros consecutivos para varias llamadas. Estas convenciones describen las plantillas del fabricante; una integración debe preservar su significado en lugar de tratarlas como texto ordinario de respuesta.\n\nDiferencias entre ediciones y consideraciones de uso\n\nLa versión original y su edición de pesos FP8 tienen nombres separados. La guía de despliegue también describe predicción opcional de varios tokens, que depende de la configuración de inferencia. El fabricante señala que el rendimiento lingüístico puede variar y que no se han evaluado exhaustivamente todas las aplicaciones posteriores. Mantén un objetivo comprobable matemática o técnicamente, proporciona todas las condiciones e inspecciona el código o las pruebas generadas con el verificador adecuado. La identidad Thinking original sigue siendo independiente de Chat y de las ediciones Thinking posteriores con otros nombres; los límites numéricos de contexto o salida requieren la especificación de la versión elegida.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es el modelo de razonamiento de Meituan para matemáticas, programación, uso de herramientas y demostración formal de teoremas. Su edición Thinking original combina razonamiento general con entrenamiento específico formal y de agentes, y produce texto y soluciones candidatas a condiciones explícitas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Presentación del modelo
LongCat-Flash-Thinking es el gran modelo de lenguaje con razonamiento de Meituan. Su diseño de mezcla de expertos contiene 560 mil millones de parámetros totales y activa dinámicamente entre aproximadamente 18,6 y 31,3 mil millones, con una media de unos 27 mil millones, según el contexto de la tarea. El énfasis abarca matemáticas, lógica, programación, seguimiento de instrucciones, demostración automática de teoremas y uso de herramientas. Esta ficha describe la versión Thinking original, con instrucciones de texto y resultados de texto.
Aprendizaje por refuerzo paralelo por dominios
Su desarrollo comienza con una etapa de arranque en frío de cadenas largas de pensamiento, seguida de aprendizaje por refuerzo a gran escala. El entrenamiento separa las tareas STEM, de programación y de agentes en dominios y después fusiona los modelos especializados resultantes. Esto explica por qué el razonamiento general, la programación y la interacción con herramientas son centrales para la versión. Resulta útil definir el tipo exacto de problema y el resultado necesario en lugar de pedir una discusión amplia de un tema.
Infraestructura de entrenamiento DORA
El sistema DORA del fabricante coordina el trabajo asíncrono de aprendizaje por refuerzo mediante asignación elástica y una cadena de varias versiones. Su finalidad es un entrenamiento eficiente, muestras coherentes y reutilización del cálculo durante el entrenamiento. Esas propiedades pertenecen al proceso de entrenamiento del productor: no implican memoria persistente para una conversación de aplicación ni una capacidad concreta de ejecución para una petición del usuario.
Razonamiento formal y de agentes
El entrenamiento de razonamiento formal utiliza formalización de enunciados, síntesis iterativa de pruebas y filtrado por sintaxis y consistencia. La instrucción publicada de demostración de teoremas proporciona un problema junto a su enunciado formal y solicita una solución en Lean 4. Prepara las definiciones, los supuestos y el enunciado exacto del teorema; una salida ilustrativa es una prueba candidata con una explicación de las afirmaciones intermedias importantes. Un verificador formal sigue determinando si se acepta la prueba generada.
El entrenamiento de agentes desarrolla un uso adaptativo de las herramientas suministradas. El fabricante construye tareas que necesitan realmente ayuda de herramientas y entrena con secuencias de solución de uno y varios turnos. Proporciona al modelo el nombre de la herramienta, su finalidad y el esquema de entrada, y después devuelve el resultado real de la herramienta para el siguiente paso. Por ejemplo, una tarea de análisis de código puede pedir que inspeccione una función suministrada, seleccione una operación de diagnóstico y explique la observación. La ejecución de herramientas corresponde a la aplicación que lo integra.
Preparación de la conversación y la respuesta
Los ejemplos de chat nativo incluyen un marcador /think_on, instrucciones de sistema opcionales y los turnos anteriores antes de la nueva consulta del usuario. Los ejemplos matemáticos piden razonamiento paso a paso y colocan el resultado final en un recuadro reconocible. La plantilla formal añade el enunciado Lean 4. Los ejemplos nativos de herramientas emiten registros etiquetados que contienen un nombre de función y argumentos y permiten registros consecutivos para varias llamadas. Estas convenciones describen las plantillas del fabricante; una integración debe preservar su significado en lugar de tratarlas como texto ordinario de respuesta.
Diferencias entre ediciones y consideraciones de uso
La versión original y su edición de pesos FP8 tienen nombres separados. La guía de despliegue también describe predicción opcional de varios tokens, que depende de la configuración de inferencia. El fabricante señala que el rendimiento lingüístico puede variar y que no se han evaluado exhaustivamente todas las aplicaciones posteriores. Mantén un objetivo comprobable matemática o técnicamente, proporciona todas las condiciones e inspecciona el código o las pruebas generadas con el verificador adecuado. La identidad Thinking original sigue siendo independiente de Chat y de las ediciones Thinking posteriores con otros nombres; los límites numéricos de contexto o salida requieren la especificación de la versión elegida.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites LongCat-Flash-Thinking-ultra | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.002858 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Usa las rutas de método indicadas arriba.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking es el modelo de razonamiento de Meituan para matemáticas, programación, uso de herramientas y demostración formal de teoremas. Su edición Thinking original combina razonamiento general con entrenamiento específico formal y de agentes, y produce texto y soluciones candidatas a condiciones explícitas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Presentación del modelo
LongCat-Flash-Thinking es el gran modelo de lenguaje con razonamiento de Meituan. Su diseño de mezcla de expertos contiene 560 mil millones de parámetros totales y activa dinámicamente entre aproximadamente 18,6 y 31,3 mil millones, con una media de unos 27 mil millones, según el contexto de la tarea. El énfasis abarca matemáticas, lógica, programación, seguimiento de instrucciones, demostración automática de teoremas y uso de herramientas. Esta ficha describe la versión Thinking original, con instrucciones de texto y resultados de texto.
Aprendizaje por refuerzo paralelo por dominios
Su desarrollo comienza con una etapa de arranque en frío de cadenas largas de pensamiento, seguida de aprendizaje por refuerzo a gran escala. El entrenamiento separa las tareas STEM, de programación y de agentes en dominios y después fusiona los modelos especializados resultantes. Esto explica por qué el razonamiento general, la programación y la interacción con herramientas son centrales para la versión. Resulta útil definir el tipo exacto de problema y el resultado necesario en lugar de pedir una discusión amplia de un tema.
Infraestructura de entrenamiento DORA
El sistema DORA del fabricante coordina el trabajo asíncrono de aprendizaje por refuerzo mediante asignación elástica y una cadena de varias versiones. Su finalidad es un entrenamiento eficiente, muestras coherentes y reutilización del cálculo durante el entrenamiento. Esas propiedades pertenecen al proceso de entrenamiento del productor: no implican memoria persistente para una conversación de aplicación ni una capacidad concreta de ejecución para una petición del usuario.
Razonamiento formal y de agentes
El entrenamiento de razonamiento formal utiliza formalización de enunciados, síntesis iterativa de pruebas y filtrado por sintaxis y consistencia. La instrucción publicada de demostración de teoremas proporciona un problema junto a su enunciado formal y solicita una solución en Lean 4. Prepara las definiciones, los supuestos y el enunciado exacto del teorema; una salida ilustrativa es una prueba candidata con una explicación de las afirmaciones intermedias importantes. Un verificador formal sigue determinando si se acepta la prueba generada.
El entrenamiento de agentes desarrolla un uso adaptativo de las herramientas suministradas. El fabricante construye tareas que necesitan realmente ayuda de herramientas y entrena con secuencias de solución de uno y varios turnos. Proporciona al modelo el nombre de la herramienta, su finalidad y el esquema de entrada, y después devuelve el resultado real de la herramienta para el siguiente paso. Por ejemplo, una tarea de análisis de código puede pedir que inspeccione una función suministrada, seleccione una operación de diagnóstico y explique la observación. La ejecución de herramientas corresponde a la aplicación que lo integra.
Preparación de la conversación y la respuesta
Los ejemplos de chat nativo incluyen un marcador /think_on, instrucciones de sistema opcionales y los turnos anteriores antes de la nueva consulta del usuario. Los ejemplos matemáticos piden razonamiento paso a paso y colocan el resultado final en un recuadro reconocible. La plantilla formal añade el enunciado Lean 4. Los ejemplos nativos de herramientas emiten registros etiquetados que contienen un nombre de función y argumentos y permiten registros consecutivos para varias llamadas. Estas convenciones describen las plantillas del fabricante; una integración debe preservar su significado en lugar de tratarlas como texto ordinario de respuesta.
Diferencias entre ediciones y consideraciones de uso
La versión original y su edición de pesos FP8 tienen nombres separados. La guía de despliegue también describe predicción opcional de varios tokens, que depende de la configuración de inferencia. El fabricante señala que el rendimiento lingüístico puede variar y que no se han evaluado exhaustivamente todas las aplicaciones posteriores. Mantén un objetivo comprobable matemática o técnicamente, proporciona todas las condiciones e inspecciona el código o las pruebas generadas con el verificador adecuado. La identidad Thinking original sigue siendo independiente de Chat y de las ediciones Thinking posteriores con otros nombres; los límites numéricos de contexto o salida requieren la especificación de la versión elegida.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites LongCat-Flash-Thinking-ultra | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.002858 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.