Mallin esittely
LongCat-Flash-Thinking on Meituanin suuri päättelykielimalli. Sen asiantuntijasekoitusrakenne sisältää yhteensä 560 miljardia parametria ja aktivoi dynaamisesti noin 18,6–31,3 miljardia, keskimäärin noin 27 miljardia, tehtäväkontekstin mukaan. Painotus kattaa matematiikan, logiikan, ohjelmoinnin, ohjeiden noudattamisen, automaattisen lauseiden todistamisen ja työkalukäytön. Tämä kortti kuvaa alkuperäistä Thinking-julkaisua tekstiohjeineen ja tekstituloksineen.
Alueittain rinnakkainen vahvistusoppiminen
Sen kehitys alkaa pitkien ajatusketjujen kylmäkäynnistysvaiheesta, jota seuraa laajamittainen vahvistusoppiminen. Koulutus erottaa STEM-, ohjelmointi- ja agenttitehtävät alueiksi ja yhdistää sitten syntyneet erikoismallit. Tämä selittää, miksi yleinen päättely, ohjelmointi ja työkaluvuorovaikutus ovat kaikki julkaisulle keskeisiä. Kannattaa määrittää ongelman tarkka laji ja vaadittu tulos aiheen laajan keskustelun pyytämisen sijaan.
DORA-koulutusinfrastruktuuri
Valmistajan DORA-järjestelmä koordinoi asynkronista vahvistusoppimistyötä joustavalla resurssien jaolla ja moniversioputkella. Sen tarkoitus on tehokas koulutus, yhdenmukaiset näytteet ja laskennan uudelleenkäyttö koulutuksessa. Nämä ominaisuudet kuuluvat valmistajan koulutusprosessiin: ne eivät tarkoita pysyvää muistia sovelluskeskustelulle tai tiettyä ajonaikaista kapasiteettia käyttäjäpyynnölle.
Formaali ja agenttipäättely
Formaalin päättelyn koulutus käyttää väitteiden formalisoimista, toistuvaa todistussynteesiä sekä syntaksin ja johdonmukaisuuden suodatusta. Julkaistu lauseentodistuskehote toimittaa ongelman yhdessä sen formaalin väitteen kanssa ja pyytää ratkaisua Lean 4:llä. Valmistele määritelmät, oletukset ja lauseen tarkka väite; esimerkkituloste on todistusehdokas tärkeiden väliväitteiden selityksineen. Formaali tarkistin ratkaisee edelleen, hyväksytäänkö generoitu todistus.
Agenttikoulutus kehittää annettujen työkalujen mukautuvaa käyttöä. Valmistaja rakentaa tehtäviä, jotka todella edellyttävät työkaluapua, ja kouluttaa yksi- ja monivuoroisilla ratkaisusarjoilla. Anna mallille työkalun nimi, tarkoitus ja syöteskeema, ja palauta sitten todellinen työkalutulos seuraavaa vaihetta varten. Koodianalyysitehtävä voi esimerkiksi pyytää sitä tutkimaan annetun funktion, valitsemaan diagnostisen operaation ja selittämään havainnon. Työkalujen suorittaminen kuuluu ympäröivälle sovellukselle.
Keskustelun ja vastauksen valmistelu
Natiivit keskusteluesimerkit sisältävät /think_on-merkinnän, valinnaiset järjestelmäohjeet ja aiemmat vuorot ennen uutta käyttäjäkyselyä. Matematiikkaesimerkit pyytävät vaiheittaista päättelyä ja sijoittavat lopputuloksen tunnistettavaan kehystettyyn muotoon. Formaali mallipohja lisää Lean 4 -väitteen. Natiivit työkaluesimerkit tuottavat tunnistein merkittyjä tietueita, joissa on funktion nimi ja argumentit, ja sallivat peräkkäiset tietueet useille kutsuille. Nämä käytännöt kuvaavat valmistajan mallipohjia; integraation tulee säilyttää niiden merkitys sen sijaan, että käsittelisi niitä tavallisena vastaustekstinä.
Versioerot ja käytön näkökohdat
Alkuperäisellä julkaisulla ja sen FP8-painoversiolla on erilliset nimet. Käyttöönotto-opas kuvaa myös valinnaista usean tokenin ennustamista, joka riippuu inferenssikokoonpanosta. Valmistaja toteaa kielisuorituskyvyn voivan vaihdella ja ettei jokaista myöhempää sovellusta ole kattavasti arvioitu. Pidä tavoite matemaattisesti tai teknisesti tarkistettavana, toimita täydelliset ehdot ja tarkasta generoitu koodi tai todistukset asianmukaisella tarkistimella. Alkuperäinen Thinking-identiteetti pysyy erillisenä Chatista ja myöhemmistä nimetyistä Thinking-versioista; numeeriset konteksti- tai tulosterajat edellyttävät valitun julkaisun määrittelyä.
", "aboutText": "Mallin esittely\n\nLongCat-Flash-Thinking on Meituanin suuri päättelykielimalli. Sen asiantuntijasekoitusrakenne sisältää yhteensä 560 miljardia parametria ja aktivoi dynaamisesti noin 18,6–31,3 miljardia, keskimäärin noin 27 miljardia, tehtäväkontekstin mukaan. Painotus kattaa matematiikan, logiikan, ohjelmoinnin, ohjeiden noudattamisen, automaattisen lauseiden todistamisen ja työkalukäytön. Tämä kortti kuvaa alkuperäistä Thinking-julkaisua tekstiohjeineen ja tekstituloksineen.\n\nAlueittain rinnakkainen vahvistusoppiminen\n\nSen kehitys alkaa pitkien ajatusketjujen kylmäkäynnistysvaiheesta, jota seuraa laajamittainen vahvistusoppiminen. Koulutus erottaa STEM-, ohjelmointi- ja agenttitehtävät alueiksi ja yhdistää sitten syntyneet erikoismallit. Tämä selittää, miksi yleinen päättely, ohjelmointi ja työkaluvuorovaikutus ovat kaikki julkaisulle keskeisiä. Kannattaa määrittää ongelman tarkka laji ja vaadittu tulos aiheen laajan keskustelun pyytämisen sijaan.\n\nDORA-koulutusinfrastruktuuri\n\nValmistajan DORA-järjestelmä koordinoi asynkronista vahvistusoppimistyötä joustavalla resurssien jaolla ja moniversioputkella. Sen tarkoitus on tehokas koulutus, yhdenmukaiset näytteet ja laskennan uudelleenkäyttö koulutuksessa. Nämä ominaisuudet kuuluvat valmistajan koulutusprosessiin: ne eivät tarkoita pysyvää muistia sovelluskeskustelulle tai tiettyä ajonaikaista kapasiteettia käyttäjäpyynnölle.\n\nFormaali ja agenttipäättely\n\nFormaalin päättelyn koulutus käyttää väitteiden formalisoimista, toistuvaa todistussynteesiä sekä syntaksin ja johdonmukaisuuden suodatusta. Julkaistu lauseentodistuskehote toimittaa ongelman yhdessä sen formaalin väitteen kanssa ja pyytää ratkaisua Lean 4:llä. Valmistele määritelmät, oletukset ja lauseen tarkka väite; esimerkkituloste on todistusehdokas tärkeiden väliväitteiden selityksineen. Formaali tarkistin ratkaisee edelleen, hyväksytäänkö generoitu todistus.\n\nAgenttikoulutus kehittää annettujen työkalujen mukautuvaa käyttöä. Valmistaja rakentaa tehtäviä, jotka todella edellyttävät työkaluapua, ja kouluttaa yksi- ja monivuoroisilla ratkaisusarjoilla. Anna mallille työkalun nimi, tarkoitus ja syöteskeema, ja palauta sitten todellinen työkalutulos seuraavaa vaihetta varten. Koodianalyysitehtävä voi esimerkiksi pyytää sitä tutkimaan annetun funktion, valitsemaan diagnostisen operaation ja selittämään havainnon. Työkalujen suorittaminen kuuluu ympäröivälle sovellukselle.\n\nKeskustelun ja vastauksen valmistelu\n\nNatiivit keskusteluesimerkit sisältävät /think_on-merkinnän, valinnaiset järjestelmäohjeet ja aiemmat vuorot ennen uutta käyttäjäkyselyä. Matematiikkaesimerkit pyytävät vaiheittaista päättelyä ja sijoittavat lopputuloksen tunnistettavaan kehystettyyn muotoon. Formaali mallipohja lisää Lean 4 -väitteen. Natiivit työkaluesimerkit tuottavat tunnistein merkittyjä tietueita, joissa on funktion nimi ja argumentit, ja sallivat peräkkäiset tietueet useille kutsuille. Nämä käytännöt kuvaavat valmistajan mallipohjia; integraation tulee säilyttää niiden merkitys sen sijaan, että käsittelisi niitä tavallisena vastaustekstinä.\n\nVersioerot ja käytön näkökohdat\n\nAlkuperäisellä julkaisulla ja sen FP8-painoversiolla on erilliset nimet. Käyttöönotto-opas kuvaa myös valinnaista usean tokenin ennustamista, joka riippuu inferenssikokoonpanosta. Valmistaja toteaa kielisuorituskyvyn voivan vaihdella ja ettei jokaista myöhempää sovellusta ole kattavasti arvioitu. Pidä tavoite matemaattisesti tai teknisesti tarkistettavana, toimita täydelliset ehdot ja tarkasta generoitu koodi tai todistukset asianmukaisella tarkistimella. Alkuperäinen Thinking-identiteetti pysyy erillisenä Chatista ja myöhemmistä nimetyistä Thinking-versioista; numeeriset konteksti- tai tulosterajat edellyttävät valitun julkaisun määrittelyä.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekninen esimerkki englanniksi
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 on Meituanin päättelymalli matematiikkaan, ohjelmointiin, työkalukäyttöön ja formaaliin lauseiden todistamiseen. Sen alkuperäinen Thinking-versio yhdistää yleisen päättelyn erikoistuneeseen formaaliin ja agenttikoulutukseen tuottaen tekstiä ja ratkaisuehdokkaita nimenomaisiin ehtoihin.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Mallin esittely
LongCat-Flash-Thinking on Meituanin suuri päättelykielimalli. Sen asiantuntijasekoitusrakenne sisältää yhteensä 560 miljardia parametria ja aktivoi dynaamisesti noin 18,6–31,3 miljardia, keskimäärin noin 27 miljardia, tehtäväkontekstin mukaan. Painotus kattaa matematiikan, logiikan, ohjelmoinnin, ohjeiden noudattamisen, automaattisen lauseiden todistamisen ja työkalukäytön. Tämä kortti kuvaa alkuperäistä Thinking-julkaisua tekstiohjeineen ja tekstituloksineen.
Alueittain rinnakkainen vahvistusoppiminen
Sen kehitys alkaa pitkien ajatusketjujen kylmäkäynnistysvaiheesta, jota seuraa laajamittainen vahvistusoppiminen. Koulutus erottaa STEM-, ohjelmointi- ja agenttitehtävät alueiksi ja yhdistää sitten syntyneet erikoismallit. Tämä selittää, miksi yleinen päättely, ohjelmointi ja työkaluvuorovaikutus ovat kaikki julkaisulle keskeisiä. Kannattaa määrittää ongelman tarkka laji ja vaadittu tulos aiheen laajan keskustelun pyytämisen sijaan.
DORA-koulutusinfrastruktuuri
Valmistajan DORA-järjestelmä koordinoi asynkronista vahvistusoppimistyötä joustavalla resurssien jaolla ja moniversioputkella. Sen tarkoitus on tehokas koulutus, yhdenmukaiset näytteet ja laskennan uudelleenkäyttö koulutuksessa. Nämä ominaisuudet kuuluvat valmistajan koulutusprosessiin: ne eivät tarkoita pysyvää muistia sovelluskeskustelulle tai tiettyä ajonaikaista kapasiteettia käyttäjäpyynnölle.
Formaali ja agenttipäättely
Formaalin päättelyn koulutus käyttää väitteiden formalisoimista, toistuvaa todistussynteesiä sekä syntaksin ja johdonmukaisuuden suodatusta. Julkaistu lauseentodistuskehote toimittaa ongelman yhdessä sen formaalin väitteen kanssa ja pyytää ratkaisua Lean 4:llä. Valmistele määritelmät, oletukset ja lauseen tarkka väite; esimerkkituloste on todistusehdokas tärkeiden väliväitteiden selityksineen. Formaali tarkistin ratkaisee edelleen, hyväksytäänkö generoitu todistus.
Agenttikoulutus kehittää annettujen työkalujen mukautuvaa käyttöä. Valmistaja rakentaa tehtäviä, jotka todella edellyttävät työkaluapua, ja kouluttaa yksi- ja monivuoroisilla ratkaisusarjoilla. Anna mallille työkalun nimi, tarkoitus ja syöteskeema, ja palauta sitten todellinen työkalutulos seuraavaa vaihetta varten. Koodianalyysitehtävä voi esimerkiksi pyytää sitä tutkimaan annetun funktion, valitsemaan diagnostisen operaation ja selittämään havainnon. Työkalujen suorittaminen kuuluu ympäröivälle sovellukselle.
Keskustelun ja vastauksen valmistelu
Natiivit keskusteluesimerkit sisältävät /think_on-merkinnän, valinnaiset järjestelmäohjeet ja aiemmat vuorot ennen uutta käyttäjäkyselyä. Matematiikkaesimerkit pyytävät vaiheittaista päättelyä ja sijoittavat lopputuloksen tunnistettavaan kehystettyyn muotoon. Formaali mallipohja lisää Lean 4 -väitteen. Natiivit työkaluesimerkit tuottavat tunnistein merkittyjä tietueita, joissa on funktion nimi ja argumentit, ja sallivat peräkkäiset tietueet useille kutsuille. Nämä käytännöt kuvaavat valmistajan mallipohjia; integraation tulee säilyttää niiden merkitys sen sijaan, että käsittelisi niitä tavallisena vastaustekstinä.
Versioerot ja käytön näkökohdat
Alkuperäisellä julkaisulla ja sen FP8-painoversiolla on erilliset nimet. Käyttöönotto-opas kuvaa myös valinnaista usean tokenin ennustamista, joka riippuu inferenssikokoonpanosta. Valmistaja toteaa kielisuorituskyvyn voivan vaihdella ja ettei jokaista myöhempää sovellusta ole kattavasti arvioitu. Pidä tavoite matemaattisesti tai teknisesti tarkistettavana, toimita täydelliset ehdot ja tarkasta generoitu koodi tai todistukset asianmukaisella tarkistimella. Alkuperäinen Thinking-identiteetti pysyy erillisenä Chatista ja myöhemmistä nimetyistä Thinking-versioista; numeeriset konteksti- tai tulosterajat edellyttävät valitun julkaisun määrittelyä.
POST /v1/chat/completionstexttext| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat LongCat-Flash-Thinking-ultra | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat Kohteiden vähimmäismäärä: 1 | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat Esimerkit: system, user, assistant, tool, function Ehdot: Nämä roolit esitetään nimenomaisesti lähdekoodin yhteensopivuustyypeissä; mallin täsmällinen roolijoukko pysyy mallikohtaisena. Riippuu mallista | Oletus— |
Kenttämessages[].content | Tyyppistring|content_part[]|null | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_calls | Tyyppitool_call[] | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_call_id | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: role=tool; käytä todella palautettua ID:tä | Oletus— |
Kenttämessages[].name | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].reasoning_content | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: Palauta todella saatu päättely takaisin mallille, kun kyseinen malli käyttää sitä | Oletus— |
Kenttämessages[].reasoning_details | Tyyppiobject|array | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttämax_completion_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Kenttästream_options.include_usage | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätemperature | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätop_p | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttästop | Tyyppistring|string[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools | Tyyppifunction_tool[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools[].type | Tyyppistring | VaatimusValinnainen | Arvot & rajat function Riippuu mallista | Oletus— |
Kenttätools[].function.name | Tyyppistring | VaatimusPakollinen | Arvot & rajat Sovelletaan, kun: funktiotyökalu annettu | Oletus— |
Kenttätools[].function.description | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätools[].function.parameters | TyyppiJSON_schema | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätool_choice | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäparallel_tool_calls | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäresponse_format | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning_effort | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäservice_tier | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäinstructions | Tyyppistring | VaatimusValinnainen | Arvot & rajat Yhteensopivuuskenttä | Oletus— |
Kenttäfunctions | Tyyppifunction[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäfunction_call | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäprompt_cache_options | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämodalities | Tyyppistring[] | VaatimusValinnainen | Arvot & rajat text | Oletus— |
Kenttäprovider | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Ehdot: provider.options hylätään tällä Ultran tekstireitillä | Oletus— |
Kenttäcache_control.ttl | Tyyppistring | VaatimusValinnainen | Arvot & rajat Ehdot: 1h hylätään varsinaisissa kehotevälimuistin kohdissa | Oletus— |
Teksti · UTF8-teksti
messages[].content
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages |
Parametrimaterial_types | Sopimustext |
Parametrimessages | Sopimusviestitaulukko role/content-rakenteella |
Parametrifile_material | Sopimusvarsinainen UTF-8-asiakirja lisätään sellaisenaan tekstinä; tiedoston ID:tä ei päätellä |
Parametrioptional_controls | Sopimusstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametricontrol_scope | Sopimusmallikohtainen; käyttäjän funktiotyökalut eroavat palvelun isännöimistä työkaluista |
Parametrioutput_modalities | Sopimustext |
Parametrihosted_operations | Sopimusfalse |
Parametrimultimodal_input_binding | Sopimusnull |
Elinkaari: synchronous_or_streamed
Lähetä mallin täsmällinen ID yhdessä messages-kentän kanssa.
Kontekstin pituus ei ole tuloksen yläraja.
Tekstitiedosto voi antaa tekstiä sellaisenaan; kuva-, ääni- ja tiedosto-objektisyötteet tarvitsevat täsmällisen sidonnan.
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000286 / 1K tokenia Tuloste · Tulostokenit $0.002858 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä jokainen vastausvaihtoehto sisältöineen, työkalukutsuineen ja päättelyineen. Kokoa SSE:ssä muutokset vastausvaihtoehdon ja työkalun indeksin mukaan ja säilytä lopullinen päättymissyy sekä käyttötiedot.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttächoices[].index | Tyyppiinteger |
Kenttächoices[].message.content | Tyyppistring|null |
Kenttächoices[].message.tool_calls | Tyyppitool_call[] |
Kenttächoices[].message.reasoning_content | Tyyppistring |
Kenttächoices[].message.reasoning_details | Tyyppiobject|array |
Kenttächoices[].finish_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Käytä yllä näytettyjä menetelmäpolkuja.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking on Meituanin päättelymalli matematiikkaan, ohjelmointiin, työkalukäyttöön ja formaaliin lauseiden todistamiseen. Sen alkuperäinen Thinking-versio yhdistää yleisen päättelyn erikoistuneeseen formaaliin ja agenttikoulutukseen tuottaen tekstiä ja ratkaisuehdokkaita nimenomaisiin ehtoihin.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Mallin esittely
LongCat-Flash-Thinking on Meituanin suuri päättelykielimalli. Sen asiantuntijasekoitusrakenne sisältää yhteensä 560 miljardia parametria ja aktivoi dynaamisesti noin 18,6–31,3 miljardia, keskimäärin noin 27 miljardia, tehtäväkontekstin mukaan. Painotus kattaa matematiikan, logiikan, ohjelmoinnin, ohjeiden noudattamisen, automaattisen lauseiden todistamisen ja työkalukäytön. Tämä kortti kuvaa alkuperäistä Thinking-julkaisua tekstiohjeineen ja tekstituloksineen.
Alueittain rinnakkainen vahvistusoppiminen
Sen kehitys alkaa pitkien ajatusketjujen kylmäkäynnistysvaiheesta, jota seuraa laajamittainen vahvistusoppiminen. Koulutus erottaa STEM-, ohjelmointi- ja agenttitehtävät alueiksi ja yhdistää sitten syntyneet erikoismallit. Tämä selittää, miksi yleinen päättely, ohjelmointi ja työkaluvuorovaikutus ovat kaikki julkaisulle keskeisiä. Kannattaa määrittää ongelman tarkka laji ja vaadittu tulos aiheen laajan keskustelun pyytämisen sijaan.
DORA-koulutusinfrastruktuuri
Valmistajan DORA-järjestelmä koordinoi asynkronista vahvistusoppimistyötä joustavalla resurssien jaolla ja moniversioputkella. Sen tarkoitus on tehokas koulutus, yhdenmukaiset näytteet ja laskennan uudelleenkäyttö koulutuksessa. Nämä ominaisuudet kuuluvat valmistajan koulutusprosessiin: ne eivät tarkoita pysyvää muistia sovelluskeskustelulle tai tiettyä ajonaikaista kapasiteettia käyttäjäpyynnölle.
Formaali ja agenttipäättely
Formaalin päättelyn koulutus käyttää väitteiden formalisoimista, toistuvaa todistussynteesiä sekä syntaksin ja johdonmukaisuuden suodatusta. Julkaistu lauseentodistuskehote toimittaa ongelman yhdessä sen formaalin väitteen kanssa ja pyytää ratkaisua Lean 4:llä. Valmistele määritelmät, oletukset ja lauseen tarkka väite; esimerkkituloste on todistusehdokas tärkeiden väliväitteiden selityksineen. Formaali tarkistin ratkaisee edelleen, hyväksytäänkö generoitu todistus.
Agenttikoulutus kehittää annettujen työkalujen mukautuvaa käyttöä. Valmistaja rakentaa tehtäviä, jotka todella edellyttävät työkaluapua, ja kouluttaa yksi- ja monivuoroisilla ratkaisusarjoilla. Anna mallille työkalun nimi, tarkoitus ja syöteskeema, ja palauta sitten todellinen työkalutulos seuraavaa vaihetta varten. Koodianalyysitehtävä voi esimerkiksi pyytää sitä tutkimaan annetun funktion, valitsemaan diagnostisen operaation ja selittämään havainnon. Työkalujen suorittaminen kuuluu ympäröivälle sovellukselle.
Keskustelun ja vastauksen valmistelu
Natiivit keskusteluesimerkit sisältävät /think_on-merkinnän, valinnaiset järjestelmäohjeet ja aiemmat vuorot ennen uutta käyttäjäkyselyä. Matematiikkaesimerkit pyytävät vaiheittaista päättelyä ja sijoittavat lopputuloksen tunnistettavaan kehystettyyn muotoon. Formaali mallipohja lisää Lean 4 -väitteen. Natiivit työkaluesimerkit tuottavat tunnistein merkittyjä tietueita, joissa on funktion nimi ja argumentit, ja sallivat peräkkäiset tietueet useille kutsuille. Nämä käytännöt kuvaavat valmistajan mallipohjia; integraation tulee säilyttää niiden merkitys sen sijaan, että käsittelisi niitä tavallisena vastaustekstinä.
Versioerot ja käytön näkökohdat
Alkuperäisellä julkaisulla ja sen FP8-painoversiolla on erilliset nimet. Käyttöönotto-opas kuvaa myös valinnaista usean tokenin ennustamista, joka riippuu inferenssikokoonpanosta. Valmistaja toteaa kielisuorituskyvyn voivan vaihdella ja ettei jokaista myöhempää sovellusta ole kattavasti arvioitu. Pidä tavoite matemaattisesti tai teknisesti tarkistettavana, toimita täydelliset ehdot ja tarkasta generoitu koodi tai todistukset asianmukaisella tarkistimella. Alkuperäinen Thinking-identiteetti pysyy erillisenä Chatista ja myöhemmistä nimetyistä Thinking-versioista; numeeriset konteksti- tai tulosterajat edellyttävät valitun julkaisun määrittelyä.
POST /v1/messagestextjson, sse| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat LongCat-Flash-Thinking-ultra | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat user, assistant | Oletus— |
Kenttämessages[].content | Tyyppistring | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Teksti · UTF-8-teksti
messages[].content-merkkijono
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages, max_tokens |
Parametrioptional_controls | Sopimusstream |
Parametrimaterial_types | Sopimustext |
Parametritext_file_material | SopimusLue varsinainen UTF-8-asiakirja ja sijoita sen teksti ilmoitettuun syöte- tai viestisisällön merkkijonoon. |
Elinkaari: synchronous_or_streamed
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000286 / 1K tokenia Tuloste · Tulostokenit $0.002858 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä kaikki sisältölohkot, päättelyallekirjoitukset ja todelliset työkalukäytön ID:t. Kokoa kaikki SSE-lohkomuutokset; ensimmäinen tekstilohko ei ole koko tulos.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttäid | Tyyppistring |
Kenttämodel | Tyyppistring |
Kenttäcontent[] | Tyyppitext|thinking|tool_use|other content block |
Kenttästop_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Käytä yllä näytettyjä menetelmäpolkuja.
Tekninen esimerkki englanniksi
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.