Meituan: LongCat 2.0

LongCat 2.0 est un modèle de langage à mélange d’experts parcimonieux de Meituan, avec 48 milliards de paramètres actifs sur un total de 1,6 billion. Son rôle publié comprend le code, les modifications à l’échelle d’un dépôt, la résolution de problèmes à long terme et les flux de travail d’agents. Sélectionnez meituan/longcat-2.0 avec POST /v1/chat/completions en utilisant model et un tableau messages. Ce profil accepte du texte et produit du texte ou des demandes d’appels de fonctions dans la conversation.

Pour une modification de dépôt, fournissez les fichiers ou extraits pertinents, le comportement à changer et les contraintes que l’implémentation doit préserver. Demandez un résultat concret, comme un correctif, une séquence de modifications proposée ou une explication de la propagation d’une défaillance dans les modules fournis. Pour une analyse documentaire, fournissez le texte source réel et identifiez les questions auxquelles la réponse doit répondre. Étiquetez les différents passages sources pour que la réponse puisse relier ses conclusions aux éléments fournis.

La fenêtre de contexte publiée est de 1 048 756 tokens et le profil du modèle indique jusqu’à 262 144 tokens de complétion. Prévoyez les sources, l’historique de conversation, les résultats d’outils et la réponse demandée dans le budget de contexte global. Définissez max_tokens pour le volume de sortie demandé. Un grand contexte peut contenir beaucoup de texte, mais la tâche bénéficie toujours de limites de fichiers explicites, de l’objectif actuel et d’une description de ce que doit contenir une réponse utile.

Les paramètres pris en charge comprennent tools et tool_choice pour les appels de fonctions. Une application peut déclarer des fonctions pour lire un fichier sélectionné, exécuter une vérification approuvée ou obtenir un enregistrement, puis fournir les données résultantes dans les tours suivants de la conversation. Le modèle peut demander un appel de fonction ; votre application valide ses arguments, effectue l’action permise et renvoie le résultat. Gardez la requête, le résultat de l’outil et la réponse suivante ensemble lorsqu’une tâche comprend plusieurs étapes.

Les autres paramètres publiés comprennent temperature, top_p, top_k, min_p, stop, seed, frequency_penalty, presence_penalty et repetition_penalty. reasoning et include_reasoning figurent également dans la liste des paramètres pris en charge. Le profil du modèle ne prend pas en charge response_format : une instruction de produire du JSON reste donc une instruction de prompt. Analysez et validez tout texte structuré avant de le transmettre à du code, à une base de données ou à un autre flux de travail.

Utilisez une réponse Chat Completions complète lorsque l’étape suivante exige la réponse assemblée, ou du texte en flux lorsque l’application l’affiche au fur et à mesure de son arrivée. Lisez le contenu des messages et les éventuels appels d’outils dans les choix renvoyés, en conservant usage et les informations de réponse. Assemblez les deltas du flux avant de considérer que l’assemblage d’un correctif proposé ou d’une réponse structurée est terminé. Pour une modification de code, évaluez la proposition terminée à partir des exigences fournies et des vérifications réelles avant d’en appliquer le résultat.