LongCat Flash Chat adalah model percakapan non-thinking Meituan dalam keluarga LongCat Flash. Pembuat menjelaskan arsitektur mixture-of-experts dengan 560 miliar parameter total dan aktivasi dinamis 18,6–31,3 miliar parameter, dengan rata-rata sekitar 27 miliar per token. Pelatihannya mengembangkan penalaran teks, pemrograman, dan alur kerja agen, dengan konteks yang diperluas hingga 128K.
Berikan pertanyaan, materi sumber relevan, dan hasil yang diharapkan. Untuk penjelasan, tentukan syarat dan kesimpulan yang harus dibuktikan. Untuk tugas pemrograman, berikan sumber relevan dan perilaku yang diwajibkan. Mintalah artefak akhir yang dapat diperiksa terhadap masukan.
Pertahankan pengenal sumber dan syarat tugas penting dalam permintaan lanjutan. Koreksi atas satu fakta atau langkah harus tetap terlihat, bukan diam-diam mengubah masalah yang hendak diselesaikan jawaban.
Pembuat mendokumentasikan templat percakapan giliran pertama, prompt sistem, dan beberapa giliran. Pembuat juga menyediakan pola panggilan alat yang memuat nama fungsi dan argumen, dengan setiap panggilan dibungkus terpisah. Aplikasi yang mengelilinginya menafsirkan panggilan yang dipilih model, menjalankan fungsi, dan mengembalikan pengamatan.
Untuk tugas berbantuan alat, berikan tujuan yang jelas pada fungsi dan gunakan hasil nyatanya sebagai bukti bagi jawaban selanjutnya. Beberapa panggilan terpilih tetap merupakan operasi berbeda; penyelesaiannya dibuktikan melalui pengamatan aplikasi.
Desain komputasi dinamis pembuat mengalokasikan kapasitas aktif berbeda menurut konteks. Ini menjelaskan arsitektur model, bukan jaminan kecepatan respons atau alokasi konkurensi untuk permintaan individual.
Gunakan kontrol masukan dan pembangkitan antarmuka terpilih yang didokumentasikan, dengan materi relevan berada dalam konteks kerja. Bedakan identitas Chat dari edisi penalaran yang bernama terpisah atau varian LongCat lebih baru. Teks atau kode yang dikembalikan perlu dinilai melalui sumber nyata dan hasil eksekusi tugas.
", "aboutText": "LongCat Flash Chat adalah model percakapan non-thinking Meituan dalam keluarga LongCat Flash. Pembuat menjelaskan arsitektur mixture-of-experts dengan 560 miliar parameter total dan aktivasi dinamis 18,6–31,3 miliar parameter, dengan rata-rata sekitar 27 miliar per token. Pelatihannya mengembangkan penalaran teks, pemrograman, dan alur kerja agen, dengan konteks yang diperluas hingga 128K.\n\n### Siapkan tugas percakapan yang jelas\n\nBerikan pertanyaan, materi sumber relevan, dan hasil yang diharapkan. Untuk penjelasan, tentukan syarat dan kesimpulan yang harus dibuktikan. Untuk tugas pemrograman, berikan sumber relevan dan perilaku yang diwajibkan. Mintalah artefak akhir yang dapat diperiksa terhadap masukan.\n\nPertahankan pengenal sumber dan syarat tugas penting dalam permintaan lanjutan. Koreksi atas satu fakta atau langkah harus tetap terlihat, bukan diam-diam mengubah masalah yang hendak diselesaikan jawaban.\n\n### Gunakan pola percakapan dan alat pembuat\n\nPembuat mendokumentasikan templat percakapan giliran pertama, prompt sistem, dan beberapa giliran. Pembuat juga menyediakan pola panggilan alat yang memuat nama fungsi dan argumen, dengan setiap panggilan dibungkus terpisah. Aplikasi yang mengelilinginya menafsirkan panggilan yang dipilih model, menjalankan fungsi, dan mengembalikan pengamatan.\n\nUntuk tugas berbantuan alat, berikan tujuan yang jelas pada fungsi dan gunakan hasil nyatanya sebagai bukti bagi jawaban selanjutnya. Beberapa panggilan terpilih tetap merupakan operasi berbeda; penyelesaiannya dibuktikan melalui pengamatan aplikasi.\n\n### Pisahkan arsitektur dan batas tugas\n\nDesain komputasi dinamis pembuat mengalokasikan kapasitas aktif berbeda menurut konteks. Ini menjelaskan arsitektur model, bukan jaminan kecepatan respons atau alokasi konkurensi untuk permintaan individual.\n\nGunakan kontrol masukan dan pembangkitan antarmuka terpilih yang didokumentasikan, dengan materi relevan berada dalam konteks kerja. Bedakan identitas Chat dari edisi penalaran yang bernama terpisah atau varian LongCat lebih baru. Teks atau kode yang dikembalikan perlu dinilai melalui sumber nyata dan hasil eksekusi tugas.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Explain a queue's ordering defect\n\nExplain this queue behavior to a junior developer: the program appends new jobs to a list, then removes jobs with pop() without an index. Jobs A, B and C were added in that order. State the processing order, explain why it differs from first-in-first-out, and show a small correction with a three-job check.A brief explanation, corrected Python queue example and assertion for the expected job order.The explanation identifies C,B,A as current behavior and verifies A,B,C after the proposed correction.LongCat-Flash-ChatLongCat Flash Chat adalah model teks non-thinking Meituan untuk percakapan, pemrograman, dan tugas alat yang dikendalikan aplikasi. Pembuatnya memublikasikan konteks 128K dan desain mixture-of-experts dinamis dengan 560 miliar parameter total.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
LongCat Flash Chat adalah model percakapan non-thinking Meituan dalam keluarga LongCat Flash. Pembuat menjelaskan arsitektur mixture-of-experts dengan 560 miliar parameter total dan aktivasi dinamis 18,6–31,3 miliar parameter, dengan rata-rata sekitar 27 miliar per token. Pelatihannya mengembangkan penalaran teks, pemrograman, dan alur kerja agen, dengan konteks yang diperluas hingga 128K.
Berikan pertanyaan, materi sumber relevan, dan hasil yang diharapkan. Untuk penjelasan, tentukan syarat dan kesimpulan yang harus dibuktikan. Untuk tugas pemrograman, berikan sumber relevan dan perilaku yang diwajibkan. Mintalah artefak akhir yang dapat diperiksa terhadap masukan.
Pertahankan pengenal sumber dan syarat tugas penting dalam permintaan lanjutan. Koreksi atas satu fakta atau langkah harus tetap terlihat, bukan diam-diam mengubah masalah yang hendak diselesaikan jawaban.
Pembuat mendokumentasikan templat percakapan giliran pertama, prompt sistem, dan beberapa giliran. Pembuat juga menyediakan pola panggilan alat yang memuat nama fungsi dan argumen, dengan setiap panggilan dibungkus terpisah. Aplikasi yang mengelilinginya menafsirkan panggilan yang dipilih model, menjalankan fungsi, dan mengembalikan pengamatan.
Untuk tugas berbantuan alat, berikan tujuan yang jelas pada fungsi dan gunakan hasil nyatanya sebagai bukti bagi jawaban selanjutnya. Beberapa panggilan terpilih tetap merupakan operasi berbeda; penyelesaiannya dibuktikan melalui pengamatan aplikasi.
Desain komputasi dinamis pembuat mengalokasikan kapasitas aktif berbeda menurut konteks. Ini menjelaskan arsitektur model, bukan jaminan kecepatan respons atau alokasi konkurensi untuk permintaan individual.
Gunakan kontrol masukan dan pembangkitan antarmuka terpilih yang didokumentasikan, dengan materi relevan berada dalam konteks kerja. Bedakan identitas Chat dari edisi penalaran yang bernama terpisah atau varian LongCat lebih baru. Teks atau kode yang dikembalikan perlu dinilai melalui sumber nyata dan hasil eksekusi tugas.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan LongCat-Flash-Chat | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.000286 / 1K token Keluaran · Token keluaran $0.001428 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "LongCat-Flash-Chat", "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-Chat',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-Chat',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra LongCat-Flash-Chat
Gunakan jalur metode yang ditampilkan di atas.
LongCat-Flash-ChatLongCat Flash Chat adalah model teks non-thinking Meituan untuk percakapan, pemrograman, dan tugas alat yang dikendalikan aplikasi. Pembuatnya memublikasikan konteks 128K dan desain mixture-of-experts dinamis dengan 560 miliar parameter total.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
LongCat Flash Chat adalah model percakapan non-thinking Meituan dalam keluarga LongCat Flash. Pembuat menjelaskan arsitektur mixture-of-experts dengan 560 miliar parameter total dan aktivasi dinamis 18,6–31,3 miliar parameter, dengan rata-rata sekitar 27 miliar per token. Pelatihannya mengembangkan penalaran teks, pemrograman, dan alur kerja agen, dengan konteks yang diperluas hingga 128K.
Berikan pertanyaan, materi sumber relevan, dan hasil yang diharapkan. Untuk penjelasan, tentukan syarat dan kesimpulan yang harus dibuktikan. Untuk tugas pemrograman, berikan sumber relevan dan perilaku yang diwajibkan. Mintalah artefak akhir yang dapat diperiksa terhadap masukan.
Pertahankan pengenal sumber dan syarat tugas penting dalam permintaan lanjutan. Koreksi atas satu fakta atau langkah harus tetap terlihat, bukan diam-diam mengubah masalah yang hendak diselesaikan jawaban.
Pembuat mendokumentasikan templat percakapan giliran pertama, prompt sistem, dan beberapa giliran. Pembuat juga menyediakan pola panggilan alat yang memuat nama fungsi dan argumen, dengan setiap panggilan dibungkus terpisah. Aplikasi yang mengelilinginya menafsirkan panggilan yang dipilih model, menjalankan fungsi, dan mengembalikan pengamatan.
Untuk tugas berbantuan alat, berikan tujuan yang jelas pada fungsi dan gunakan hasil nyatanya sebagai bukti bagi jawaban selanjutnya. Beberapa panggilan terpilih tetap merupakan operasi berbeda; penyelesaiannya dibuktikan melalui pengamatan aplikasi.
Desain komputasi dinamis pembuat mengalokasikan kapasitas aktif berbeda menurut konteks. Ini menjelaskan arsitektur model, bukan jaminan kecepatan respons atau alokasi konkurensi untuk permintaan individual.
Gunakan kontrol masukan dan pembangkitan antarmuka terpilih yang didokumentasikan, dengan materi relevan berada dalam konteks kerja. Bedakan identitas Chat dari edisi penalaran yang bernama terpisah atau varian LongCat lebih baru. Teks atau kode yang dikembalikan perlu dinilai melalui sumber nyata dan hasil eksekusi tugas.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan LongCat-Flash-Chat | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.000286 / 1K token Keluaran · Token keluaran $0.001428 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "LongCat-Flash-Chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Chat', '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-Chat', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra LongCat-Flash-Chat
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Explain a queue's ordering defect\n\nExplain this queue behavior to a junior developer: the program appends new jobs to a list, then removes jobs with pop() without an index. Jobs A, B and C were added in that order. State the processing order, explain why it differs from first-in-first-out, and show a small correction with a three-job check.A brief explanation, corrected Python queue example and assertion for the expected job order.The explanation identifies C,B,A as current behavior and verifies A,B,C after the proposed correction.