Source: https://ailoot.ai/models/it/longcat-flash-thinking-ultra/ Canonical: https://ailoot.ai/models/it/longcat-flash-thinking-ultra/ Language: it # LongCat-Flash-Thinking-ultra [Markdown](https://ailoot.ai/models/it/longcat-flash-thinking-ultra/index.md) · [JSON](https://ailoot.ai/models/it/longcat-flash-thinking-ultra/facts.json) ## [LongCat-Flash-Thinking-ultra](https://ailoot.ai/models/it/longcat-flash-thinking-ultra/) LongCat-Flash-Thinking è il modello di ragionamento di Meituan per matematica, programmazione, uso di strumenti e dimostrazione formale di teoremi. L’edizione originale Thinking combina ragionamento generale con addestramento formale e agentico dedicato, producendo testo e soluzioni candidate a condizioni esplicite. - [**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/longcat-flash-thinking-ultra/#method-0) - [**Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/longcat-flash-thinking-ultra/#method-1) Informazioni sul modello Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito. Presentazione del modello LongCat-Flash-Thinking è il grande modello linguistico di ragionamento di Meituan. Il suo design mixture-of-experts contiene 560 miliardi di parametri totali e ne attiva dinamicamente circa 18,6–31,3 miliardi, con una media di circa 27 miliardi, secondo il contesto del compito. L’attenzione comprende matematica, logica, programmazione, rispetto delle istruzioni, dimostrazione automatica di teoremi e uso di strumenti. Questa scheda descrive la versione originale Thinking, con istruzioni testuali e risultati testuali. Apprendimento per rinforzo parallelo per domini Lo sviluppo comincia con una fase di avvio a freddo con lunghe catene di pensiero, seguita da apprendimento per rinforzo su larga scala. L’addestramento separa i compiti STEM, di programmazione e agentici in domini, poi fonde i modelli specialistici risultanti. Questo spiega perché ragionamento generale, programmazione e interazione con strumenti siano tutti centrali per la versione. È utile definire il tipo esatto di problema e il risultato richiesto, anziché chiedere una discussione ampia su un argomento. Infrastruttura di addestramento DORA Il sistema DORA del produttore coordina il lavoro asincrono di apprendimento per rinforzo tramite allocazione elastica e una pipeline multiversione. Il suo scopo è un addestramento efficiente, campioni coerenti e riutilizzo del calcolo durante l’addestramento. Queste proprietà appartengono al processo di addestramento del produttore: non implicano memoria persistente per una conversazione applicativa o una capacità di runtime specifica per una richiesta dell’utente. Ragionamento formale e agentico L’addestramento al ragionamento formale usa formalizzazione degli enunciati, sintesi iterativa delle prove e filtraggio per sintassi e coerenza. Il prompt pubblicato per la dimostrazione di teoremi fornisce un problema insieme al suo enunciato formale e richiede una soluzione in Lean 4. Prepara definizioni, ipotesi e l’enunciato esatto del teorema; un output esemplificativo è una dimostrazione candidata con una spiegazione delle affermazioni intermedie importanti. Un verificatore formale determina comunque se la dimostrazione generata viene accettata. L’addestramento agentico sviluppa l’uso adattivo degli strumenti forniti. Il produttore costruisce compiti che richiedono realmente assistenza da strumenti e addestra su sequenze di soluzione a turno singolo e multiplo. Fornisci al modello il nome dello strumento, lo scopo e lo schema di input, poi restituisci il risultato effettivo dello strumento per il passaggio successivo. Per esempio, un compito di analisi del codice può chiedere di esaminare una funzione fornita, selezionare un’operazione diagnostica e spiegare l’osservazione. L’esecuzione degli strumenti appartiene all’applicazione circostante. Preparazione della conversazione e della risposta Gli esempi nativi di chat includono un marcatore /think\_on, istruzioni di sistema facoltative e i turni precedenti prima della nuova query dell’utente. Gli esempi matematici chiedono ragionamento passo dopo passo e collocano il risultato finale in una forma riconoscibile riquadrata. Il template formale aggiunge l’enunciato Lean 4. Gli esempi nativi degli strumenti emettono record con tag contenenti il nome di una funzione e gli argomenti e consentono record consecutivi per più chiamate. Queste convenzioni descrivono i template del produttore; un’integrazione deve conservarne il significato, anziché trattarle come normale testo di risposta. Distinzioni tra edizioni e considerazioni d’uso La versione originale e la relativa edizione dei pesi FP8 hanno nomi separati. La guida di distribuzione descrive anche la previsione facoltativa di più token, che dipende dalla configurazione di inferenza. Il produttore segnala che le prestazioni linguistiche possono variare e che non tutte le applicazioni successive sono state valutate in modo completo. Mantieni un obiettivo matematicamente o tecnicamente verificabile, fornisci tutte le condizioni ed esamina il codice o le dimostrazioni generati con il verificatore appropriato. L’identità originale Thinking rimane distinta da Chat e dalle successive edizioni Thinking denominate; limiti numerici di contesto o output richiedono la specifica della versione selezionata. Caso pratico ### Caso pratico Esempio tecnico in inglese ``` Prove a capacity claim A 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. ``` #### Risultato atteso ``` A concise impossibility argument and a minimum-locker calculation. ``` #### Verificare il risultato ``` The argument must use total capacity and round the locker requirement up to a whole number. ``` **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `LongCat-Flash-Thinking-ultra` [`LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/#m=LongCat-Flash-Thinking-ultra&route=Ultra&caller=LongCat-Flash-Thinking-ultra&fmt=chat) Altro /`LongCat-Flash-Thinking-ultra` ### Introduzione LongCat-Flash-Thinking è il modello di ragionamento di Meituan per matematica, programmazione, uso di strumenti e dimostrazione formale di teoremi. L’edizione originale Thinking combina ragionamento generale con addestramento formale e agentico dedicato, producendo testo e soluzioni candidate a condizioni esplicite. Input accettati Testo Risultati Testo ### Disponibile in Ailoot · input e metodi **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` Tipi di input `text` Tipi di output `text` Formato di output json o SSE | Campo | Tipo | Requisito | Valori e limiti | Predefinito | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObbligatorio | Valori e limiti LongCat-Flash-Thinking-ultra | Predefinito— | | Campo`messages` | Tipo`message[]` | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— | | Campo`messages[].role` | Tipo`string` | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— | | Campo`messages[].content` | Tipo`string\|content_part[]\|null` | RequisitoFacoltativo | Valori e limiti | Predefinito— | | Campo`messages[].tool_calls` | Tipo`tool_call[]` | RequisitoFacoltativo | Valori e limiti | Predefinito— | | Campo`messages[].tool_call_id` | Tipo`string` | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— | | Campo`messages[].name` | Tipo`string` | RequisitoFacoltativo | Valori e limiti | Predefinito— | | Campo`messages[].reasoning_content` | Tipo`string` | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— | | Campo`messages[].reasoning_details` | Tipo`object\|array` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`max_tokens` | Tipo`integer` | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— | | Campo`max_completion_tokens` | Tipo`integer` | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— | | Campo`stream` | Tipo`boolean` | RequisitoFacoltativo | Valori e limiti | Predefinitofalse | | Campo`stream_options.include_usage` | Tipo`boolean` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`temperature` | Tipo`number` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`top_p` | Tipo`number` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`stop` | Tipo`string\|string[]` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`tools` | Tipo`function_tool[]` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`tools[].type` | Tipo`string` | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— | | Campo`tools[].function.name` | Tipo`string` | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— | | Campo`tools[].function.description` | Tipo`string` | RequisitoFacoltativo | Valori e limiti | Predefinito— | | Campo`tools[].function.parameters` | Tipo`JSON_schema` | RequisitoFacoltativo | Valori e limiti | Predefinito— | | Campo`tool_choice` | Tipo`string\|object` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`parallel_tool_calls` | Tipo`boolean` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`response_format` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`reasoning_effort` | Tipo`string` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`reasoning` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`service_tier` | Tipo`string` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`instructions` | Tipo`string` | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— | | Campo`functions` | Tipo`function[]` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`function_call` | Tipo`string\|object` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`prompt_cache_options` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— | | Campo`modalities` | Tipo`string[]` | RequisitoFacoltativo | Valori e limiti text | Predefinito— | | Campo`provider` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— | | Campo`cache_control.ttl` | Tipo`string` | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— | Combinazioni di materiali in input **Testo** · Testo UTF8 `messages[].content` Parametri e ciclo di vita del metodo | Parametro | Contratto | | --- | --- | | Parametro`content_type` | Contrattoapplication/json | | Parametro`required` | Contrattomodel, messages | | Parametro`material_types` | Contrattotext | | Parametro`messages` | ContrattoArray di messaggi con struttura role/content | | Parametro`file_material` | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto | | Parametro`optional_controls` | Contrattostream, temperature, top\_p, stop, max\_tokens, max\_completion\_tokens, reasoning, response\_format, tools, tool\_choice | | Parametro`control_scope` | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati | | Parametro`output_modalities` | Contrattotext | | Parametro`hosted_operations` | Contrattofalse | | Parametro`multimodal_input_binding` | Contrattonull | Ciclo di vita: `synchronous_or_streamed` Invia l’ID esatto del modello con messages. La lunghezza del contesto non è un limite di uscita. Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta. ### Tariffe Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato. Modalità rapida Non specificato Quando è selezionata la modalità rapida Modalità flex Non specificato Quando è selezionata la modalità flex Sforzo massimo di ragionamento Non specificato Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default) #### Tariffe Ailoot #### Prezzi per configurazione | Configurazione | Listino delle tariffe | Costo | | --- | --- | --- | | ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input **$0.000286** / 1K token Output · Token in output **$0.002858** / 1K token Input · Lettura dalla cache **$0** / 1K token Input · Scrittura nella cache **$0** / 1K token Input · Scrittura nella cache, 1 ora **—** / 1K token | Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. [Come funzionano la prenotazione e l’addebito finale →](https://ailoot.ai/docs/it/billing/reserve/) ### Esempi di richieste #### Ailoot Ultra · OpenAI Chat curlPython SDKStreaming Python ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "LongCat-Flash-Thinking-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("choices",[]): if x.get("message",{}).get("content"): print(x["message"]["content"]) PY_RESULT ``` ```python from openai import OpenAI import os if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.chat.completions.create(model='LongCat-Flash-Thinking-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) save_result(result.to_dict(mode="json")) ``` ```python from openai import OpenAI import os from pathlib import Path if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) with client.chat.completions.stream(model='LongCat-Flash-Thinking-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream: with Path("stream-events.jsonl").open("w",encoding="utf-8") as log: for event in stream: payload=event.to_dict(mode="json") log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush() print(json.dumps(payload,ensure_ascii=False)) final=stream.get_final_completion() save_result(final.to_dict(mode="json"),"stream-result") ``` ### Ricevi e salva i risultati #### Ailoot Ultra · OpenAI Chat json o SSE ##### Conserva tutti i risultati completati Conserva ogni risposta, file e parte di contenuto restituiti per intero. Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo. ##### Se occorre verificare la risposta originale Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale. Campi della risposta | Campo | Tipo | | --- | --- | | Campo`choices[].index` | Tipointeger | | Campo`choices[].message.content` | Tipostring\|null | | Campo`choices[].message.tool_calls` | Tipotool\_call\[\] | | Campo`choices[].message.reasoning_content` | Tipostring | | Campo`choices[].message.reasoning_details` | Tipoobject\|array | | Campo`choices[].finish_reason` | Tipostring\|null | | Campo`usage` | Tipoobject | Errori e passaggi successivi | Risposta | Condizione | Passaggio successivo | | --- | --- | --- | | Risposta400 · `invalid_request_error` | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. | ### Alias #### Alias del modello **Ailoot Ultra** [`LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/#m=LongCat-Flash-Thinking-ultra&route=Ultra&caller=LongCat-Flash-Thinking-ultra&fmt=chat) #### Alias dei percorsi dei metodi Usa i percorsi dei metodi indicati sopra. #### ID di chiamata correlati [`LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/#m=LongCat-Flash-Thinking-ultra&route=Ultra&caller=LongCat-Flash-Thinking-ultra&fmt=chat) **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `LongCat-Flash-Thinking-ultra` [`LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/#m=LongCat-Flash-Thinking-ultra&route=Ultra&caller=LongCat-Flash-Thinking-ultra&fmt=messages) Altro /`LongCat-Flash-Thinking-ultra` ### Introduzione LongCat-Flash-Thinking è il modello di ragionamento di Meituan per matematica, programmazione, uso di strumenti e dimostrazione formale di teoremi. L’edizione originale Thinking combina ragionamento generale con addestramento formale e agentico dedicato, producendo testo e soluzioni candidate a condizioni esplicite. Input accettati Testo Risultati json · sse ### Disponibile in Ailoot · input e metodi **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` Tipi di input `text` Tipi di output `json`, `sse` Formato di output JSON o SSE | Campo | Tipo | Requisito | Valori e limiti | Predefinito | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObbligatorio | Valori e limiti LongCat-Flash-Thinking-ultra | Predefinito— | | Campo`messages` | Tipo`message[]` | RequisitoObbligatorio | Valori e limiti | Predefinito— | | Campo`messages[].role` | Tipo`string` | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— | | Campo`messages[].content` | Tipo`string` | RequisitoObbligatorio | Valori e limiti | Predefinito— | | Campo`max_tokens` | Tipo`integer` | RequisitoObbligatorio | Valori e limiti | Predefinito— | | Campo`stream` | Tipo`boolean` | RequisitoFacoltativo | Valori e limiti | Predefinitofalse | Combinazioni di materiali in input **Testo** · Testo UTF-8 `Stringa messages[].content` Parametri e ciclo di vita del metodo | Parametro | Contratto | | --- | --- | | Parametro`content_type` | Contrattoapplication/json | | Parametro`required` | Contrattomodel, messages, max\_tokens | | Parametro`optional_controls` | Contrattostream | | Parametro`material_types` | Contrattotext | | Parametro`text_file_material` | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. | Ciclo di vita: `synchronous_or_streamed` ### Tariffe Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato. Modalità rapida Non specificato Quando è selezionata la modalità rapida Modalità flex Non specificato Quando è selezionata la modalità flex Sforzo massimo di ragionamento Non specificato Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default) #### Tariffe Ailoot #### Prezzi per configurazione | Configurazione | Listino delle tariffe | Costo | | --- | --- | --- | | ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input **$0.000286** / 1K token Output · Token in output **$0.002858** / 1K token Input · Lettura dalla cache **$0** / 1K token Input · Scrittura nella cache **$0** / 1K token Input · Scrittura nella cache, 1 ora **—** / 1K token | Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. [Come funzionano la prenotazione e l’addebito finale →](https://ailoot.ai/docs/it/billing/reserve/) ### Esempi di richieste #### Ailoot Ultra · Anthropic Messages Corpo JSON minimo completocurl · usa il tuo documento UTF-8Python · salva il risultato completo ```json { "model": "LongCat-Flash-Thinking-ultra", "max_tokens": 128, "messages": [ { "role": "user", "content": "Summarize the incident report." } ], "stream": false } ``` ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}" export AILOOT_TEXT_FILE python3 - <<'PY_REQUEST' import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'LongCat-Flash-Thinking-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \ -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) PY_RESULT ``` ```python import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'LongCat-Flash-Thinking-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text from urllib.request import Request, urlopen from urllib.error import HTTPError api_key = os.environ['AILOOT_API_KEY'] if not api_key.strip(): raise SystemExit('Set AILOOT_API_KEY before making a request') headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'} headers['x-api-key'] = api_key request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST') try: with urlopen(request, timeout=120) as response: raw = response.read() Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8') except HTTPError as error: Path('result.json').write_bytes(error.read()) Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8') raise Path('result.json').write_bytes(raw) import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) ``` ### Ricevi e salva i risultati #### Ailoot Ultra · Anthropic Messages JSON o SSE ##### Conserva tutti i risultati completati Conserva ogni risposta, file e parte di contenuto restituiti per intero. Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa. ##### Se occorre verificare la risposta originale Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale. Campi della risposta | Campo | Tipo | | --- | --- | | Campo`id` | Tipostring | | Campo`model` | Tipostring | | Campo`content[]` | Tipotext\|thinking\|tool\_use\|other content block | | Campo`stop_reason` | Tipostring\|null | | Campo`usage` | Tipoobject | Errori e passaggi successivi | Risposta | Condizione | Passaggio successivo | | --- | --- | --- | | Risposta400 · `invalid_request_error` | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. | ### Alias #### Alias del modello **Ailoot Ultra** [`LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/#m=LongCat-Flash-Thinking-ultra&route=Ultra&caller=LongCat-Flash-Thinking-ultra&fmt=messages) #### Alias dei percorsi dei metodi Usa i percorsi dei metodi indicati sopra. #### ID di chiamata correlati [`LongCat-Flash-Thinking-ultra`](https://ailoot.ai/models/it/#m=LongCat-Flash-Thinking-ultra&route=Ultra&caller=LongCat-Flash-Thinking-ultra&fmt=messages) FAQ · LongCat-Flash-Thinking-ultra Quali input e risultati sono disponibili? `POST /v1/chat/completions` · `LongCat-Flash-Thinking-ultra`: `text` → `text` `POST /v1/messages` · `LongCat-Flash-Thinking-ultra`: `text` → `json`, `sse` Quali campi usa la richiesta? `POST /v1/chat/completions` · `LongCat-Flash-Thinking-ultra`: `model`, `messages`, `stream`, `modalities`, `provider` `POST /v1/messages` · `LongCat-Flash-Thinking-ultra`: `model`, `messages`, `max_tokens`, `stream` Quali limiti si applicano? `POST /v1/chat/completions` · `LongCat-Flash-Thinking-ultra`: `messages.min_items`: `1` Collega Ailoot a Claude Code, OpenCode, Hermes o alla tua applicazione. ## L’azienda e il suo portafoglio di progetti L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. ## Acquista token con uno sconto. Sconto con abbonamento per lavoro regolare. Codici fino al 50% sull’acquisto di token. Abbonamento Scegli un piano scontato per richieste regolari. Codice fino al 50% Inserisci il codice all’acquisto. Il prezzo si aggiorna secondo la promozione. Spese nella cronologia Modello, token e importo sono salvati per ogni richiesta. [Scegli abbonamento](https://ailoot.ai/docs/it/billing/subscriptions/) · [Consulta prezzi dei modelli](https://ailoot.ai/models/it/) ## Collega l’API al prodotto che vendi. SaaS, app e bot secondo offerta e accordo di licenza Ailoot. Per rivendere, richiedi una licenza reseller. Applicazione commerciale Integra generazione di testo, immagini, video e suono nelle funzioni a pagamento. Licenza reseller Invia descrizione del progetto e schema di accesso. Richiedi condizioni scritte per uso e rivendita. Documenti sul sito Offerta, accordo di licenza e politica sui dati sono disponibili prima della connessione. [Richiedi licenza reseller](mailto:support@ailoot.ai) · [Offerta e accordo di licenza](https://ailoot.ai/legal/offer?lang=it) ## Ailoot · L’azienda e il suo portafoglio di progetti Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI. L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.