모델 소개
LongCat-Flash-Thinking은 Meituan의 대형 추론 언어 모델입니다. 전문가 혼합 설계는 총 5,600억 매개변수를 포함하며 작업 맥락에 따라 약 186억~313억 개, 평균 약 270억 개를 동적으로 활성화합니다. 수학, 논리, 프로그래밍, 지시 이행, 자동 정리 증명, 도구 사용에 초점을 둡니다. 이 카드는 텍스트 지시와 텍스트 결과를 사용하는 최초 Thinking 릴리스를 설명합니다.
도메인 병렬 강화 학습
개발은 긴 사고 연쇄 콜드 스타트 단계에서 시작해 대규모 강화 학습으로 이어집니다. 학습은 STEM, 코딩, 에이전트 작업을 도메인별로 나누고 그 결과로 얻은 전문 모델을 병합합니다. 이는 일반 추론, 프로그래밍, 도구 상호작용이 모두 릴리스의 핵심인 이유를 설명합니다. 주제 전반의 폭넓은 논의보다 정확한 문제 유형과 필요한 결과를 정의하는 것이 유용합니다.
DORA 학습 인프라
제조사의 DORA 시스템은 탄력적 할당과 다중 버전 파이프라인으로 비동기 강화 학습 작업을 조율합니다. 목적은 효율적인 학습, 일관된 샘플, 학습 중 연산 재사용입니다. 이 특성은 제조사의 학습 과정에 속하며 애플리케이션 대화의 영구 기억이나 사용자 요청의 특정 런타임 용량을 뜻하지는 않습니다.
형식 추론과 에이전트 추론
형식 추론 학습은 명제 형식화, 반복적인 증명 합성, 구문 및 일관성 필터링을 사용합니다. 공개된 정리 증명 프롬프트는 문제와 그 형식 명제를 함께 제공하고 Lean 4 풀이를 요청합니다. 정의, 가정, 정확한 정리 명제를 준비하세요. 예시 출력은 중요한 중간 주장에 대한 설명을 갖춘 증명 후보입니다. 생성된 증명의 수락 여부는 여전히 형식 검증기가 결정합니다.
에이전트 학습은 제공된 도구를 적응적으로 사용하는 능력을 발전시킵니다. 제조사는 실제로 도구 지원이 필요한 작업을 만들고 단일 턴 및 다중 턴 풀이 순서로 학습합니다. 모델에 도구 이름, 목적, 입력 스키마를 제공한 뒤 다음 단계에 실제 도구 결과를 반환하세요. 예를 들어 코드 분석 작업에서 제공한 함수를 검토하고 진단 작업을 선택하며 관찰을 설명하도록 요청할 수 있습니다. 도구 실행은 주변 애플리케이션이 담당합니다.
대화와 답변 준비
네이티브 채팅 예시는 /think_on 표식, 선택적인 시스템 지시, 새 사용자 질의에 앞선 이전 대화 차례를 포함합니다. 수학 예시는 단계별 추론을 요청하고 최종 결과를 알아볼 수 있는 상자 형태로 표시합니다. 형식 템플릿은 Lean 4 명제를 추가합니다. 네이티브 도구 예시는 함수 이름과 인수를 담은 태그 레코드를 출력하며 여러 호출을 위한 연속 레코드를 허용합니다. 이 규칙은 제조사 템플릿을 설명하며, 통합에서는 이를 일반 답변 텍스트로 취급하지 말고 의미를 보존해야 합니다.
에디션 구분과 사용 고려사항
최초 릴리스와 FP8 가중치 에디션은 이름이 다릅니다. 배포 가이드는 추론 구성에 따라 달라지는 선택적 다중 토큰 예측도 설명합니다. 제조사는 언어 성능이 달라질 수 있으며 모든 후속 애플리케이션을 포괄적으로 평가한 것은 아니라고 밝힙니다. 수학적 또는 기술적으로 확인 가능한 목표를 유지하고 전체 조건을 제공하며 생성한 코드나 증명을 적절한 검사기로 살펴보세요. 최초 Thinking 식별 정보는 Chat 및 후속 이름의 Thinking 에디션과 별개이며, 숫자로 된 컨텍스트나 출력 한도에는 선택한 릴리스의 사양이 필요합니다.
", "aboutText": "모델 소개\n\nLongCat-Flash-Thinking은 Meituan의 대형 추론 언어 모델입니다. 전문가 혼합 설계는 총 5,600억 매개변수를 포함하며 작업 맥락에 따라 약 186억~313억 개, 평균 약 270억 개를 동적으로 활성화합니다. 수학, 논리, 프로그래밍, 지시 이행, 자동 정리 증명, 도구 사용에 초점을 둡니다. 이 카드는 텍스트 지시와 텍스트 결과를 사용하는 최초 Thinking 릴리스를 설명합니다.\n\n도메인 병렬 강화 학습\n\n개발은 긴 사고 연쇄 콜드 스타트 단계에서 시작해 대규모 강화 학습으로 이어집니다. 학습은 STEM, 코딩, 에이전트 작업을 도메인별로 나누고 그 결과로 얻은 전문 모델을 병합합니다. 이는 일반 추론, 프로그래밍, 도구 상호작용이 모두 릴리스의 핵심인 이유를 설명합니다. 주제 전반의 폭넓은 논의보다 정확한 문제 유형과 필요한 결과를 정의하는 것이 유용합니다.\n\nDORA 학습 인프라\n\n제조사의 DORA 시스템은 탄력적 할당과 다중 버전 파이프라인으로 비동기 강화 학습 작업을 조율합니다. 목적은 효율적인 학습, 일관된 샘플, 학습 중 연산 재사용입니다. 이 특성은 제조사의 학습 과정에 속하며 애플리케이션 대화의 영구 기억이나 사용자 요청의 특정 런타임 용량을 뜻하지는 않습니다.\n\n형식 추론과 에이전트 추론\n\n형식 추론 학습은 명제 형식화, 반복적인 증명 합성, 구문 및 일관성 필터링을 사용합니다. 공개된 정리 증명 프롬프트는 문제와 그 형식 명제를 함께 제공하고 Lean 4 풀이를 요청합니다. 정의, 가정, 정확한 정리 명제를 준비하세요. 예시 출력은 중요한 중간 주장에 대한 설명을 갖춘 증명 후보입니다. 생성된 증명의 수락 여부는 여전히 형식 검증기가 결정합니다.\n\n에이전트 학습은 제공된 도구를 적응적으로 사용하는 능력을 발전시킵니다. 제조사는 실제로 도구 지원이 필요한 작업을 만들고 단일 턴 및 다중 턴 풀이 순서로 학습합니다. 모델에 도구 이름, 목적, 입력 스키마를 제공한 뒤 다음 단계에 실제 도구 결과를 반환하세요. 예를 들어 코드 분석 작업에서 제공한 함수를 검토하고 진단 작업을 선택하며 관찰을 설명하도록 요청할 수 있습니다. 도구 실행은 주변 애플리케이션이 담당합니다.\n\n대화와 답변 준비\n\n네이티브 채팅 예시는 /think_on 표식, 선택적인 시스템 지시, 새 사용자 질의에 앞선 이전 대화 차례를 포함합니다. 수학 예시는 단계별 추론을 요청하고 최종 결과를 알아볼 수 있는 상자 형태로 표시합니다. 형식 템플릿은 Lean 4 명제를 추가합니다. 네이티브 도구 예시는 함수 이름과 인수를 담은 태그 레코드를 출력하며 여러 호출을 위한 연속 레코드를 허용합니다. 이 규칙은 제조사 템플릿을 설명하며, 통합에서는 이를 일반 답변 텍스트로 취급하지 말고 의미를 보존해야 합니다.\n\n에디션 구분과 사용 고려사항\n\n최초 릴리스와 FP8 가중치 에디션은 이름이 다릅니다. 배포 가이드는 추론 구성에 따라 달라지는 선택적 다중 토큰 예측도 설명합니다. 제조사는 언어 성능이 달라질 수 있으며 모든 후속 애플리케이션을 포괄적으로 평가한 것은 아니라고 밝힙니다. 수학적 또는 기술적으로 확인 가능한 목표를 유지하고 전체 조건을 제공하며 생성한 코드나 증명을 적절한 검사기로 살펴보세요. 최초 Thinking 식별 정보는 Chat 및 후속 이름의 Thinking 에디션과 별개이며, 숫자로 된 컨텍스트나 출력 한도에는 선택한 릴리스의 사양이 필요합니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
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-Thinking은 수학, 코딩, 도구 사용, 형식 정리 증명을 위한 Meituan의 추론 모델입니다. 최초 Thinking 에디션은 일반 추론에 전용 형식 추론 및 에이전트 학습을 결합하고, 명시적인 조건에 대한 텍스트와 풀이 후보를 생성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
모델 소개
LongCat-Flash-Thinking은 Meituan의 대형 추론 언어 모델입니다. 전문가 혼합 설계는 총 5,600억 매개변수를 포함하며 작업 맥락에 따라 약 186억~313억 개, 평균 약 270억 개를 동적으로 활성화합니다. 수학, 논리, 프로그래밍, 지시 이행, 자동 정리 증명, 도구 사용에 초점을 둡니다. 이 카드는 텍스트 지시와 텍스트 결과를 사용하는 최초 Thinking 릴리스를 설명합니다.
도메인 병렬 강화 학습
개발은 긴 사고 연쇄 콜드 스타트 단계에서 시작해 대규모 강화 학습으로 이어집니다. 학습은 STEM, 코딩, 에이전트 작업을 도메인별로 나누고 그 결과로 얻은 전문 모델을 병합합니다. 이는 일반 추론, 프로그래밍, 도구 상호작용이 모두 릴리스의 핵심인 이유를 설명합니다. 주제 전반의 폭넓은 논의보다 정확한 문제 유형과 필요한 결과를 정의하는 것이 유용합니다.
DORA 학습 인프라
제조사의 DORA 시스템은 탄력적 할당과 다중 버전 파이프라인으로 비동기 강화 학습 작업을 조율합니다. 목적은 효율적인 학습, 일관된 샘플, 학습 중 연산 재사용입니다. 이 특성은 제조사의 학습 과정에 속하며 애플리케이션 대화의 영구 기억이나 사용자 요청의 특정 런타임 용량을 뜻하지는 않습니다.
형식 추론과 에이전트 추론
형식 추론 학습은 명제 형식화, 반복적인 증명 합성, 구문 및 일관성 필터링을 사용합니다. 공개된 정리 증명 프롬프트는 문제와 그 형식 명제를 함께 제공하고 Lean 4 풀이를 요청합니다. 정의, 가정, 정확한 정리 명제를 준비하세요. 예시 출력은 중요한 중간 주장에 대한 설명을 갖춘 증명 후보입니다. 생성된 증명의 수락 여부는 여전히 형식 검증기가 결정합니다.
에이전트 학습은 제공된 도구를 적응적으로 사용하는 능력을 발전시킵니다. 제조사는 실제로 도구 지원이 필요한 작업을 만들고 단일 턴 및 다중 턴 풀이 순서로 학습합니다. 모델에 도구 이름, 목적, 입력 스키마를 제공한 뒤 다음 단계에 실제 도구 결과를 반환하세요. 예를 들어 코드 분석 작업에서 제공한 함수를 검토하고 진단 작업을 선택하며 관찰을 설명하도록 요청할 수 있습니다. 도구 실행은 주변 애플리케이션이 담당합니다.
대화와 답변 준비
네이티브 채팅 예시는 /think_on 표식, 선택적인 시스템 지시, 새 사용자 질의에 앞선 이전 대화 차례를 포함합니다. 수학 예시는 단계별 추론을 요청하고 최종 결과를 알아볼 수 있는 상자 형태로 표시합니다. 형식 템플릿은 Lean 4 명제를 추가합니다. 네이티브 도구 예시는 함수 이름과 인수를 담은 태그 레코드를 출력하며 여러 호출을 위한 연속 레코드를 허용합니다. 이 규칙은 제조사 템플릿을 설명하며, 통합에서는 이를 일반 답변 텍스트로 취급하지 말고 의미를 보존해야 합니다.
에디션 구분과 사용 고려사항
최초 릴리스와 FP8 가중치 에디션은 이름이 다릅니다. 배포 가이드는 추론 구성에 따라 달라지는 선택적 다중 토큰 예측도 설명합니다. 제조사는 언어 성능이 달라질 수 있으며 모든 후속 애플리케이션을 포괄적으로 평가한 것은 아니라고 밝힙니다. 수학적 또는 기술적으로 확인 가능한 목표를 유지하고 전체 조건을 제공하며 생성한 코드나 증명을 적절한 검사기로 살펴보세요. 최초 Thinking 식별 정보는 Chat 및 후속 이름의 Thinking 에디션과 별개이며, 숫자로 된 컨텍스트나 출력 한도에는 선택한 릴리스의 사양이 필요합니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 LongCat-Flash-Thinking-ultra | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000286 / 1K 토큰 출력 · 출력 토큰 $0.002858 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
위에 표시된 메서드 경로를 사용하세요.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking은 수학, 코딩, 도구 사용, 형식 정리 증명을 위한 Meituan의 추론 모델입니다. 최초 Thinking 에디션은 일반 추론에 전용 형식 추론 및 에이전트 학습을 결합하고, 명시적인 조건에 대한 텍스트와 풀이 후보를 생성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
모델 소개
LongCat-Flash-Thinking은 Meituan의 대형 추론 언어 모델입니다. 전문가 혼합 설계는 총 5,600억 매개변수를 포함하며 작업 맥락에 따라 약 186억~313억 개, 평균 약 270억 개를 동적으로 활성화합니다. 수학, 논리, 프로그래밍, 지시 이행, 자동 정리 증명, 도구 사용에 초점을 둡니다. 이 카드는 텍스트 지시와 텍스트 결과를 사용하는 최초 Thinking 릴리스를 설명합니다.
도메인 병렬 강화 학습
개발은 긴 사고 연쇄 콜드 스타트 단계에서 시작해 대규모 강화 학습으로 이어집니다. 학습은 STEM, 코딩, 에이전트 작업을 도메인별로 나누고 그 결과로 얻은 전문 모델을 병합합니다. 이는 일반 추론, 프로그래밍, 도구 상호작용이 모두 릴리스의 핵심인 이유를 설명합니다. 주제 전반의 폭넓은 논의보다 정확한 문제 유형과 필요한 결과를 정의하는 것이 유용합니다.
DORA 학습 인프라
제조사의 DORA 시스템은 탄력적 할당과 다중 버전 파이프라인으로 비동기 강화 학습 작업을 조율합니다. 목적은 효율적인 학습, 일관된 샘플, 학습 중 연산 재사용입니다. 이 특성은 제조사의 학습 과정에 속하며 애플리케이션 대화의 영구 기억이나 사용자 요청의 특정 런타임 용량을 뜻하지는 않습니다.
형식 추론과 에이전트 추론
형식 추론 학습은 명제 형식화, 반복적인 증명 합성, 구문 및 일관성 필터링을 사용합니다. 공개된 정리 증명 프롬프트는 문제와 그 형식 명제를 함께 제공하고 Lean 4 풀이를 요청합니다. 정의, 가정, 정확한 정리 명제를 준비하세요. 예시 출력은 중요한 중간 주장에 대한 설명을 갖춘 증명 후보입니다. 생성된 증명의 수락 여부는 여전히 형식 검증기가 결정합니다.
에이전트 학습은 제공된 도구를 적응적으로 사용하는 능력을 발전시킵니다. 제조사는 실제로 도구 지원이 필요한 작업을 만들고 단일 턴 및 다중 턴 풀이 순서로 학습합니다. 모델에 도구 이름, 목적, 입력 스키마를 제공한 뒤 다음 단계에 실제 도구 결과를 반환하세요. 예를 들어 코드 분석 작업에서 제공한 함수를 검토하고 진단 작업을 선택하며 관찰을 설명하도록 요청할 수 있습니다. 도구 실행은 주변 애플리케이션이 담당합니다.
대화와 답변 준비
네이티브 채팅 예시는 /think_on 표식, 선택적인 시스템 지시, 새 사용자 질의에 앞선 이전 대화 차례를 포함합니다. 수학 예시는 단계별 추론을 요청하고 최종 결과를 알아볼 수 있는 상자 형태로 표시합니다. 형식 템플릿은 Lean 4 명제를 추가합니다. 네이티브 도구 예시는 함수 이름과 인수를 담은 태그 레코드를 출력하며 여러 호출을 위한 연속 레코드를 허용합니다. 이 규칙은 제조사 템플릿을 설명하며, 통합에서는 이를 일반 답변 텍스트로 취급하지 말고 의미를 보존해야 합니다.
에디션 구분과 사용 고려사항
최초 릴리스와 FP8 가중치 에디션은 이름이 다릅니다. 배포 가이드는 추론 구성에 따라 달라지는 선택적 다중 토큰 예측도 설명합니다. 제조사는 언어 성능이 달라질 수 있으며 모든 후속 애플리케이션을 포괄적으로 평가한 것은 아니라고 밝힙니다. 수학적 또는 기술적으로 확인 가능한 목표를 유지하고 전체 조건을 제공하며 생성한 코드나 증명을 적절한 검사기로 살펴보세요. 최초 Thinking 식별 정보는 Chat 및 후속 이름의 Thinking 에디션과 별개이며, 숫자로 된 컨텍스트나 출력 한도에는 선택한 릴리스의 사양이 필요합니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 LongCat-Flash-Thinking-ultra | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000286 / 1K 토큰 출력 · 출력 토큰 $0.002858 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
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.