Pengenalan model
LongCat-Flash-Thinking ialah model bahasa penaakulan besar Meituan. Reka bentuk campuran pakarnya mengandungi jumlah 560 bilion parameter dan mengaktifkan kira-kira 18.6 hingga 31.3 bilion secara dinamik, dengan purata sekitar 27 bilion, mengikut konteks tugas. Penekanannya meliputi matematik, logik, pengaturcaraan, pematuhan arahan, pembuktian teorem automatik dan penggunaan alat. Kad ini menerangkan keluaran Thinking asal, dengan arahan teks dan hasil teks.
Pembelajaran pengukuhan selari domain
Pembangunannya bermula dengan peringkat permulaan sejuk rantaian pemikiran panjang, diikuti pembelajaran pengukuhan berskala besar. Latihan memisahkan tugas STEM, pengekodan dan ejen kepada domain, kemudian menggabungkan model pakar yang dihasilkan. Ini menerangkan sebab penaakulan umum, pengaturcaraan dan interaksi alat semuanya menjadi teras keluaran itu. Berguna untuk mentakrifkan jenis masalah tepat dan hasil yang diperlukan, bukannya meminta perbincangan luas tentang topik.
Infrastruktur latihan DORA
Sistem DORA pengeluar menyelaraskan kerja pembelajaran pengukuhan tak segerak melalui peruntukan anjal dan saluran berbilang versi. Tujuannya ialah latihan cekap, sampel konsisten dan penggunaan semula pengiraan semasa latihan. Sifat itu tergolong dalam proses latihan pengeluar: ia tidak membayangkan ingatan kekal untuk perbualan aplikasi atau kapasiti masa jalan tertentu bagi permintaan pengguna.
Penaakulan formal dan berejen
Latihan penaakulan formal menggunakan pemformalan pernyataan, sintesis bukti berulang dan penapisan sintaks serta konsistensi. Prom pembuktian teorem yang diterbitkan membekalkan masalah bersama pernyataan formalnya dan meminta penyelesaian dalam Lean 4. Sediakan takrif, andaian dan pernyataan teorem tepat; contoh output ialah bukti calon dengan penerangan dakwaan perantaraan penting. Penyemak formal masih menentukan sama ada bukti yang dijana diterima.
Latihan berejen membangunkan penggunaan adaptif alat yang disediakan. Pengeluar membina tugas yang benar-benar memerlukan bantuan alat dan melatih pada urutan penyelesaian satu giliran serta berbilang giliran. Berikan model nama alat, tujuan dan skema input, kemudian kembalikan hasil alat sebenar untuk langkah seterusnya. Contohnya, tugas analisis kod boleh memintanya memeriksa fungsi yang dibekalkan, memilih operasi diagnostik dan menerangkan pemerhatian. Pelaksanaan alat ialah tanggungjawab aplikasi yang mengelilinginya.
Penyediaan perbualan dan jawapan
Contoh sembang natif merangkumi penanda /think_on, arahan sistem pilihan dan giliran terdahulu sebelum pertanyaan pengguna baharu. Contoh matematik meminta penaakulan langkah demi langkah dan meletakkan hasil akhir dalam bentuk berkotak yang boleh dikenal pasti. Templat formal menambah pernyataan Lean 4. Contoh alat natif mengeluarkan rekod bertag yang mengandungi nama fungsi dan argumen serta membenarkan rekod berturutan untuk berbilang panggilan. Konvensyen ini menerangkan templat pengeluar; integrasi mesti mengekalkan maknanya, bukannya menganggapnya sebagai teks jawapan biasa.
Perbezaan edisi dan pertimbangan penggunaan
Keluaran asal dan edisi pemberat FP8 mempunyai nama berasingan. Panduan penempatan turut menerangkan ramalan berbilang token secara pilihan, yang bergantung pada persediaan inferens. Pengeluar menyatakan prestasi bahasa boleh berbeza dan bukan setiap aplikasi hiliran telah dinilai secara menyeluruh. Kekalkan sasaran yang boleh disemak secara matematik atau teknikal, bekalkan syarat lengkap dan periksa kod atau bukti yang dijana dengan penyemak yang sesuai. Identiti Thinking asal kekal berasingan daripada Chat dan edisi Thinking bernama yang lebih baharu; had angka konteks atau output memerlukan spesifikasi keluaran yang dipilih.
", "aboutText": "Pengenalan model\n\nLongCat-Flash-Thinking ialah model bahasa penaakulan besar Meituan. Reka bentuk campuran pakarnya mengandungi jumlah 560 bilion parameter dan mengaktifkan kira-kira 18.6 hingga 31.3 bilion secara dinamik, dengan purata sekitar 27 bilion, mengikut konteks tugas. Penekanannya meliputi matematik, logik, pengaturcaraan, pematuhan arahan, pembuktian teorem automatik dan penggunaan alat. Kad ini menerangkan keluaran Thinking asal, dengan arahan teks dan hasil teks.\n\nPembelajaran pengukuhan selari domain\n\nPembangunannya bermula dengan peringkat permulaan sejuk rantaian pemikiran panjang, diikuti pembelajaran pengukuhan berskala besar. Latihan memisahkan tugas STEM, pengekodan dan ejen kepada domain, kemudian menggabungkan model pakar yang dihasilkan. Ini menerangkan sebab penaakulan umum, pengaturcaraan dan interaksi alat semuanya menjadi teras keluaran itu. Berguna untuk mentakrifkan jenis masalah tepat dan hasil yang diperlukan, bukannya meminta perbincangan luas tentang topik.\n\nInfrastruktur latihan DORA\n\nSistem DORA pengeluar menyelaraskan kerja pembelajaran pengukuhan tak segerak melalui peruntukan anjal dan saluran berbilang versi. Tujuannya ialah latihan cekap, sampel konsisten dan penggunaan semula pengiraan semasa latihan. Sifat itu tergolong dalam proses latihan pengeluar: ia tidak membayangkan ingatan kekal untuk perbualan aplikasi atau kapasiti masa jalan tertentu bagi permintaan pengguna.\n\nPenaakulan formal dan berejen\n\nLatihan penaakulan formal menggunakan pemformalan pernyataan, sintesis bukti berulang dan penapisan sintaks serta konsistensi. Prom pembuktian teorem yang diterbitkan membekalkan masalah bersama pernyataan formalnya dan meminta penyelesaian dalam Lean 4. Sediakan takrif, andaian dan pernyataan teorem tepat; contoh output ialah bukti calon dengan penerangan dakwaan perantaraan penting. Penyemak formal masih menentukan sama ada bukti yang dijana diterima.\n\nLatihan berejen membangunkan penggunaan adaptif alat yang disediakan. Pengeluar membina tugas yang benar-benar memerlukan bantuan alat dan melatih pada urutan penyelesaian satu giliran serta berbilang giliran. Berikan model nama alat, tujuan dan skema input, kemudian kembalikan hasil alat sebenar untuk langkah seterusnya. Contohnya, tugas analisis kod boleh memintanya memeriksa fungsi yang dibekalkan, memilih operasi diagnostik dan menerangkan pemerhatian. Pelaksanaan alat ialah tanggungjawab aplikasi yang mengelilinginya.\n\nPenyediaan perbualan dan jawapan\n\nContoh sembang natif merangkumi penanda /think_on, arahan sistem pilihan dan giliran terdahulu sebelum pertanyaan pengguna baharu. Contoh matematik meminta penaakulan langkah demi langkah dan meletakkan hasil akhir dalam bentuk berkotak yang boleh dikenal pasti. Templat formal menambah pernyataan Lean 4. Contoh alat natif mengeluarkan rekod bertag yang mengandungi nama fungsi dan argumen serta membenarkan rekod berturutan untuk berbilang panggilan. Konvensyen ini menerangkan templat pengeluar; integrasi mesti mengekalkan maknanya, bukannya menganggapnya sebagai teks jawapan biasa.\n\nPerbezaan edisi dan pertimbangan penggunaan\n\nKeluaran asal dan edisi pemberat FP8 mempunyai nama berasingan. Panduan penempatan turut menerangkan ramalan berbilang token secara pilihan, yang bergantung pada persediaan inferens. Pengeluar menyatakan prestasi bahasa boleh berbeza dan bukan setiap aplikasi hiliran telah dinilai secara menyeluruh. Kekalkan sasaran yang boleh disemak secara matematik atau teknikal, bekalkan syarat lengkap dan periksa kod atau bukti yang dijana dengan penyemak yang sesuai. Identiti Thinking asal kekal berasingan daripada Chat dan edisi Thinking bernama yang lebih baharu; had angka konteks atau output memerlukan spesifikasi keluaran yang dipilih.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model penaakulan Meituan untuk matematik, pengekodan, penggunaan alat dan pembuktian teorem formal. Edisi Thinking asalnya menggabungkan penaakulan umum dengan latihan formal dan ejen khusus, menghasilkan teks serta penyelesaian calon untuk syarat yang jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan model
LongCat-Flash-Thinking ialah model bahasa penaakulan besar Meituan. Reka bentuk campuran pakarnya mengandungi jumlah 560 bilion parameter dan mengaktifkan kira-kira 18.6 hingga 31.3 bilion secara dinamik, dengan purata sekitar 27 bilion, mengikut konteks tugas. Penekanannya meliputi matematik, logik, pengaturcaraan, pematuhan arahan, pembuktian teorem automatik dan penggunaan alat. Kad ini menerangkan keluaran Thinking asal, dengan arahan teks dan hasil teks.
Pembelajaran pengukuhan selari domain
Pembangunannya bermula dengan peringkat permulaan sejuk rantaian pemikiran panjang, diikuti pembelajaran pengukuhan berskala besar. Latihan memisahkan tugas STEM, pengekodan dan ejen kepada domain, kemudian menggabungkan model pakar yang dihasilkan. Ini menerangkan sebab penaakulan umum, pengaturcaraan dan interaksi alat semuanya menjadi teras keluaran itu. Berguna untuk mentakrifkan jenis masalah tepat dan hasil yang diperlukan, bukannya meminta perbincangan luas tentang topik.
Infrastruktur latihan DORA
Sistem DORA pengeluar menyelaraskan kerja pembelajaran pengukuhan tak segerak melalui peruntukan anjal dan saluran berbilang versi. Tujuannya ialah latihan cekap, sampel konsisten dan penggunaan semula pengiraan semasa latihan. Sifat itu tergolong dalam proses latihan pengeluar: ia tidak membayangkan ingatan kekal untuk perbualan aplikasi atau kapasiti masa jalan tertentu bagi permintaan pengguna.
Penaakulan formal dan berejen
Latihan penaakulan formal menggunakan pemformalan pernyataan, sintesis bukti berulang dan penapisan sintaks serta konsistensi. Prom pembuktian teorem yang diterbitkan membekalkan masalah bersama pernyataan formalnya dan meminta penyelesaian dalam Lean 4. Sediakan takrif, andaian dan pernyataan teorem tepat; contoh output ialah bukti calon dengan penerangan dakwaan perantaraan penting. Penyemak formal masih menentukan sama ada bukti yang dijana diterima.
Latihan berejen membangunkan penggunaan adaptif alat yang disediakan. Pengeluar membina tugas yang benar-benar memerlukan bantuan alat dan melatih pada urutan penyelesaian satu giliran serta berbilang giliran. Berikan model nama alat, tujuan dan skema input, kemudian kembalikan hasil alat sebenar untuk langkah seterusnya. Contohnya, tugas analisis kod boleh memintanya memeriksa fungsi yang dibekalkan, memilih operasi diagnostik dan menerangkan pemerhatian. Pelaksanaan alat ialah tanggungjawab aplikasi yang mengelilinginya.
Penyediaan perbualan dan jawapan
Contoh sembang natif merangkumi penanda /think_on, arahan sistem pilihan dan giliran terdahulu sebelum pertanyaan pengguna baharu. Contoh matematik meminta penaakulan langkah demi langkah dan meletakkan hasil akhir dalam bentuk berkotak yang boleh dikenal pasti. Templat formal menambah pernyataan Lean 4. Contoh alat natif mengeluarkan rekod bertag yang mengandungi nama fungsi dan argumen serta membenarkan rekod berturutan untuk berbilang panggilan. Konvensyen ini menerangkan templat pengeluar; integrasi mesti mengekalkan maknanya, bukannya menganggapnya sebagai teks jawapan biasa.
Perbezaan edisi dan pertimbangan penggunaan
Keluaran asal dan edisi pemberat FP8 mempunyai nama berasingan. Panduan penempatan turut menerangkan ramalan berbilang token secara pilihan, yang bergantung pada persediaan inferens. Pengeluar menyatakan prestasi bahasa boleh berbeza dan bukan setiap aplikasi hiliran telah dinilai secara menyeluruh. Kekalkan sasaran yang boleh disemak secara matematik atau teknikal, bekalkan syarat lengkap dan periksa kod atau bukti yang dijana dengan penyemak yang sesuai. Identiti Thinking asal kekal berasingan daripada Chat dan edisi Thinking bernama yang lebih baharu; had angka konteks atau output memerlukan spesifikasi keluaran yang dipilih.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had LongCat-Flash-Thinking-ultra | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
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 berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000286 / 1K token Output · Token output $0.002858 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Gunakan laluan kaedah yang dipaparkan di atas.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking ialah model penaakulan Meituan untuk matematik, pengekodan, penggunaan alat dan pembuktian teorem formal. Edisi Thinking asalnya menggabungkan penaakulan umum dengan latihan formal dan ejen khusus, menghasilkan teks serta penyelesaian calon untuk syarat yang jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan model
LongCat-Flash-Thinking ialah model bahasa penaakulan besar Meituan. Reka bentuk campuran pakarnya mengandungi jumlah 560 bilion parameter dan mengaktifkan kira-kira 18.6 hingga 31.3 bilion secara dinamik, dengan purata sekitar 27 bilion, mengikut konteks tugas. Penekanannya meliputi matematik, logik, pengaturcaraan, pematuhan arahan, pembuktian teorem automatik dan penggunaan alat. Kad ini menerangkan keluaran Thinking asal, dengan arahan teks dan hasil teks.
Pembelajaran pengukuhan selari domain
Pembangunannya bermula dengan peringkat permulaan sejuk rantaian pemikiran panjang, diikuti pembelajaran pengukuhan berskala besar. Latihan memisahkan tugas STEM, pengekodan dan ejen kepada domain, kemudian menggabungkan model pakar yang dihasilkan. Ini menerangkan sebab penaakulan umum, pengaturcaraan dan interaksi alat semuanya menjadi teras keluaran itu. Berguna untuk mentakrifkan jenis masalah tepat dan hasil yang diperlukan, bukannya meminta perbincangan luas tentang topik.
Infrastruktur latihan DORA
Sistem DORA pengeluar menyelaraskan kerja pembelajaran pengukuhan tak segerak melalui peruntukan anjal dan saluran berbilang versi. Tujuannya ialah latihan cekap, sampel konsisten dan penggunaan semula pengiraan semasa latihan. Sifat itu tergolong dalam proses latihan pengeluar: ia tidak membayangkan ingatan kekal untuk perbualan aplikasi atau kapasiti masa jalan tertentu bagi permintaan pengguna.
Penaakulan formal dan berejen
Latihan penaakulan formal menggunakan pemformalan pernyataan, sintesis bukti berulang dan penapisan sintaks serta konsistensi. Prom pembuktian teorem yang diterbitkan membekalkan masalah bersama pernyataan formalnya dan meminta penyelesaian dalam Lean 4. Sediakan takrif, andaian dan pernyataan teorem tepat; contoh output ialah bukti calon dengan penerangan dakwaan perantaraan penting. Penyemak formal masih menentukan sama ada bukti yang dijana diterima.
Latihan berejen membangunkan penggunaan adaptif alat yang disediakan. Pengeluar membina tugas yang benar-benar memerlukan bantuan alat dan melatih pada urutan penyelesaian satu giliran serta berbilang giliran. Berikan model nama alat, tujuan dan skema input, kemudian kembalikan hasil alat sebenar untuk langkah seterusnya. Contohnya, tugas analisis kod boleh memintanya memeriksa fungsi yang dibekalkan, memilih operasi diagnostik dan menerangkan pemerhatian. Pelaksanaan alat ialah tanggungjawab aplikasi yang mengelilinginya.
Penyediaan perbualan dan jawapan
Contoh sembang natif merangkumi penanda /think_on, arahan sistem pilihan dan giliran terdahulu sebelum pertanyaan pengguna baharu. Contoh matematik meminta penaakulan langkah demi langkah dan meletakkan hasil akhir dalam bentuk berkotak yang boleh dikenal pasti. Templat formal menambah pernyataan Lean 4. Contoh alat natif mengeluarkan rekod bertag yang mengandungi nama fungsi dan argumen serta membenarkan rekod berturutan untuk berbilang panggilan. Konvensyen ini menerangkan templat pengeluar; integrasi mesti mengekalkan maknanya, bukannya menganggapnya sebagai teks jawapan biasa.
Perbezaan edisi dan pertimbangan penggunaan
Keluaran asal dan edisi pemberat FP8 mempunyai nama berasingan. Panduan penempatan turut menerangkan ramalan berbilang token secara pilihan, yang bergantung pada persediaan inferens. Pengeluar menyatakan prestasi bahasa boleh berbeza dan bukan setiap aplikasi hiliran telah dinilai secara menyeluruh. Kekalkan sasaran yang boleh disemak secara matematik atau teknikal, bekalkan syarat lengkap dan periksa kod atau bukti yang dijana dengan penyemak yang sesuai. Identiti Thinking asal kekal berasingan daripada Chat dan edisi Thinking bernama yang lebih baharu; had angka konteks atau output memerlukan spesifikasi keluaran yang dipilih.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had LongCat-Flash-Thinking-ultra | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000286 / 1K token Output · Token output $0.002858 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.