Modelintroductie
LongCat-Flash-Thinking is het grote redeneertaalmodel van Meituan. Het mixture-of-experts-ontwerp bevat 560 miljard totale parameters en activeert afhankelijk van de taakcontext dynamisch ongeveer 18,6 tot 31,3 miljard, met een gemiddelde van ongeveer 27 miljard. De nadruk ligt op wiskunde, logica, programmeren, instructies volgen, automatisch bewijzen van stellingen en hulpmiddelgebruik. Deze kaart beschrijft de oorspronkelijke Thinking-release, met tekstinstructies en tekstresultaten.
Domeinparallel reinforcement learning
De ontwikkeling begint met een cold-startfase met lange redeneerketens, gevolgd door grootschalig reinforcement learning. De training verdeelt STEM-, programmeer- en agenttaken over domeinen en voegt daarna de resulterende specialistische modellen samen. Dit verklaart waarom algemeen redeneren, programmeren en interactie met hulpmiddelen allemaal centraal staan in de release. Het is nuttig het exacte soort probleem en het vereiste resultaat vast te leggen in plaats van om een brede bespreking van een onderwerp te vragen.
DORA-trainingsinfrastructuur
Het DORA-systeem van de fabrikant coördineert asynchroon reinforcement-learningwerk via elastische toewijzing en een pijplijn met meerdere versies. Het doel is efficiënte training, consistente voorbeelden en hergebruik van berekeningen tijdens de training. Die eigenschappen behoren tot het trainingsproces van de producent: ze impliceren geen blijvend geheugen voor een toepassingsgesprek of een specifieke runtimecapaciteit voor een gebruikersverzoek.
Formeel en agentgericht redeneren
De training voor formeel redeneren gebruikt formalisering van uitspraken, iteratieve bewijssynthese en filtering op syntaxis en consistentie. De gepubliceerde prompt voor het bewijzen van stellingen levert een probleem samen met de formele formulering aan en vraagt om een oplossing in Lean 4. Bereid definities, aannames en de exacte stelling voor; een voorbeeldresultaat is een kandidaatbewijs met uitleg van de belangrijke tussenbeweringen. Een formele controleur bepaalt nog steeds of het gegenereerde bewijs aanvaard wordt.
Agenttraining ontwikkelt flexibel gebruik van aangeboden hulpmiddelen. De fabrikant maakt taken die daadwerkelijk hulpmiddelondersteuning vereisen en traint op oplossingsreeksen met één en meerdere beurten. Geef het model de hulpmiddelnaam, het doel en het invoerschema en geef vervolgens het werkelijke hulpmiddelresultaat terug voor de volgende stap. Een codeanalysetaak kan bijvoorbeeld vragen een aangeleverde functie te inspecteren, een diagnostische bewerking te selecteren en de waarneming uit te leggen. Hulpmiddeluitvoering behoort tot de omringende toepassing.
Gesprek en antwoord voorbereiden
De oorspronkelijke chatvoorbeelden bevatten een markering /think_on, optionele systeeminstructies en de eerdere beurten vóór de nieuwe gebruikersvraag. Wiskundige voorbeelden vragen om stapsgewijs redeneren en plaatsen het eindresultaat in een herkenbaar kader. Het formele sjabloon voegt de Lean 4-stelling toe. Oorspronkelijke hulpmiddelvoorbeelden geven getagde records met een functienaam en argumenten uit en staan opeenvolgende records voor meerdere aanroepen toe. Deze conventies beschrijven de sjablonen van de fabrikant; een integratie moet hun betekenis behouden in plaats van ze als gewone antwoordtekst te behandelen.
Verschillen tussen edities en gebruiksoverwegingen
De oorspronkelijke release en de editie met FP8-gewichten hebben afzonderlijke namen. De implementatiegids beschrijft ook optionele multi-token prediction, die van de inferentieopzet afhangt. De fabrikant merkt op dat taalprestaties kunnen variëren en dat niet iedere vervolgtoepassing uitgebreid beoordeeld is. Houd een wiskundig of technisch controleerbaar doel aan, lever de volledige voorwaarden aan en inspecteer gegenereerde code of bewijzen met de passende controleur. De oorspronkelijke Thinking-identiteit blijft gescheiden van Chat en later benoemde Thinking-edities; numerieke context- of uitvoerlimieten vereisen de specificatie van de gekozen release.
", "aboutText": "Modelintroductie\n\nLongCat-Flash-Thinking is het grote redeneertaalmodel van Meituan. Het mixture-of-experts-ontwerp bevat 560 miljard totale parameters en activeert afhankelijk van de taakcontext dynamisch ongeveer 18,6 tot 31,3 miljard, met een gemiddelde van ongeveer 27 miljard. De nadruk ligt op wiskunde, logica, programmeren, instructies volgen, automatisch bewijzen van stellingen en hulpmiddelgebruik. Deze kaart beschrijft de oorspronkelijke Thinking-release, met tekstinstructies en tekstresultaten.\n\nDomeinparallel reinforcement learning\n\nDe ontwikkeling begint met een cold-startfase met lange redeneerketens, gevolgd door grootschalig reinforcement learning. De training verdeelt STEM-, programmeer- en agenttaken over domeinen en voegt daarna de resulterende specialistische modellen samen. Dit verklaart waarom algemeen redeneren, programmeren en interactie met hulpmiddelen allemaal centraal staan in de release. Het is nuttig het exacte soort probleem en het vereiste resultaat vast te leggen in plaats van om een brede bespreking van een onderwerp te vragen.\n\nDORA-trainingsinfrastructuur\n\nHet DORA-systeem van de fabrikant coördineert asynchroon reinforcement-learningwerk via elastische toewijzing en een pijplijn met meerdere versies. Het doel is efficiënte training, consistente voorbeelden en hergebruik van berekeningen tijdens de training. Die eigenschappen behoren tot het trainingsproces van de producent: ze impliceren geen blijvend geheugen voor een toepassingsgesprek of een specifieke runtimecapaciteit voor een gebruikersverzoek.\n\nFormeel en agentgericht redeneren\n\nDe training voor formeel redeneren gebruikt formalisering van uitspraken, iteratieve bewijssynthese en filtering op syntaxis en consistentie. De gepubliceerde prompt voor het bewijzen van stellingen levert een probleem samen met de formele formulering aan en vraagt om een oplossing in Lean 4. Bereid definities, aannames en de exacte stelling voor; een voorbeeldresultaat is een kandidaatbewijs met uitleg van de belangrijke tussenbeweringen. Een formele controleur bepaalt nog steeds of het gegenereerde bewijs aanvaard wordt.\n\nAgenttraining ontwikkelt flexibel gebruik van aangeboden hulpmiddelen. De fabrikant maakt taken die daadwerkelijk hulpmiddelondersteuning vereisen en traint op oplossingsreeksen met één en meerdere beurten. Geef het model de hulpmiddelnaam, het doel en het invoerschema en geef vervolgens het werkelijke hulpmiddelresultaat terug voor de volgende stap. Een codeanalysetaak kan bijvoorbeeld vragen een aangeleverde functie te inspecteren, een diagnostische bewerking te selecteren en de waarneming uit te leggen. Hulpmiddeluitvoering behoort tot de omringende toepassing.\n\nGesprek en antwoord voorbereiden\n\nDe oorspronkelijke chatvoorbeelden bevatten een markering /think_on, optionele systeeminstructies en de eerdere beurten vóór de nieuwe gebruikersvraag. Wiskundige voorbeelden vragen om stapsgewijs redeneren en plaatsen het eindresultaat in een herkenbaar kader. Het formele sjabloon voegt de Lean 4-stelling toe. Oorspronkelijke hulpmiddelvoorbeelden geven getagde records met een functienaam en argumenten uit en staan opeenvolgende records voor meerdere aanroepen toe. Deze conventies beschrijven de sjablonen van de fabrikant; een integratie moet hun betekenis behouden in plaats van ze als gewone antwoordtekst te behandelen.\n\nVerschillen tussen edities en gebruiksoverwegingen\n\nDe oorspronkelijke release en de editie met FP8-gewichten hebben afzonderlijke namen. De implementatiegids beschrijft ook optionele multi-token prediction, die van de inferentieopzet afhangt. De fabrikant merkt op dat taalprestaties kunnen variëren en dat niet iedere vervolgtoepassing uitgebreid beoordeeld is. Houd een wiskundig of technisch controleerbaar doel aan, lever de volledige voorwaarden aan en inspecteer gegenereerde code of bewijzen met de passende controleur. De oorspronkelijke Thinking-identiteit blijft gescheiden van Chat en later benoemde Thinking-edities; numerieke context- of uitvoerlimieten vereisen de specificatie van de gekozen release.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is het redeneermodel van Meituan voor wiskunde, programmeren, hulpmiddelgebruik en formeel bewijzen van stellingen. De oorspronkelijke Thinking-editie combineert algemeen redeneren met specifieke formele en agenttraining en produceert tekst en kandidaatoplossingen voor expliciete voorwaarden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Modelintroductie
LongCat-Flash-Thinking is het grote redeneertaalmodel van Meituan. Het mixture-of-experts-ontwerp bevat 560 miljard totale parameters en activeert afhankelijk van de taakcontext dynamisch ongeveer 18,6 tot 31,3 miljard, met een gemiddelde van ongeveer 27 miljard. De nadruk ligt op wiskunde, logica, programmeren, instructies volgen, automatisch bewijzen van stellingen en hulpmiddelgebruik. Deze kaart beschrijft de oorspronkelijke Thinking-release, met tekstinstructies en tekstresultaten.
Domeinparallel reinforcement learning
De ontwikkeling begint met een cold-startfase met lange redeneerketens, gevolgd door grootschalig reinforcement learning. De training verdeelt STEM-, programmeer- en agenttaken over domeinen en voegt daarna de resulterende specialistische modellen samen. Dit verklaart waarom algemeen redeneren, programmeren en interactie met hulpmiddelen allemaal centraal staan in de release. Het is nuttig het exacte soort probleem en het vereiste resultaat vast te leggen in plaats van om een brede bespreking van een onderwerp te vragen.
DORA-trainingsinfrastructuur
Het DORA-systeem van de fabrikant coördineert asynchroon reinforcement-learningwerk via elastische toewijzing en een pijplijn met meerdere versies. Het doel is efficiënte training, consistente voorbeelden en hergebruik van berekeningen tijdens de training. Die eigenschappen behoren tot het trainingsproces van de producent: ze impliceren geen blijvend geheugen voor een toepassingsgesprek of een specifieke runtimecapaciteit voor een gebruikersverzoek.
Formeel en agentgericht redeneren
De training voor formeel redeneren gebruikt formalisering van uitspraken, iteratieve bewijssynthese en filtering op syntaxis en consistentie. De gepubliceerde prompt voor het bewijzen van stellingen levert een probleem samen met de formele formulering aan en vraagt om een oplossing in Lean 4. Bereid definities, aannames en de exacte stelling voor; een voorbeeldresultaat is een kandidaatbewijs met uitleg van de belangrijke tussenbeweringen. Een formele controleur bepaalt nog steeds of het gegenereerde bewijs aanvaard wordt.
Agenttraining ontwikkelt flexibel gebruik van aangeboden hulpmiddelen. De fabrikant maakt taken die daadwerkelijk hulpmiddelondersteuning vereisen en traint op oplossingsreeksen met één en meerdere beurten. Geef het model de hulpmiddelnaam, het doel en het invoerschema en geef vervolgens het werkelijke hulpmiddelresultaat terug voor de volgende stap. Een codeanalysetaak kan bijvoorbeeld vragen een aangeleverde functie te inspecteren, een diagnostische bewerking te selecteren en de waarneming uit te leggen. Hulpmiddeluitvoering behoort tot de omringende toepassing.
Gesprek en antwoord voorbereiden
De oorspronkelijke chatvoorbeelden bevatten een markering /think_on, optionele systeeminstructies en de eerdere beurten vóór de nieuwe gebruikersvraag. Wiskundige voorbeelden vragen om stapsgewijs redeneren en plaatsen het eindresultaat in een herkenbaar kader. Het formele sjabloon voegt de Lean 4-stelling toe. Oorspronkelijke hulpmiddelvoorbeelden geven getagde records met een functienaam en argumenten uit en staan opeenvolgende records voor meerdere aanroepen toe. Deze conventies beschrijven de sjablonen van de fabrikant; een integratie moet hun betekenis behouden in plaats van ze als gewone antwoordtekst te behandelen.
Verschillen tussen edities en gebruiksoverwegingen
De oorspronkelijke release en de editie met FP8-gewichten hebben afzonderlijke namen. De implementatiegids beschrijft ook optionele multi-token prediction, die van de inferentieopzet afhangt. De fabrikant merkt op dat taalprestaties kunnen variëren en dat niet iedere vervolgtoepassing uitgebreid beoordeeld is. Houd een wiskundig of technisch controleerbaar doel aan, lever de volledige voorwaarden aan en inspecteer gegenereerde code of bewijzen met de passende controleur. De oorspronkelijke Thinking-identiteit blijft gescheiden van Chat en later benoemde Thinking-edities; numerieke context- of uitvoerlimieten vereisen de specificatie van de gekozen release.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten LongCat-Flash-Thinking-ultra | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.002858 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Gebruik de hierboven getoonde methodepaden.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking is het redeneermodel van Meituan voor wiskunde, programmeren, hulpmiddelgebruik en formeel bewijzen van stellingen. De oorspronkelijke Thinking-editie combineert algemeen redeneren met specifieke formele en agenttraining en produceert tekst en kandidaatoplossingen voor expliciete voorwaarden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Modelintroductie
LongCat-Flash-Thinking is het grote redeneertaalmodel van Meituan. Het mixture-of-experts-ontwerp bevat 560 miljard totale parameters en activeert afhankelijk van de taakcontext dynamisch ongeveer 18,6 tot 31,3 miljard, met een gemiddelde van ongeveer 27 miljard. De nadruk ligt op wiskunde, logica, programmeren, instructies volgen, automatisch bewijzen van stellingen en hulpmiddelgebruik. Deze kaart beschrijft de oorspronkelijke Thinking-release, met tekstinstructies en tekstresultaten.
Domeinparallel reinforcement learning
De ontwikkeling begint met een cold-startfase met lange redeneerketens, gevolgd door grootschalig reinforcement learning. De training verdeelt STEM-, programmeer- en agenttaken over domeinen en voegt daarna de resulterende specialistische modellen samen. Dit verklaart waarom algemeen redeneren, programmeren en interactie met hulpmiddelen allemaal centraal staan in de release. Het is nuttig het exacte soort probleem en het vereiste resultaat vast te leggen in plaats van om een brede bespreking van een onderwerp te vragen.
DORA-trainingsinfrastructuur
Het DORA-systeem van de fabrikant coördineert asynchroon reinforcement-learningwerk via elastische toewijzing en een pijplijn met meerdere versies. Het doel is efficiënte training, consistente voorbeelden en hergebruik van berekeningen tijdens de training. Die eigenschappen behoren tot het trainingsproces van de producent: ze impliceren geen blijvend geheugen voor een toepassingsgesprek of een specifieke runtimecapaciteit voor een gebruikersverzoek.
Formeel en agentgericht redeneren
De training voor formeel redeneren gebruikt formalisering van uitspraken, iteratieve bewijssynthese en filtering op syntaxis en consistentie. De gepubliceerde prompt voor het bewijzen van stellingen levert een probleem samen met de formele formulering aan en vraagt om een oplossing in Lean 4. Bereid definities, aannames en de exacte stelling voor; een voorbeeldresultaat is een kandidaatbewijs met uitleg van de belangrijke tussenbeweringen. Een formele controleur bepaalt nog steeds of het gegenereerde bewijs aanvaard wordt.
Agenttraining ontwikkelt flexibel gebruik van aangeboden hulpmiddelen. De fabrikant maakt taken die daadwerkelijk hulpmiddelondersteuning vereisen en traint op oplossingsreeksen met één en meerdere beurten. Geef het model de hulpmiddelnaam, het doel en het invoerschema en geef vervolgens het werkelijke hulpmiddelresultaat terug voor de volgende stap. Een codeanalysetaak kan bijvoorbeeld vragen een aangeleverde functie te inspecteren, een diagnostische bewerking te selecteren en de waarneming uit te leggen. Hulpmiddeluitvoering behoort tot de omringende toepassing.
Gesprek en antwoord voorbereiden
De oorspronkelijke chatvoorbeelden bevatten een markering /think_on, optionele systeeminstructies en de eerdere beurten vóór de nieuwe gebruikersvraag. Wiskundige voorbeelden vragen om stapsgewijs redeneren en plaatsen het eindresultaat in een herkenbaar kader. Het formele sjabloon voegt de Lean 4-stelling toe. Oorspronkelijke hulpmiddelvoorbeelden geven getagde records met een functienaam en argumenten uit en staan opeenvolgende records voor meerdere aanroepen toe. Deze conventies beschrijven de sjablonen van de fabrikant; een integratie moet hun betekenis behouden in plaats van ze als gewone antwoordtekst te behandelen.
Verschillen tussen edities en gebruiksoverwegingen
De oorspronkelijke release en de editie met FP8-gewichten hebben afzonderlijke namen. De implementatiegids beschrijft ook optionele multi-token prediction, die van de inferentieopzet afhangt. De fabrikant merkt op dat taalprestaties kunnen variëren en dat niet iedere vervolgtoepassing uitgebreid beoordeeld is. Houd een wiskundig of technisch controleerbaar doel aan, lever de volledige voorwaarden aan en inspecteer gegenereerde code of bewijzen met de passende controleur. De oorspronkelijke Thinking-identiteit blijft gescheiden van Chat en later benoemde Thinking-edities; numerieke context- of uitvoerlimieten vereisen de specificatie van de gekozen release.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten LongCat-Flash-Thinking-ultra | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.002858 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.