Predstavitev modela
LongCat-Flash-Thinking je Meituanov veliki jezikovni model za sklepanje. Njegova zasnova z mešanico strokovnjakov vsebuje 560 milijard skupnih parametrov in glede na kontekst naloge dinamično aktivira približno 18,6 do 31,3 milijarde, v povprečju približno 27 milijard. Poudarek zajema matematiko, logiko, programiranje, sledenje navodilom, samodejno dokazovanje izrekov in uporabo orodij. Ta kartica opisuje izvirno izdajo Thinking z besedilnimi navodili in besedilnimi rezultati.
Domensko vzporedno spodbujevalno učenje
Razvoj se začne s fazo hladnega zagona z dolgimi verigami razmišljanja, ki ji sledi obsežno spodbujevalno učenje. Učenje loči naloge STEM, programiranja in agentov v domene ter nato združi nastale specializirane modele. To pojasni, zakaj so splošno sklepanje, programiranje in interakcija z orodji osrednji deli izdaje. Koristno je opredeliti natančno vrsto problema in zahtevani rezultat, namesto zahtevati široko razpravo o temi.
Učna infrastruktura DORA
Proizvajalčev sistem DORA usklajuje asinhrono spodbujevalno učenje z elastičnim dodeljevanjem virov in cevovodom z več različicami. Namen sistema je učinkovito učenje, skladni vzorci in ponovna uporaba računanja med učenjem. Te lastnosti pripadajo proizvajalčevemu učnemu procesu: ne pomenijo trajnega spomina za pogovor aplikacije ali določene izvajalne zmogljivosti za uporabniško zahtevo.
Formalno in agentsko sklepanje
Učenje formalnega sklepanja uporablja formalizacijo trditev, ponavljajočo se sintezo dokazov ter filtriranje glede sintakse in skladnosti. Objavljeni poziv za dokazovanje izrekov predloži problem skupaj s formalno trditvijo in zahteva rešitev v Lean 4. Pripravite definicije, predpostavke in natančno trditev izreka; ponazoritveni izhod je predlagani dokaz z razlago pomembnih vmesnih trditev. Formalni preverjevalnik še vedno določi, ali je generirani dokaz sprejet.
Agentsko učenje razvija prilagodljivo uporabo predloženih orodij. Proizvajalec sestavi naloge, ki dejansko zahtevajo pomoč orodij, ter model uči na enokrožnih in večkrožnih zaporedjih rešitev. Modelu podajte ime orodja, namen in vhodno shemo, nato za naslednji korak vrnite dejanski rezultat orodja. Naloga analize kode lahko na primer zahteva pregled predložene funkcije, izbiro diagnostične operacije in razlago opažanja. Izvajanje orodij je naloga okoliške aplikacije.
Priprava pogovora in odgovora
Nativni pogovorni primeri vključujejo oznako /think_on, neobvezna sistemska navodila in prejšnje replike pred novo uporabniško poizvedbo. Matematični primeri zahtevajo sklepanje po korakih in končni rezultat postavijo v prepoznavno uokvirjeno obliko. Formalna predloga doda trditev Lean 4. Nativni primeri orodij oddajo označene zapise z imenom funkcije in argumenti ter dovoljujejo zaporedne zapise za več klicev. Ti dogovori opisujejo proizvajalčeve predloge; integracija mora ohraniti njihov pomen, namesto da jih obravnava kot navadno besedilo odgovora.
Razlike med izdajami in vidiki uporabe
Izvirna izdaja in njena izdaja uteži FP8 imata ločeni imeni. Vodnik za namestitev opisuje tudi neobvezno napovedovanje več žetonov, ki je odvisno od nastavitve sklepanja. Proizvajalec opozarja, da se jezikovna zmogljivost lahko razlikuje in da ni bila vsaka nadaljnja aplikacija celovito ocenjena. Ohranite matematično ali tehnično preverljiv cilj, predložite celotne pogoje ter generirano kodo ali dokaze preglejte z ustreznim preverjevalnikom. Izvirna identiteta Thinking ostaja ločena od Chat in pozneje poimenovanih izdaj Thinking; številčne zgornje meje konteksta ali izhoda potrebujejo specifikacijo izbrane izdaje.
", "aboutText": "Predstavitev modela\n\nLongCat-Flash-Thinking je Meituanov veliki jezikovni model za sklepanje. Njegova zasnova z mešanico strokovnjakov vsebuje 560 milijard skupnih parametrov in glede na kontekst naloge dinamično aktivira približno 18,6 do 31,3 milijarde, v povprečju približno 27 milijard. Poudarek zajema matematiko, logiko, programiranje, sledenje navodilom, samodejno dokazovanje izrekov in uporabo orodij. Ta kartica opisuje izvirno izdajo Thinking z besedilnimi navodili in besedilnimi rezultati.\n\nDomensko vzporedno spodbujevalno učenje\n\nRazvoj se začne s fazo hladnega zagona z dolgimi verigami razmišljanja, ki ji sledi obsežno spodbujevalno učenje. Učenje loči naloge STEM, programiranja in agentov v domene ter nato združi nastale specializirane modele. To pojasni, zakaj so splošno sklepanje, programiranje in interakcija z orodji osrednji deli izdaje. Koristno je opredeliti natančno vrsto problema in zahtevani rezultat, namesto zahtevati široko razpravo o temi.\n\nUčna infrastruktura DORA\n\nProizvajalčev sistem DORA usklajuje asinhrono spodbujevalno učenje z elastičnim dodeljevanjem virov in cevovodom z več različicami. Namen sistema je učinkovito učenje, skladni vzorci in ponovna uporaba računanja med učenjem. Te lastnosti pripadajo proizvajalčevemu učnemu procesu: ne pomenijo trajnega spomina za pogovor aplikacije ali določene izvajalne zmogljivosti za uporabniško zahtevo.\n\nFormalno in agentsko sklepanje\n\nUčenje formalnega sklepanja uporablja formalizacijo trditev, ponavljajočo se sintezo dokazov ter filtriranje glede sintakse in skladnosti. Objavljeni poziv za dokazovanje izrekov predloži problem skupaj s formalno trditvijo in zahteva rešitev v Lean 4. Pripravite definicije, predpostavke in natančno trditev izreka; ponazoritveni izhod je predlagani dokaz z razlago pomembnih vmesnih trditev. Formalni preverjevalnik še vedno določi, ali je generirani dokaz sprejet.\n\nAgentsko učenje razvija prilagodljivo uporabo predloženih orodij. Proizvajalec sestavi naloge, ki dejansko zahtevajo pomoč orodij, ter model uči na enokrožnih in večkrožnih zaporedjih rešitev. Modelu podajte ime orodja, namen in vhodno shemo, nato za naslednji korak vrnite dejanski rezultat orodja. Naloga analize kode lahko na primer zahteva pregled predložene funkcije, izbiro diagnostične operacije in razlago opažanja. Izvajanje orodij je naloga okoliške aplikacije.\n\nPriprava pogovora in odgovora\n\nNativni pogovorni primeri vključujejo oznako /think_on, neobvezna sistemska navodila in prejšnje replike pred novo uporabniško poizvedbo. Matematični primeri zahtevajo sklepanje po korakih in končni rezultat postavijo v prepoznavno uokvirjeno obliko. Formalna predloga doda trditev Lean 4. Nativni primeri orodij oddajo označene zapise z imenom funkcije in argumenti ter dovoljujejo zaporedne zapise za več klicev. Ti dogovori opisujejo proizvajalčeve predloge; integracija mora ohraniti njihov pomen, namesto da jih obravnava kot navadno besedilo odgovora.\n\nRazlike med izdajami in vidiki uporabe\n\nIzvirna izdaja in njena izdaja uteži FP8 imata ločeni imeni. Vodnik za namestitev opisuje tudi neobvezno napovedovanje več žetonov, ki je odvisno od nastavitve sklepanja. Proizvajalec opozarja, da se jezikovna zmogljivost lahko razlikuje in da ni bila vsaka nadaljnja aplikacija celovito ocenjena. Ohranite matematično ali tehnično preverljiv cilj, predložite celotne pogoje ter generirano kodo ali dokaze preglejte z ustreznim preverjevalnikom. Izvirna identiteta Thinking ostaja ločena od Chat in pozneje poimenovanih izdaj Thinking; številčne zgornje meje konteksta ali izhoda potrebujejo specifikacijo izbrane izdaje.", "editorialOverlay": { "copy_fields": { "practical_html": "Tehnični primer v angleščini
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 je Meituanov model za sklepanje pri matematiki, programiranju, uporabi orodij in formalnem dokazovanju izrekov. Njegova izvirna izdaja Thinking združuje splošno sklepanje z namenskim formalnim in agentskim učenjem ter ustvarja besedilo in predlagane rešitve izrecnih pogojev.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Predstavitev modela
LongCat-Flash-Thinking je Meituanov veliki jezikovni model za sklepanje. Njegova zasnova z mešanico strokovnjakov vsebuje 560 milijard skupnih parametrov in glede na kontekst naloge dinamično aktivira približno 18,6 do 31,3 milijarde, v povprečju približno 27 milijard. Poudarek zajema matematiko, logiko, programiranje, sledenje navodilom, samodejno dokazovanje izrekov in uporabo orodij. Ta kartica opisuje izvirno izdajo Thinking z besedilnimi navodili in besedilnimi rezultati.
Domensko vzporedno spodbujevalno učenje
Razvoj se začne s fazo hladnega zagona z dolgimi verigami razmišljanja, ki ji sledi obsežno spodbujevalno učenje. Učenje loči naloge STEM, programiranja in agentov v domene ter nato združi nastale specializirane modele. To pojasni, zakaj so splošno sklepanje, programiranje in interakcija z orodji osrednji deli izdaje. Koristno je opredeliti natančno vrsto problema in zahtevani rezultat, namesto zahtevati široko razpravo o temi.
Učna infrastruktura DORA
Proizvajalčev sistem DORA usklajuje asinhrono spodbujevalno učenje z elastičnim dodeljevanjem virov in cevovodom z več različicami. Namen sistema je učinkovito učenje, skladni vzorci in ponovna uporaba računanja med učenjem. Te lastnosti pripadajo proizvajalčevemu učnemu procesu: ne pomenijo trajnega spomina za pogovor aplikacije ali določene izvajalne zmogljivosti za uporabniško zahtevo.
Formalno in agentsko sklepanje
Učenje formalnega sklepanja uporablja formalizacijo trditev, ponavljajočo se sintezo dokazov ter filtriranje glede sintakse in skladnosti. Objavljeni poziv za dokazovanje izrekov predloži problem skupaj s formalno trditvijo in zahteva rešitev v Lean 4. Pripravite definicije, predpostavke in natančno trditev izreka; ponazoritveni izhod je predlagani dokaz z razlago pomembnih vmesnih trditev. Formalni preverjevalnik še vedno določi, ali je generirani dokaz sprejet.
Agentsko učenje razvija prilagodljivo uporabo predloženih orodij. Proizvajalec sestavi naloge, ki dejansko zahtevajo pomoč orodij, ter model uči na enokrožnih in večkrožnih zaporedjih rešitev. Modelu podajte ime orodja, namen in vhodno shemo, nato za naslednji korak vrnite dejanski rezultat orodja. Naloga analize kode lahko na primer zahteva pregled predložene funkcije, izbiro diagnostične operacije in razlago opažanja. Izvajanje orodij je naloga okoliške aplikacije.
Priprava pogovora in odgovora
Nativni pogovorni primeri vključujejo oznako /think_on, neobvezna sistemska navodila in prejšnje replike pred novo uporabniško poizvedbo. Matematični primeri zahtevajo sklepanje po korakih in končni rezultat postavijo v prepoznavno uokvirjeno obliko. Formalna predloga doda trditev Lean 4. Nativni primeri orodij oddajo označene zapise z imenom funkcije in argumenti ter dovoljujejo zaporedne zapise za več klicev. Ti dogovori opisujejo proizvajalčeve predloge; integracija mora ohraniti njihov pomen, namesto da jih obravnava kot navadno besedilo odgovora.
Razlike med izdajami in vidiki uporabe
Izvirna izdaja in njena izdaja uteži FP8 imata ločeni imeni. Vodnik za namestitev opisuje tudi neobvezno napovedovanje več žetonov, ki je odvisno od nastavitve sklepanja. Proizvajalec opozarja, da se jezikovna zmogljivost lahko razlikuje in da ni bila vsaka nadaljnja aplikacija celovito ocenjena. Ohranite matematično ali tehnično preverljiv cilj, predložite celotne pogoje ter generirano kodo ali dokaze preglejte z ustreznim preverjevalnikom. Izvirna identiteta Thinking ostaja ločena od Chat in pozneje poimenovanih izdaj Thinking; številčne zgornje meje konteksta ali izhoda potrebujejo specifikacijo izbrane izdaje.
POST /v1/chat/completionstexttext| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve LongCat-Flash-Thinking-ultra | Privzeto— |
Poljemessages | Vrstamessage[] | ZahtevaObvezno | Vrednosti in omejitve Najmanjše število elementov: 1 | Privzeto— |
Poljemessages[].role | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Primeri: system, user, assistant, tool, function Pogoji: Te vloge so izrecno predstavljene s tipi združljivosti v izvorni kodi; natančen nabor vlog ostaja odvisen od modela. Odvisno od modela | Privzeto— |
Poljemessages[].content | Vrstastring|content_part[]|null | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].tool_calls | Vrstatool_call[] | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].tool_call_id | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Velja, ko: role=tool; uporabite dejansko vrnjeni ID | Privzeto— |
Poljemessages[].name | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].reasoning_content | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Velja, ko: Pošljite nazaj dejansko vrnjeno sklepanje, kadar ga ta model uporablja | Privzeto— |
Poljemessages[].reasoning_details | Vrstaobject|array | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljemax_tokens | Vrstainteger | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 1 Odvisno od modela | Privzeto— |
Poljemax_completion_tokens | Vrstainteger | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 1 Odvisno od modela | Privzeto— |
Poljestream | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve | Privzetofalse |
Poljestream_options.include_usage | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetemperature | Vrstanumber | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetop_p | Vrstanumber | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljestop | Vrstastring|string[] | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetools | Vrstafunction_tool[] | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetools[].type | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve function Odvisno od modela | Privzeto— |
Poljetools[].function.name | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Velja, ko: podano je funkcijsko orodje | Privzeto— |
Poljetools[].function.description | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljetools[].function.parameters | VrstaJSON_schema | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljetool_choice | Vrstastring|object | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeparallel_tool_calls | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeresponse_format | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljereasoning_effort | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljereasoning | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeservice_tier | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeinstructions | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Polje združljivosti | Privzeto— |
Poljefunctions | Vrstafunction[] | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljefunction_call | Vrstastring|object | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeprompt_cache_options | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljemodalities | Vrstastring[] | ZahtevaIzbirno | Vrednosti in omejitve text | Privzeto— |
Poljeprovider | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Pogoji: provider.options je na tej besedilni poti Ultra zavrnjen | Privzeto— |
Poljecache_control.ttl | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Pogoji: 1h je zavrnjen na dejanskih mestih za predpomnjenje pozivov | Privzeto— |
Besedilo · Besedilo UTF8
messages[].content
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, messages |
Parametermaterial_types | Specifikacijatext |
Parametermessages | Specifikacijapolje sporočil s strukturo role/content |
Parameterfile_material | Specifikacijadejanski dokument UTF-8 je vstavljen kot dobesedno besedilo; ID datoteke se ne izpeljuje |
Parameteroptional_controls | Specifikacijastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Specifikacijaodvisno od modela; uporabniška funkcijska orodja se razlikujejo od orodij, ki jih izvaja storitev |
Parameteroutput_modalities | Specifikacijatext |
Parameterhosted_operations | Specifikacijafalse |
Parametermultimodal_input_binding | Specifikacijanull |
Življenjski cikel: synchronous_or_streamed
Pošljite natančen ID modela skupaj z messages.
Dolžina konteksta ni zgornja meja izhoda.
Besedilna datoteka lahko poda dobesedno besedilo; slikovni, zvočni vhodi in vhodi z datotečnimi objekti potrebujejo natančno vezavo.
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
| Nastavitev | Cenovna lestvica | Strošek |
|---|---|---|
| NastavitevOsnovne cene za žetone | Cenovna lestvicaOsnovna cena | Strošek Vhod · Vhodni žetoni $0.000286 / 1K žetonov Izhod · Izhodni žetoni $0.002858 / 1K žetonov Vhod · Branje predpomnilnika $0 / 1K žetonov Vhod · Zapis v predpomnilnik $0 / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
set -eu\n: "${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 ali SSE
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Ohranite vsako možnost odgovora ter njeno vsebino, klice orodij in sklepanje. V SSE sestavite delne spremembe po indeksu možnosti/orodja ter ohranite končni razlog zaključka in podatke o porabi.
Ohranite ID zahtev/odgovorov in glave. Splošni URL za pridobivanje besedilne naloge ni podan.
| Polje | Vrsta |
|---|---|
Poljechoices[].index | Vrstainteger |
Poljechoices[].message.content | Vrstastring|null |
Poljechoices[].message.tool_calls | Vrstatool_call[] |
Poljechoices[].message.reasoning_content | Vrstastring |
Poljechoices[].message.reasoning_details | Vrstaobject|array |
Poljechoices[].finish_reason | Vrstastring|null |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Uporabite zgoraj navedene poti metod.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking je Meituanov model za sklepanje pri matematiki, programiranju, uporabi orodij in formalnem dokazovanju izrekov. Njegova izvirna izdaja Thinking združuje splošno sklepanje z namenskim formalnim in agentskim učenjem ter ustvarja besedilo in predlagane rešitve izrecnih pogojev.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Predstavitev modela
LongCat-Flash-Thinking je Meituanov veliki jezikovni model za sklepanje. Njegova zasnova z mešanico strokovnjakov vsebuje 560 milijard skupnih parametrov in glede na kontekst naloge dinamično aktivira približno 18,6 do 31,3 milijarde, v povprečju približno 27 milijard. Poudarek zajema matematiko, logiko, programiranje, sledenje navodilom, samodejno dokazovanje izrekov in uporabo orodij. Ta kartica opisuje izvirno izdajo Thinking z besedilnimi navodili in besedilnimi rezultati.
Domensko vzporedno spodbujevalno učenje
Razvoj se začne s fazo hladnega zagona z dolgimi verigami razmišljanja, ki ji sledi obsežno spodbujevalno učenje. Učenje loči naloge STEM, programiranja in agentov v domene ter nato združi nastale specializirane modele. To pojasni, zakaj so splošno sklepanje, programiranje in interakcija z orodji osrednji deli izdaje. Koristno je opredeliti natančno vrsto problema in zahtevani rezultat, namesto zahtevati široko razpravo o temi.
Učna infrastruktura DORA
Proizvajalčev sistem DORA usklajuje asinhrono spodbujevalno učenje z elastičnim dodeljevanjem virov in cevovodom z več različicami. Namen sistema je učinkovito učenje, skladni vzorci in ponovna uporaba računanja med učenjem. Te lastnosti pripadajo proizvajalčevemu učnemu procesu: ne pomenijo trajnega spomina za pogovor aplikacije ali določene izvajalne zmogljivosti za uporabniško zahtevo.
Formalno in agentsko sklepanje
Učenje formalnega sklepanja uporablja formalizacijo trditev, ponavljajočo se sintezo dokazov ter filtriranje glede sintakse in skladnosti. Objavljeni poziv za dokazovanje izrekov predloži problem skupaj s formalno trditvijo in zahteva rešitev v Lean 4. Pripravite definicije, predpostavke in natančno trditev izreka; ponazoritveni izhod je predlagani dokaz z razlago pomembnih vmesnih trditev. Formalni preverjevalnik še vedno določi, ali je generirani dokaz sprejet.
Agentsko učenje razvija prilagodljivo uporabo predloženih orodij. Proizvajalec sestavi naloge, ki dejansko zahtevajo pomoč orodij, ter model uči na enokrožnih in večkrožnih zaporedjih rešitev. Modelu podajte ime orodja, namen in vhodno shemo, nato za naslednji korak vrnite dejanski rezultat orodja. Naloga analize kode lahko na primer zahteva pregled predložene funkcije, izbiro diagnostične operacije in razlago opažanja. Izvajanje orodij je naloga okoliške aplikacije.
Priprava pogovora in odgovora
Nativni pogovorni primeri vključujejo oznako /think_on, neobvezna sistemska navodila in prejšnje replike pred novo uporabniško poizvedbo. Matematični primeri zahtevajo sklepanje po korakih in končni rezultat postavijo v prepoznavno uokvirjeno obliko. Formalna predloga doda trditev Lean 4. Nativni primeri orodij oddajo označene zapise z imenom funkcije in argumenti ter dovoljujejo zaporedne zapise za več klicev. Ti dogovori opisujejo proizvajalčeve predloge; integracija mora ohraniti njihov pomen, namesto da jih obravnava kot navadno besedilo odgovora.
Razlike med izdajami in vidiki uporabe
Izvirna izdaja in njena izdaja uteži FP8 imata ločeni imeni. Vodnik za namestitev opisuje tudi neobvezno napovedovanje več žetonov, ki je odvisno od nastavitve sklepanja. Proizvajalec opozarja, da se jezikovna zmogljivost lahko razlikuje in da ni bila vsaka nadaljnja aplikacija celovito ocenjena. Ohranite matematično ali tehnično preverljiv cilj, predložite celotne pogoje ter generirano kodo ali dokaze preglejte z ustreznim preverjevalnikom. Izvirna identiteta Thinking ostaja ločena od Chat in pozneje poimenovanih izdaj Thinking; številčne zgornje meje konteksta ali izhoda potrebujejo specifikacijo izbrane izdaje.
POST /v1/messagestextjson, sse| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve LongCat-Flash-Thinking-ultra | Privzeto— |
Poljemessages | Vrstamessage[] | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].role | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve user, assistant | Privzeto— |
Poljemessages[].content | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljemax_tokens | Vrstainteger | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljestream | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve | Privzetofalse |
Besedilo · Besedilo UTF-8
niz messages[].content
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, messages, max_tokens |
Parameteroptional_controls | Specifikacijastream |
Parametermaterial_types | Specifikacijatext |
Parametertext_file_material | SpecifikacijaPreberite dejanski dokument UTF-8 in njegovo besedilo vstavite v navedeni vhodni niz ali niz vsebine sporočila. |
Življenjski cikel: synchronous_or_streamed
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
| Nastavitev | Cenovna lestvica | Strošek |
|---|---|---|
| NastavitevOsnovne cene za žetone | Cenovna lestvicaOsnovna cena | Strošek Vhod · Vhodni žetoni $0.000286 / 1K žetonov Izhod · Izhodni žetoni $0.002858 / 1K žetonov Vhod · Branje predpomnilnika $0 / 1K žetonov Vhod · Zapis v predpomnilnik $0 / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ali SSE
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Ohranite vse vsebinske bloke, podpise sklepanja in dejanske ID uporabe orodij. Sestavite vse delne spremembe blokov SSE; prvi besedilni blok ni celoten izhod.
Ohranite ID zahtev/odgovorov in glave. Splošni URL za pridobivanje besedilne naloge ni podan.
| Polje | Vrsta |
|---|---|
Poljeid | Vrstastring |
Poljemodel | Vrstastring |
Poljecontent[] | Vrstatext|thinking|tool_use|other content block |
Poljestop_reason | Vrstastring|null |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Uporabite zgoraj navedene poti metod.
Tehnični primer v angleščini
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.