Modellintroduktion
LongCat-Flash-Thinking är Meituans stora språkmodell för resonemang. Dess mixture-of-experts-konstruktion innehåller totalt 560 miljarder parametrar och aktiverar dynamiskt cirka 18,6 till 31,3 miljarder, i genomsnitt omkring 27 miljarder, enligt uppgiftens kontext. Tonvikten omfattar matematik, logik, programmering, instruktionsföljande, automatisk satsbevisning och verktygsanvändning. Detta modellkort beskriver den ursprungliga Thinking-utgåvan med textinstruktioner och textresultat.
Domänparallell förstärkningsinlärning
Utvecklingen börjar med ett kallstartssteg med långa resonemangskedjor, följt av storskalig förstärkningsinlärning. Träningen delar upp STEM-, kod- och agentuppgifter i domäner och slår sedan samman de resulterande specialistmodellerna. Detta förklarar varför allmänt resonemang, programmering och verktygsinteraktion är centrala för utgåvan. Det är användbart att definiera den exakta problemtypen och det erforderliga resultatet i stället för att begära en bred diskussion om ett ämne.
Träningsinfrastrukturen DORA
Tillverkarens DORA-system samordnar asynkront förstärkningsinlärningsarbete genom elastisk tilldelning och en pipeline med flera versioner. Syftet är effektiv träning, konsekventa exempel och återanvändning av beräkningar under träningen. Dessa egenskaper tillhör tillverkarens träningsprocess: de innebär inte beständigt minne för ett applikationssamtal eller en viss körningskapacitet för en användarbegäran.
Formellt och agentbaserat resonemang
Träning i formellt resonemang använder formalisering av påståenden, iterativ bevissyntes och filtrering för syntax och konsekvens. Den publicerade instruktionen för satsbevisning tillhandahåller ett problem tillsammans med dess formella påstående och begär en lösning i Lean 4. Förbered definitioner, antaganden och det exakta satsuttalandet; en illustrativ utdata är ett bevisförslag med en förklaring av viktiga mellanliggande påståenden. En formell kontroll avgör fortfarande om det genererade beviset accepteras.
Agentträning utvecklar anpassad användning av tillhandahållna verktyg. Tillverkaren konstruerar uppgifter som verkligen kräver verktygshjälp och tränar på lösningssekvenser med en eller flera turer. Ge modellen verktygets namn, syfte och indataschema och returnera sedan det faktiska verktygsresultatet för nästa steg. En kodanalysuppgift kan exempelvis be modellen granska en tillhandahållen funktion, välja en diagnostisk operation och förklara observationen. Verktygskörning tillhör den omgivande applikationen.
Förberedelse av samtal och svar
De inbyggda chattexemplen omfattar en /think_on-markör, valfria systeminstruktioner och tidigare turer före den nya användarfrågan. Matematikexempel begär stegvis resonemang och placerar slutresultatet i en igenkännbar inramad form. Den formella mallen lägger till Lean 4-påståendet. Inbyggda verktygsexempel ger taggade poster med ett funktionsnamn och argument och tillåter på varandra följande poster för flera anrop. Dessa konventioner beskriver tillverkarens mallar; en integration måste bevara deras betydelse snarare än behandla dem som vanlig svarstext.
Skillnader mellan utgåvor och användningshänsyn
Den ursprungliga utgåvan och dess viktutgåva i FP8 har separata namn. Driftsättningsguiden beskriver även valfri prediktion av flera token, vilket beror på inferensuppsättningen. Tillverkaren påpekar att språkprestanda kan variera och att inte varje efterföljande applikation har bedömts heltäckande. Behåll ett matematiskt eller tekniskt kontrollerbart mål, tillhandahåll de fullständiga villkoren och granska genererad kod eller bevis med lämplig kontroll. Den ursprungliga Thinking-identiteten förblir separat från Chat och senare namngivna Thinking-utgåvor; numeriska kontext- eller utdatatak kräver specifikationen för den valda utgåvan.
", "aboutText": "Modellintroduktion\n\nLongCat-Flash-Thinking är Meituans stora språkmodell för resonemang. Dess mixture-of-experts-konstruktion innehåller totalt 560 miljarder parametrar och aktiverar dynamiskt cirka 18,6 till 31,3 miljarder, i genomsnitt omkring 27 miljarder, enligt uppgiftens kontext. Tonvikten omfattar matematik, logik, programmering, instruktionsföljande, automatisk satsbevisning och verktygsanvändning. Detta modellkort beskriver den ursprungliga Thinking-utgåvan med textinstruktioner och textresultat.\n\nDomänparallell förstärkningsinlärning\n\nUtvecklingen börjar med ett kallstartssteg med långa resonemangskedjor, följt av storskalig förstärkningsinlärning. Träningen delar upp STEM-, kod- och agentuppgifter i domäner och slår sedan samman de resulterande specialistmodellerna. Detta förklarar varför allmänt resonemang, programmering och verktygsinteraktion är centrala för utgåvan. Det är användbart att definiera den exakta problemtypen och det erforderliga resultatet i stället för att begära en bred diskussion om ett ämne.\n\nTräningsinfrastrukturen DORA\n\nTillverkarens DORA-system samordnar asynkront förstärkningsinlärningsarbete genom elastisk tilldelning och en pipeline med flera versioner. Syftet är effektiv träning, konsekventa exempel och återanvändning av beräkningar under träningen. Dessa egenskaper tillhör tillverkarens träningsprocess: de innebär inte beständigt minne för ett applikationssamtal eller en viss körningskapacitet för en användarbegäran.\n\nFormellt och agentbaserat resonemang\n\nTräning i formellt resonemang använder formalisering av påståenden, iterativ bevissyntes och filtrering för syntax och konsekvens. Den publicerade instruktionen för satsbevisning tillhandahåller ett problem tillsammans med dess formella påstående och begär en lösning i Lean 4. Förbered definitioner, antaganden och det exakta satsuttalandet; en illustrativ utdata är ett bevisförslag med en förklaring av viktiga mellanliggande påståenden. En formell kontroll avgör fortfarande om det genererade beviset accepteras.\n\nAgentträning utvecklar anpassad användning av tillhandahållna verktyg. Tillverkaren konstruerar uppgifter som verkligen kräver verktygshjälp och tränar på lösningssekvenser med en eller flera turer. Ge modellen verktygets namn, syfte och indataschema och returnera sedan det faktiska verktygsresultatet för nästa steg. En kodanalysuppgift kan exempelvis be modellen granska en tillhandahållen funktion, välja en diagnostisk operation och förklara observationen. Verktygskörning tillhör den omgivande applikationen.\n\nFörberedelse av samtal och svar\n\nDe inbyggda chattexemplen omfattar en /think_on-markör, valfria systeminstruktioner och tidigare turer före den nya användarfrågan. Matematikexempel begär stegvis resonemang och placerar slutresultatet i en igenkännbar inramad form. Den formella mallen lägger till Lean 4-påståendet. Inbyggda verktygsexempel ger taggade poster med ett funktionsnamn och argument och tillåter på varandra följande poster för flera anrop. Dessa konventioner beskriver tillverkarens mallar; en integration måste bevara deras betydelse snarare än behandla dem som vanlig svarstext.\n\nSkillnader mellan utgåvor och användningshänsyn\n\nDen ursprungliga utgåvan och dess viktutgåva i FP8 har separata namn. Driftsättningsguiden beskriver även valfri prediktion av flera token, vilket beror på inferensuppsättningen. Tillverkaren påpekar att språkprestanda kan variera och att inte varje efterföljande applikation har bedömts heltäckande. Behåll ett matematiskt eller tekniskt kontrollerbart mål, tillhandahåll de fullständiga villkoren och granska genererad kod eller bevis med lämplig kontroll. Den ursprungliga Thinking-identiteten förblir separat från Chat och senare namngivna Thinking-utgåvor; numeriska kontext- eller utdatatak kräver specifikationen för den valda utgåvan.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Meituans resonemangsmodell för matematik, programmering, verktygsanvändning och formell satsbevisning. Dess ursprungliga Thinking-utgåva kombinerar allmänt resonemang med särskild formell träning och agentträning och producerar text och lösningsförslag utifrån uttryckliga villkor.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Modellintroduktion
LongCat-Flash-Thinking är Meituans stora språkmodell för resonemang. Dess mixture-of-experts-konstruktion innehåller totalt 560 miljarder parametrar och aktiverar dynamiskt cirka 18,6 till 31,3 miljarder, i genomsnitt omkring 27 miljarder, enligt uppgiftens kontext. Tonvikten omfattar matematik, logik, programmering, instruktionsföljande, automatisk satsbevisning och verktygsanvändning. Detta modellkort beskriver den ursprungliga Thinking-utgåvan med textinstruktioner och textresultat.
Domänparallell förstärkningsinlärning
Utvecklingen börjar med ett kallstartssteg med långa resonemangskedjor, följt av storskalig förstärkningsinlärning. Träningen delar upp STEM-, kod- och agentuppgifter i domäner och slår sedan samman de resulterande specialistmodellerna. Detta förklarar varför allmänt resonemang, programmering och verktygsinteraktion är centrala för utgåvan. Det är användbart att definiera den exakta problemtypen och det erforderliga resultatet i stället för att begära en bred diskussion om ett ämne.
Träningsinfrastrukturen DORA
Tillverkarens DORA-system samordnar asynkront förstärkningsinlärningsarbete genom elastisk tilldelning och en pipeline med flera versioner. Syftet är effektiv träning, konsekventa exempel och återanvändning av beräkningar under träningen. Dessa egenskaper tillhör tillverkarens träningsprocess: de innebär inte beständigt minne för ett applikationssamtal eller en viss körningskapacitet för en användarbegäran.
Formellt och agentbaserat resonemang
Träning i formellt resonemang använder formalisering av påståenden, iterativ bevissyntes och filtrering för syntax och konsekvens. Den publicerade instruktionen för satsbevisning tillhandahåller ett problem tillsammans med dess formella påstående och begär en lösning i Lean 4. Förbered definitioner, antaganden och det exakta satsuttalandet; en illustrativ utdata är ett bevisförslag med en förklaring av viktiga mellanliggande påståenden. En formell kontroll avgör fortfarande om det genererade beviset accepteras.
Agentträning utvecklar anpassad användning av tillhandahållna verktyg. Tillverkaren konstruerar uppgifter som verkligen kräver verktygshjälp och tränar på lösningssekvenser med en eller flera turer. Ge modellen verktygets namn, syfte och indataschema och returnera sedan det faktiska verktygsresultatet för nästa steg. En kodanalysuppgift kan exempelvis be modellen granska en tillhandahållen funktion, välja en diagnostisk operation och förklara observationen. Verktygskörning tillhör den omgivande applikationen.
Förberedelse av samtal och svar
De inbyggda chattexemplen omfattar en /think_on-markör, valfria systeminstruktioner och tidigare turer före den nya användarfrågan. Matematikexempel begär stegvis resonemang och placerar slutresultatet i en igenkännbar inramad form. Den formella mallen lägger till Lean 4-påståendet. Inbyggda verktygsexempel ger taggade poster med ett funktionsnamn och argument och tillåter på varandra följande poster för flera anrop. Dessa konventioner beskriver tillverkarens mallar; en integration måste bevara deras betydelse snarare än behandla dem som vanlig svarstext.
Skillnader mellan utgåvor och användningshänsyn
Den ursprungliga utgåvan och dess viktutgåva i FP8 har separata namn. Driftsättningsguiden beskriver även valfri prediktion av flera token, vilket beror på inferensuppsättningen. Tillverkaren påpekar att språkprestanda kan variera och att inte varje efterföljande applikation har bedömts heltäckande. Behåll ett matematiskt eller tekniskt kontrollerbart mål, tillhandahåll de fullständiga villkoren och granska genererad kod eller bevis med lämplig kontroll. Den ursprungliga Thinking-identiteten förblir separat från Chat och senare namngivna Thinking-utgåvor; numeriska kontext- eller utdatatak kräver specifikationen för den valda utgåvan.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser LongCat-Flash-Thinking-ultra | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000286 / 1K token Utdata · Utdatatoken $0.002858 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Använd metodsökvägarna som visas ovan.
LongCat-Flash-Thinking-ultraLongCat-Flash-Thinking är Meituans resonemangsmodell för matematik, programmering, verktygsanvändning och formell satsbevisning. Dess ursprungliga Thinking-utgåva kombinerar allmänt resonemang med särskild formell träning och agentträning och producerar text och lösningsförslag utifrån uttryckliga villkor.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Modellintroduktion
LongCat-Flash-Thinking är Meituans stora språkmodell för resonemang. Dess mixture-of-experts-konstruktion innehåller totalt 560 miljarder parametrar och aktiverar dynamiskt cirka 18,6 till 31,3 miljarder, i genomsnitt omkring 27 miljarder, enligt uppgiftens kontext. Tonvikten omfattar matematik, logik, programmering, instruktionsföljande, automatisk satsbevisning och verktygsanvändning. Detta modellkort beskriver den ursprungliga Thinking-utgåvan med textinstruktioner och textresultat.
Domänparallell förstärkningsinlärning
Utvecklingen börjar med ett kallstartssteg med långa resonemangskedjor, följt av storskalig förstärkningsinlärning. Träningen delar upp STEM-, kod- och agentuppgifter i domäner och slår sedan samman de resulterande specialistmodellerna. Detta förklarar varför allmänt resonemang, programmering och verktygsinteraktion är centrala för utgåvan. Det är användbart att definiera den exakta problemtypen och det erforderliga resultatet i stället för att begära en bred diskussion om ett ämne.
Träningsinfrastrukturen DORA
Tillverkarens DORA-system samordnar asynkront förstärkningsinlärningsarbete genom elastisk tilldelning och en pipeline med flera versioner. Syftet är effektiv träning, konsekventa exempel och återanvändning av beräkningar under träningen. Dessa egenskaper tillhör tillverkarens träningsprocess: de innebär inte beständigt minne för ett applikationssamtal eller en viss körningskapacitet för en användarbegäran.
Formellt och agentbaserat resonemang
Träning i formellt resonemang använder formalisering av påståenden, iterativ bevissyntes och filtrering för syntax och konsekvens. Den publicerade instruktionen för satsbevisning tillhandahåller ett problem tillsammans med dess formella påstående och begär en lösning i Lean 4. Förbered definitioner, antaganden och det exakta satsuttalandet; en illustrativ utdata är ett bevisförslag med en förklaring av viktiga mellanliggande påståenden. En formell kontroll avgör fortfarande om det genererade beviset accepteras.
Agentträning utvecklar anpassad användning av tillhandahållna verktyg. Tillverkaren konstruerar uppgifter som verkligen kräver verktygshjälp och tränar på lösningssekvenser med en eller flera turer. Ge modellen verktygets namn, syfte och indataschema och returnera sedan det faktiska verktygsresultatet för nästa steg. En kodanalysuppgift kan exempelvis be modellen granska en tillhandahållen funktion, välja en diagnostisk operation och förklara observationen. Verktygskörning tillhör den omgivande applikationen.
Förberedelse av samtal och svar
De inbyggda chattexemplen omfattar en /think_on-markör, valfria systeminstruktioner och tidigare turer före den nya användarfrågan. Matematikexempel begär stegvis resonemang och placerar slutresultatet i en igenkännbar inramad form. Den formella mallen lägger till Lean 4-påståendet. Inbyggda verktygsexempel ger taggade poster med ett funktionsnamn och argument och tillåter på varandra följande poster för flera anrop. Dessa konventioner beskriver tillverkarens mallar; en integration måste bevara deras betydelse snarare än behandla dem som vanlig svarstext.
Skillnader mellan utgåvor och användningshänsyn
Den ursprungliga utgåvan och dess viktutgåva i FP8 har separata namn. Driftsättningsguiden beskriver även valfri prediktion av flera token, vilket beror på inferensuppsättningen. Tillverkaren påpekar att språkprestanda kan variera och att inte varje efterföljande applikation har bedömts heltäckande. Behåll ett matematiskt eller tekniskt kontrollerbart mål, tillhandahåll de fullständiga villkoren och granska genererad kod eller bevis med lämplig kontroll. Den ursprungliga Thinking-identiteten förblir separat från Chat och senare namngivna Thinking-utgåvor; numeriska kontext- eller utdatatak kräver specifikationen för den valda utgåvan.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser LongCat-Flash-Thinking-ultra | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000286 / 1K token Utdata · Utdatatoken $0.002858 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "LongCat-Flash-Thinking-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra LongCat-Flash-Thinking-ultra
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.