<div id="readability-page-1">刚刚，美团开源了他们的龙猫大模型 LongCat-Flash。 一个拥有 5600 亿参数的混合专家（MoE）模型。 它不仅在性能上追求卓越，更通过一系列架构和训练上的创新，实现了惊人的计算效率和高级的 Agent 能力。 LongCat-Flash 在保证强大能力的同时，将计算资源用在 “刀刃” 上。 它并非在处理每个任务时都激活全部 5600 亿参数，而是通过精巧的设计，实现了动态的资源分配。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8ec37f1a-ff25-454b-8d37-a8c957a27ab0.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="526" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8ec37f1a-ff25-454b-8d37-a8c957a27ab0.png"/> LongCat-Flash 最具创新性的设计之一是 “零计算” 专家机制 (Zero-computation Experts) 模型可以智能地判断输入内容中不同部分的重要性，并将计算量较小的任务（例如常见的词语、标点符号）分配给一个特殊的 “零计算” 专家。 该专家不进行实际的复杂运算，直接返回输入，从而极大地节省了算力。 得益于此，模型在处理每个词元（token）时，仅需动态激活 186 亿至 313 亿的参数（平均约 270 亿），实现了性能与效率的完美平衡。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/b85be2e5-e8ad-4d6a-ae77-c2dafd1eb6a9.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="511" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/b85be2e5-e8ad-4d6a-ae77-c2dafd1eb6a9.png"/> 在大规模 MoE 模型中，不同 “专家” 模块之间的通信延迟往往是性能瓶颈。 为此龙猫大模型引入了快捷连接混合专家模型 (Shortcut-connected MoE, ScMoE) ScMoE 架构通过引入一个快捷连接，有效地扩大了计算和通信的重叠窗口，显著提升了训练和推理的吞吐量，让模型的响应速度更快。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/47177697-8105-40f8-80de-310cb147754f.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="510" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/47177697-8105-40f8-80de-310cb147754f.png"/> 为了让模型不仅能 “聊天”，更能成为能解决复杂任务的 “智能代理”，LongCat-Flash 经历了一个精心设计的 为 Agent 而生的多阶段训练流程。 该流程包括大规模预训练、针对性地提升推理和代码能力的中期训练，以及专注于对话和工具使用能力的后训练。 这种设计使其在执行需要调用工具、与环境交互的复杂任务时表现出色。 一个有趣且值得关注的细节是，在官方的技术报告中，强调了 LongCat-Flash 是在一个包含数万个加速器（tens of thousands of accelerators）的大规模集群上完成训练的。 这个用词非常严谨。 在当前 AI 领域，虽然大家通常会立刻联想到 NVIDIA 的 GPU，但 “加速器” 是一个更广泛的概念，它可以包括 Google 的 TPU、华为的昇腾（Ascend）或其他专为 AI 计算设计的芯片。 官方选择使用这个词汇，而没有明确指出是 “GPU”，这为硬件的具体来源留下了一定的想象空间，也体现了其在技术陈述上的精确性。 无论具体是哪种硬件，在如此庞大的集群上，于短短 30 天内完成超过 20 万亿词元的训练量，都足以证明其背后基础设施的强大与工程优化的卓越。 LongCat-Flash 的工程优化成果最终体现在了用户可感知的性能和成本上： 极高的推理速度 ：推理速度超过 100 词元/秒（TPS）。 极低的运营成本 ：每处理一百万输出词元的成本仅为 0.7 美元。 强大的综合能力 ：支持 128k 的长文本上下文，并在代码、推理和工具调用等多个方面展现出与业界领先模型相媲美的竞争力。 为了更直观地展示 LongCat-Flash 的实力，我们来看一下它与业界其他顶尖模型的详细评估对比。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/ff48710e-960f-42a4-8a4f-e806bc590dab.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="1242" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/ff48710e-960f-42a4-8a4f-e806bc590dab.png"/> 美团的 LongCat-Flash 模型在各项基准测试中展现出了非常强劲且极具竞争力的性能。 它不仅在多个方面与业界顶尖的开源模型（如 DeepSeek V3.1, Qwen3）旗鼓相当，甚至在某些特定能力上实现了超越。 通用领域能力 (General Domains) 在衡量模型通用知识和推理能力的测试中，LongCat-Flash 表现稳定且出色。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/de586442-de58-4765-aade-714fe1be70b0.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="703" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/de586442-de58-4765-aade-714fe1be70b0.png"/> MMLU / MMLU-Pro ： 这是衡量模型综合知识水平的核心指标。 LongCat-Flash 的得分（89.71 / 82.68）与 DeepSeek V3.1、Qwen3 MoE 和 Kimi-K2 处于同一梯队，证明了其扎实的基础知识和推理能力。 ArenaHard-V2 ： 这个基准更侧重于模型作为聊天助手的 “体感” 和处理复杂指令的能力。LongCat-Flash 在此项得分 86.50 ，超过了 DeepSeek V3.1，与 Qwen3 MoE（88.20）非常接近，这说明它的对话和推理能力非常优秀。 中文能力 (CEval / CMMLU) ： 作为中文领域的权威测试，LongCat-Flash 在 CEval 上表现优异（90.44），在 CMMLU 上也保持了不错的水平，证明其对中文语言有很好的支持。 指令遵循 (Instruction Following) 这是 LongCat-Flash 最突出的亮点。 技术报告中提到，模型为 “Agent” 能力进行了专门的多阶段训练，而评估结果也印证了这一点。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/f4ac5678-d17b-4d37-9467-344b072b325b.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="235" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/f4ac5678-d17b-4d37-9467-344b072b325b.png"/> IFEval &amp; COLLIE ： 这两个基准专门评估模型理解并执行复杂、多步骤指令的能力。 在 IFEval 上，LongCat-Flash 的得分（89.65）名列前茅，超越了 DeepSeek V3.1，与 Kimi-K2 和 Qwen3 MoE 并驾齐驱。 在 COLLIE 测试中，LongCat-Flash 取得了 57.10 的高分， 在所有参与对比的模型中排名第一 。 这强有力地证明了它在执行需要调用工具、与环境交互的复杂 “智能代理”（Agent）任务方面的卓越能力。 目前，LongCat-Flash 模型已经发布在 Hugging Face 和 Githiub 社区，并遵循 MIT 许可协议。 全球学术界和产业界的研究者、开发者都可以自由地使用和探索这个强大的模型，共同推动 AI 技术的发展。 风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。</div>

美团(ADR)

美团-W

美团开源了龙猫大模型 LongCat-Flash，拥有 5600 亿参数的混合专家模型，追求卓越性能与计算效率。通过 “零计算” 专家机制，模型动态分配计算资源，仅激活 186 亿至 313 亿参数，显著节省算力。引入快捷连接混合专家模型（ScMoE）提升训练和推理吞吐量。LongCat-Flash 经过多阶段训练，旨在成为解决复杂任务的智能代理。

- 美团开源了 LongCat-Flash 模型，拥有 5600 亿参数的混合专家架构。  
- 该模型通过动态资源分配和 “零计算” 专家机制提升计算效率。  
- LongCat-Flash 在多项基准测试中表现优异，支持广泛的应用场景。  

美团大模型来了！开源 “长猫”，性能追平 DeepSeek V3.1，同样主打 “算力节省”