美团入局大模型战场了！
这次推出的LongCat-Flash有5600亿参数，采用MoE架构，但真正有意思的是它的动态计算机制——
根据上下文需求激活186亿到313亿参数，平均约270亿。
这意味着，模型会根据任务复杂度自动调节计算资源，不再是「一刀切」的参数激活。
动态计算
LongCat-Flash最大的亮点是动态计算机制。
不是所有token都需要同等计算资源，重要的token会获得更多参数激活。
具体来说：
总参数：5600亿
激活参数：186亿～313亿（动态调整）
平均激活：约270亿
为了保持计算负载稳定，团队使用了PID控制器调整专家偏置，确保平均激活参数稳定在270亿左右。
ScMoE架构解决通信瓶颈
MoE模型扩展时，通信开销是个大问题。
LongCat-Flash采用了Shortcut-connected MoE (ScMoE)设计，扩大了计算-通信重叠窗口。
结合定制化基础设施优化，这个设计让模型能在数万个加速器上训练，推理速度超过每秒100个token。
从小到大的训练策略
美团团队开发了一套完整的稳定性和扩展框架：
超参数迁移策略：从小型代理模型预测最优配置，有理论保证。
模型增长机制：基于半规模检查点初始化，性能优于传统方法。
多管齐下的稳定性套件：包括路由器梯度平衡、隐藏z-loss抑制大规模激活、优化器配置微调。
确定性计算：保证实验的精确可重现性，能在训练过程中检测SDC（静默数据损坏）。
这些措施确保LongCat-Flash训练稳定，没有不可恢复的损失尖峰。
全面对标顶级模型
在官方公布的各项基准测试中，LongCat-Flash表现出色：
| 基准测试 | GPT-4.1 | Claude4 Sonnet | Gemini2.5 Flash | LongCat-Flash |
|---|---|---|---|---|
| 通用领域 | ||||
| 89.71 | ||||
| 86.50 | ||||
| 90.44 | ||||
| 指令遵循 | ||||
| 89.65 | ||||
| 57.10 | ||||
| 43.03 | ||||
| 数学推理 | ||||
| 96.40 | ||||
| 61.25 | ||||
| 代码能力 | ||||
| 48.02 | ||||
| 60.40 | ||||
| 39.51 |
特别值得注意的是，LongCat-Flash在TerminalBench和TauBench等智能体任务上达到了SOTA水平。
部署支持SGLang和vLLM
美团已经在SGLang和vLLM中实现了基础适配，支持LongCat-Flash的部署，MIT 协议，已在HuggingFace 开源。
模型访问
# API访问
model_string = 'claude-opus-4-1-20250805'
# HuggingFace模型
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("meituan-longcat/LongCat-Flash-Chat")
Chat模板示例
# 单轮对话
"[Round 0] USER:{query} ASSISTANT:"
# 多轮对话
"SYSTEM:{system_prompt} [Round 0] USER:{query} ASSISTANT:{response}</longcat_s>... [Round N] USER:{query} ASSISTANT:"
# 工具调用
"<longcat_tool_call>
{'name': <function-name>, 'arguments': <args-dict>}
</longcat_tool_call>"
小测一把
域名是：https://longcat.ai，不过点击后会跳转到：https://longcat.chat/，需要用美团APP 扫码登录：
还是那道模型靠谱度的标准考题：
我有70块钱，我借给小明五十块钱，他又用这五十块在我这里买了五十块钱的水果。第二天我借给小明30块钱，小明用这30块钱买了30块钱的牛奶，小明还欠我多少钱?请先推理，最后给出结论
token 倒是吐得很快，但可惜——
没答对。
不过“深度思考”还没放开，也许能答对。
美团这次推出LongCat-Flash，标志着中国科技公司在大模型领域的又多了一名重磅玩家。
虽然简单测下来，效果不算惊艳，但美团入局，实力绝对不容小觑。
不过，得吐槽一句：
你是真会挑时间！
