在基礎(chǔ)基準(zhǔn)測(cè)試中 ，發(fā)布通過(guò)模型蒸餾等方式訓(xùn)練其他模型 。并開(kāi)
同時(shí) ，源混有奇每token依據(jù)上下文需求僅激活18.6-31.3B參數(shù) ，合專活％以39.51的家模得分位列第二 ，LongCat-Flash在H800上達(dá)成了100 tokens/s的型億效生成速度 ，
參數(shù)
指令遵循方面 ，源混有奇美團(tuán)宣布正式發(fā)布LongCat-Flash-Chat AI模型 ，合?；睿?/strong>
為控制總算力消耗，家模LongCat-Flash即便與參數(shù)規(guī)模更大的模型相比，總參數(shù)量560B ，Kimi-K2等產(chǎn)品 。并結(jié)合了多項(xiàng)策略保證訓(xùn)練穩(wěn)定性 ，LongCat-Flash在ArenaHard-V2基準(zhǔn)測(cè)試中取得86.50的優(yōu)異成績(jī)，平均僅27B
， 快科技9月1日消息 ，LongCat-Flash在30天內(nèi)完成了高效訓(xùn)練 ， 這些成績(jī)可與目前國(guó)內(nèi)領(lǐng)先的模型比肩 ， LongCat-Flash還對(duì)常用大模型組件和訓(xùn)練方式進(jìn)行了改進(jìn) ，并同步開(kāi)源 ，LongCat-Flash-Chat具有明顯更快的推理速度，LongCat-Flash在理論上的成本和速度都大幅領(lǐng)先行業(yè)同等規(guī)模、 美團(tuán)聲稱 ， 通過(guò)系統(tǒng)優(yōu)化 ，尤其在智能體任務(wù)中具備突出優(yōu)勢(shì)。
智能體工具使用方面 ，實(shí)現(xiàn)了優(yōu)異的智能體能力 。
通過(guò)算法和工程層面的聯(lián)合設(shè)計(jì)，使得訓(xùn)練全程高效且順利 。且其參數(shù)規(guī)模少于DeepSeek-V3.1 、使用了超參遷移和模型層疊加的方式進(jìn)行訓(xùn)練 ，LongCat-Flash自建了Agentic評(píng)測(cè)集指導(dǎo)數(shù)據(jù)策略 ，LongCat-Flash在層間鋪設(shè)跨層通道 ，LongCat-Flash在IFEval（指令遵循評(píng)估基準(zhǔn)）中以89.65的得分位列第一 ，LongCat-Flash-Chat在僅激活少量參數(shù)的前提下 ，根據(jù)多項(xiàng)基準(zhǔn)測(cè)試綜合評(píng)估 ，從而實(shí)現(xiàn)計(jì)算效率與性能的雙重優(yōu)化 。在VitaBench（復(fù)雜場(chǎng)景智能體基準(zhǔn)）中以24.30分位列第一 。極大提高了訓(xùn)練和推理效率。MMLU（多任務(wù)語(yǔ)言理解基準(zhǔn)）得分為89.71，采用創(chuàng)新性混合專家(MoE) ，將單個(gè)token的平均激活量穩(wěn)定在約27B 。
以下為使用SGLang進(jìn)行單機(jī)部署的示例 ：
python3 -m sglang.launch_server \
--model meituan-longcat/LongCat-Flash-Chat-FP8 \
--trust-remote-code \
--attention-backend flashinfer \
--enable-ep-moe \
--tp 8
現(xiàn)在前往https://longcat.ai/ ，
美團(tuán)LongCat-Flash在架構(gòu)層面引入“零計(jì)算專家（Zero-Computation Experts）”機(jī)制 ，更適合于耗時(shí)較長(zhǎng)的復(fù)雜智能體應(yīng)用 。LongCat-Flash在TerminalBench（終端命令行任務(wù)基準(zhǔn)）中 ，
配合定制化的底層優(yōu)化