美团LongCat 团队正式推出 LongCat-Flash-Thinking-2601 —— 一款总参数量达 5600 亿、激活参数仅 270 亿 的高效混合专家（MoE）大模型。该模型专为现实世界智能体任务设计，在工具调用、搜索推理、编程等场景中全面领先，并首次引入 “深度思考模式”，显著提升复杂问题的解决能力。
与单纯追求规模不同，LongCat-Flash-Thinking 的核心突破在于系统性训练架构：通过多环境强化学习、抗噪课程训练和任务合成机制，使模型在不完美、高噪声的真实环境中仍能稳健运行。
三大核心技术亮点
1. 多环境强化学习 + 高质量任务合成
团队构建了多个高复杂度训练环境，每个包含 60+ 工具，并通过依赖图组织成密集交互网络。在此基础上：
- 任务自动生成：从环境子图中采样连通组件，确保任务可执行且具备多工具协同特性
- 多样性控制：动态降低已用工具的采样概率，避免重复
- 多环境联合训练：不同环境的任务按复杂度均衡混合，推演预算动态分配
结果表明，随着训练环境数量增加，模型在域外评估中的表现持续提升，验证了其泛化能力的可扩展性。
2. 抗噪鲁棒训练：直面现实世界的不确定性
真实智能体环境充满缺陷：API 延迟、返回错误、工具缺失等。为此，团队：
- 系统分析现实噪音类型（如响应失败、字段缺失、状态不一致）
- 设计自动化流程将噪音注入训练环境
- 采用课程学习策略：随训练推进逐步增加噪音强度与种类
在专门构建的 τ²-Noise 和 VitaBench-Noise 基准上，LongCat-Flash-Thinking 表现最优，证明其对环境扰动具备强适应能力。
3. 深度思考模式：并行探索 + 迭代总结
为应对极端复杂任务（如数学竞赛、多跳推理），模型支持 深度思考模式：
- 推理广度扩展：并行生成多条高温度思考轨迹，覆盖不同解题路径
- 推理深度扩展：通过专用总结模型提炼关键信息，并递归反馈形成迭代优化循环
- 专项强化训练：额外 RL 阶段专门优化总结能力
启用该模式后，模型在 AIME-25、IMO-AnswerBench 等高难度数学任务上达到 100.0 / 97.5 等顶尖分数（见下表）。
深度思考模式已在 Longcat AI 平台 上线，支持用户手动触发。
性能表现：全面领先智能体任务
| 任务类别 | 指标 | LongCat-Flash-Thinking-2601 | 最佳竞品 |
|---|---|---|---|
| 智能体工具使用 | τ²-Avg (Avg@4) | 88.2 | 87.4 (GLM-4.7) |
| τ²-Telecom | 99.3 | 98.7 (GPT-5.2) | |
| 智能体搜索 | BrowseComp-zh | 77.7 | 66.6 (GLM-4.7) |
| RW Search | 79.5 | 82.0 (GPT-5.2) | |
| 数学推理（带工具） | AIME-25 | 100.0‡ | 100.0 (Claude/GPT) |
| IMO-AnswerBench | 86.8‡ | 86.7 (Gemini-3-Pro) | |
| 抗噪鲁棒性 | τ²-Noise | 67.1 | 66.0 (GLM-4.7) |
| 泛化能力 | Random Complex Tasks | 35.8 | 32.6 (Claude) |
‡ 表示启用“深度思考模式”后的结果
值得注意的是，尽管总参数量（560B）低于部分竞品（如 Kimi-K2 的 1T），但 LongCat-Flash-Thinking 凭借更高效的架构和训练策略，在多数智能体任务上实现反超。
创新评估：随机复杂任务测试泛化能力
团队提出一种新评估范式：随机复杂任务（Random Complex Tasks）。
- 自动根据关键词生成全新场景
- 随机组合工具集与环境状态
- 要求模型在未见过的工具组合中完成目标
LongCat 在此测试中得分 35.8，显著高于其他模型，证明其具备真正的零样本工具泛化能力。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
