日前美团方面正式发布、并开源大模型 LongCat-Flash-Chat，并同步提供了分别基于 SGLang 和 vLLM 的两种高效部署方案。据了解，今年早些时候美团方面曾表示，其 AI 战略建立在 AIatwork、AIinproducts 以及 BuildingLLM 三个层面。此次开源的相关模型，也是美团首度披露其 AI 战略在 BuildingLLM 层面的进展。

据悉，LongCat-Flash 采用创新性混合专家模型（Mixture-of-Experts，MoE）架构，总参数为 560B，激活参数 18.6B-31.3B（平均 27B），号称可实现计算效率与性能的双重优化。具体而言，该模型在架构层面引入 " 零计算专家（Zero-Computation Experts）" 机制，每个 token 依据上下文需求仅激活 18.6B-31.3B 参数，实现算力按需分配和高效利用。并且为控制总算力消耗，训练过程采用 PID 控制器实时微调专家偏置，将单 token 的平均激活量稳定在约 27B。

此外 LongCat-Flash 在层间铺设跨层通道，使得 MoE 的通信和计算能在很大程度上并行，极大提高了训练和推理效率。配合定制化的底层优化，LongCat-Flash 在 30 天内完成高效训练，并在 H800 上实现单用户 100+ tokens/s 的推理速度。LongCat-Flash 还对常用大模型组件和训练方式进行了改进，使用了超参迁移和模型层叠加的方式进行训练，并结合多项策略保证训练稳定性，使得训练全程高效且顺利。

针对智能体能力，LongCat-Flash 自建了 Agentic 评测集指导数据策略，并在训练全流程进行了全面的优化，包括使用多智能体方法生成多样化高质量的轨迹数据等，实现了优异的智能体能力。

性能方面，根据美团公布的相关信息显示，LongCat-Flash 在通用领域知识、智能体工具使用、编程、指令遵循等多个领域表现出卓越的性能优势。

以智能体工具使用为例，即便与参数规模更大的模型相比，该模型在 τ 2-Bench（智能体工具使用基准）中的表现仍超越其他模型；在高复杂度场景下，该模型在 VitaBench（复杂场景智能体基准）中以 24.30 的得分位列第一，彰显出在复杂场景的处理能力。

【本文图片来自网络】