智东西

作者 | 陈骏达

编辑 | 云鹏

美团龙猫大模型，现在会思考了！

智东西 9 月 22 日报道，最近，美团在 AI 开源赛道上在猛踩加速。今天，在开源其首款大语言模型仅仅 24 天后，美团又开源了其首款自研推理模型 LongCat-Flash-Thinking。

与其基础模型 LongCat-Flash 类似，效率也是 LongCat-Flash-Thinking 的最大特点。美团在技术报告中透露，LongCat-Flash-Thinking 在自研的 DORA 强化学习基础设施完成训练，直接将训练速度提升到原来的 3 倍还多，增幅超过 200%。该模型重点优化了形式推理和 Agent 推理任务，使用工具后推理效率很高，例如，可将 AIME-25 基准测试中的平均 token 消耗减少 64.5%。

LongCat-Flash-Thinking 在多领域基准测试中表现出不俗的实力：

在通用问答、数学推理、通用推理的相关测试中，它和 GPT-5-Thinking、Gemini2.5-Pro、DeepSeek-V3.1-Thinking、

Qwen3-235B-A22B-Thinking-2507 等基本打平；

LongCat-Flash-Thinking 还在安全、形式化定理证明等领域的多项基准测试中，大幅度领先上述 4 款推理模型，并在权威 Agent 工具调用基准测试 τ²-Bench 中，超越除了 GPT-5-Thinking 外的所有参评模型。

目前，LongCat-Flash-Thinking 模型已经开源至 GitHub、Hugging Face 等平台，相关技术报告也同期发布，用户也可在体验链接中直接使用。不过，在实际体验中，模型推理和回答长度往往会超出体验链接里的限制，导致答案不完整。

开源地址：

https://huggingface.co/meituan-longcat/LongCat-Flash-Thinking

https://github.com/meituan-longcat/LongCat-Flash-Thinking

体验链接：

https://longcat.chat/

一、靠课程学习逐步构建能力，Agent 和形式化推理能力获补强

在模型预训练阶段，LongCat 团队采用了课程学习的方式，让模型先打基础，再专项突破，最终构建出覆盖广度与深度的推理能力。

LongCat-Flash-Thinking 是在 LongCat-Flash 的基础上训练而来的，经历了推理增强的中期训练（Mid-training）和面向推理的有监督微调（SFT）。

研究团队特别构建了一个高难度的推理训练集，涵盖数学、物理、化学及编程问题，并通过数据比例控制，确保模型既能强化逻辑推理，又不丢失通用能力。

实验表明，这一阶段显著拓宽了模型的 " 推理边界 "：在 AIME、BeyondAIME 和 LiveCodeBench 等基准上，单步准确率和高采样准确率均有大幅提升。

进入 SFT 微调阶段，LongCat-Flash-Thinking 的指令遵循和专业领域推理能力得到进一步提升。这一步骤特别强调三大方向：

1、一般推理：LongCat 团队整合跨学科高质量问题与答案，涵盖 STEM、编程、通用问答以及逻辑推理，利用拒绝采样与模型评审保证训练数据的准确性和挑战性。

2、形式化推理：该团队还设计了一套全新的基于专家迭代框架的数据合成方法，利用集成了 Lean4 服务器的专家迭代框架，生成经过严格验证的证明过程，从而系统性提升模型的形式化推理能力。

3、Agentic 推理：LongCat 团队提出了创新性的 " 双路径推理框架 "。该框架能够比较模型在 " 有工具 " 和 " 无工具 " 条件下的表现，筛选出仅依赖工具才能解决的高质量问题。

随后，系统自动合成多样化的解题轨迹，从简单调用到复杂多步流程，并通过严格评审确保逻辑一致性和工具使用完整性。最终，轨迹被标准化并按复杂度分层，用于课程训练，帮助模型在真实场景中更好地学习和发展稳健的工具使用能力。

这种中期训练、推理微调的两段式体系，帮助 LongCat-Flash-Thinking 在推理任务中实现性能提升，也为后续的强化学习做好准备。

二、三管齐下优化强化学习，自研 DORA 框架提效超 200%

强化学习中，LongCat-Flash-Thinking 采用了一套 " 三管齐下 " 的方案，从系统、算法和奖励的角度，提升强化学习的效率和稳定性。

在系统设计中，LongCat 团队构建了名为 DORA 的分布式 RL 框架，这是 RL 训练的基石。DORA 支持异步训练与灵活的加速器调度，既保证稳定性，又提升效率。

DORA 通过流式架构让已完成的响应立即进入训练，而不会被最长输出拖慢；通过多版本策略保证同一响应由同一模型版本完成，避免推理片段间的不一致；再结合弹性角色调度，让不同算力设备可灵活切换角色，实现近乎零闲置。

这一机制在大规模算力集群上展现了较高的效率：在数万张加速卡上，LongCat-Flash 的 RL 训练速度达到传统同步方式的 3 倍以上，FLOPs（Floating Point Operations，浮点运算数）的投入约为预训练阶段的 20%。

算法层面，团队则对经典的 PPO 方法进行改良。异步训练常因推理引擎与训练引擎的数值差异，或因旧版本策略生成的数据过多而导致模型收敛不稳。

为此，研究人员引入了截断重要性采样来缓解引擎差异带来的误差，并设计了裁剪机制，对正负样本分别设置不同阈值。这些细节调整，大大提高了推理任务下的稳定性。

奖励机制是 RL 的方向盘。对于写作、问答等无法直接验证的任务，团队训练了判别式奖励模型，基于人机联合标注数据，学会判断优劣偏好。

而在数学与编程等可验证场景，则引入了生成式奖励模型（GenRM），它不仅能判断对错，还能给出推理链路，做到有理有据。在编程任务中，团队还搭建了分布式沙箱系统，支持数百万次并发代码执行，覆盖 20 多种编程语言。

最后，LongCat 团队提出了一个三阶段的训练配方：领域平行训练、模型融合、通用 RL 微调。LongCat 团队先分别训练数学、编程、智能体等专家模型，再通过参数融合技术合并为统一大模型，最后用多样化数据进行通用微调，避免融合后的性能退化，确保安全性、泛化性和实用性。

融合后的模型性能优于专家模型

三、MATH-500 得分接近满分，用上工具后性价比更高

LongCat-Flash-Thinking 在多领域的基准测试中表现出色。

在通用能力上，LongCat-Flash-Thinking 在 MMLU-Redux 上拿下 89.3% 的成绩，与业内多款顶级开源模型处在同一水准，但与 OpenAI-o3 相比仍有差距。

数学推理是该模型的亮点之一。其在 MATH-500 中取得 99.2% 的高分，几乎达到满分水平。在更具挑战性的 AIME 与 HMMT 等竞赛级任务中，同样展现出接近甚至超越 GPT-5 与 Qwen3 的表现，凸显其复杂多步推理的强大能力。

在逻辑与一般推理方面，该模型在 ARC-AGI 上达到 50.3%，超过了 OpenAI-o3 与 Gemini 2.5-Pro。同时，它在解谜任务 ZebraLogic 上得分高达 95.5%，并在数独测试 Sudoku-Bench 上远超大部分模型，显示出较强的结构化推理能力。

编程能力方面，LongCat-Flash-Thinking 在动态编程测试 LiveCodeBench 中取得 79.4% 的分数，紧追 GPT-5，远超开源同类模型。

值得注意的是，LongCat-Flash-Thinking 模型在工具增强推理能力上表现出色。例如，它在模拟预定飞机票的 τ²-Bench-Airline 中，实现 67.5% 的最佳成绩，并在 SWE-Bench、BFCL 等任务上保持较强的竞争力。

启用外部工具后，其在 AIME-25 基准测试中的准确率保持不变，但平均 token 消耗减少近 65%，验证了智能体系统在效率与性能间实现平衡。

在定理证明领域，LongCat-Flash-Thinking 在 MiniF2F 测试中得分达 67.6%，比次优模型高出 18%，奠定了其在形式化数学推理上的领先地位。

最后，在安全性上，LongCat-Flash-Thinking 在有害内容、犯罪、虚假信息及隐私四类风险测试中均拿下安全性最高分。

结语：切入真实场景，美团探索推理大模型落地路径

LongCat 团队称，凭借 LongCat-Flash-Thinking 的开源，他们希望进一步推动高效 RL 训练、原生 Agent 推理等方面的研究。

从论文的技术细节中，我们也能看到，LongCat 有针对性地提升了模型在工具使用、指令遵循和安全性等方面的表现。

结合美团最近在面向消费者的 Agent 产品、AI 搜索产品等领域的动态，不难预见，这些新模型或将针对性地服务于美团自身业务，带来更智能的用户体验。