美團 LongCat 發表全新推理模型！Flash-Thinking 在多項評測中展現實力，挑戰開源模型新標竿

美團 LongCat 團隊推出全新高效推理模型 LongCat-Flash-Thinking，在邏輯、數學、程式碼等多個領域達到開源模型頂尖水準。本文將深入解析其性能、效率優勢以及對 AI 開發社群的意義。

人工智慧的發展速度快得讓人有點跟不上，特別是在大型語言模型（LLM）的領域，幾乎每隔一段時間就有令人驚豔的新技術出現。最近，美團的 LongCat 團隊就帶來了一個重磅消息，正式發表了他們全新的高效推理模型——LongCat-Flash-Thinking。

這可不是一次小小的更新。這款模型不僅繼承了前代 LongCat-Flash-Chat 的極致速度，更在「思考」能力上實現了巨大的飛躍。綜合評估顯示，它在邏輯、數學、程式碼生成，甚至是複雜的智能體（Agent）任務上，都達到了全球開源模型中的最先進水平（SOTA）。

所以，LongCat-Flash-Thinking 究竟強在哪裡？

簡單來說，它是一個更聰明、更專業的思考者。

過去，許多模型可能在單一任務上表現不錯，但面對需要深度思考、多步驟推理的複雜問題時，就顯得有些力不從心。LongCat-Flash-Thinking 則試圖打破這個僵局。它最大的特色，就是成為國內首個同時整合了「深度思考＋工具調用」與「非形式化＋形式化」推理能力的語言模型。

這聽起來有點技術性，但我們可以這樣理解：

深度思考＋工具調用： 它不僅能像人類一樣進行複雜的邏輯推理，還能自主地、聰明地調用外部工具（例如計算機、程式碼解釋器）來輔助自己，就像一個懂得用工具解決問題的專家。
非形式化＋形式化推理： 它既能理解我們日常的自然語言對話（非形式化），也能處理嚴謹的數學定理證明（形式化），應用範圍變得更廣。

說白了，在處理那些極度燒腦的任務，比如高難度的數學競賽題、複雜的程式碼除錯，或是需要多步驟規劃的智能體任務時，LongCat-Flash-Thinking 的優勢就特別明顯。

不只是說說而已，數據怎麼看？

當然，空口無憑。一個模型強不強，最終還是要看它在標準化測試中的表現。從 LongCat 團隊公布的數據圖表來看，LongCat-Flash-Thinking 的確交出了一份亮眼的成績單。

在一系列涵蓋程式碼、數學、邏輯推理的基準測試中，它與全球頂尖的模型，包括 GPT-5-Thinking、Gemini-2.5 Pro 等閉源巨頭，以及其他優秀的開源模型同場競技。

Benchmark (Metric)	LongCat-Flash-Thinking	DeepSeek-V2.1-Thinking	Qwen1.5-32B-A22B-Thinking-S207	GLM-4.5	OpenAI o1 mini	Gemini-2.5 Pro	GPT-5-Thinking
LiveCodeBench (Mean@4)	79.4	80.6	73.5	75.4	61.1	76.2	74.2
OJBench (Pass@1)	40.7	33.6	32.1	19.0	38.4	41.6	34.1
AIME-24 (Mean@32)	93.3	93.9	89.3	91.6	90.7	92.0	-
HMMT-25 (Mean@32)	83.7	80.4	76.3	71.9	79.3	83.8	-
τ²-Bench (Average Mean@4)	74.0	-	63.8	44.4	57.8	67.6	80.1
VitaBench (Pass@1)	29.5	21.5	13.5	26.8	35.3	29.3	24.3
MiniF2F-Test (Pass@32)	81.0	79.5	26.6	27.0	37.7	41.8	51.2
ARC-AGI (Pass@1)	50.3	37.5	45.3	21.4	47.3	46.8	59.0

讓我們來看看幾個關鍵的測試項目：

在考驗程式碼生成能力的 OJBench 測試中，LongCat-Flash-Thinking 以 40.7 的高分拔得頭籌，超越了所有對手。
在數學推理的 MiniF2F-Test 中，它同樣以 81.6 的分數領先群雄。
在極具挑戰性的數學競賽 AIME-24 和 HMMT-25 測試中，它的表現也與 GPT-5-Thinking、Gemini-2.5 Pro 等頂級模型不相上下。

這和 GPT-5 或 Gemini 相比如何？

一個值得注意的細節是，雖然在某些綜合評分（如 τ²-Bench）上，與像 GPT-5 這樣的頂級閉源模型相比還有些許差距，但 LongCat-Flash-Thinking 已經穩穩地站上了開源模型的第一梯隊。對於整個 AI 社群來說，這是一個非常重要的里程碑，它意味著開發者和研究人員可以用更低的門檻，接觸到接近世界頂尖水平的 AI 推理能力。

性能強大，成本更要精打細算

對於開發者來說，模型的性能固然重要，但運行的效率和成本同樣是關鍵考量。這正是 LongCat-Flash-Thinking 的另一大亮點。

它不僅聰明，而且「節儉」。

根據官方數據，在 AIME-24 數學競賽測試中，LongCat-Flash-Thinking 在達到頂級準確率的同時，所需的 token 數量減少了 64.5%！這代表著更低的計算成本和更快的響應速度。

這背後的功臣是團隊在基礎設施上的優化。他們採用的非同步強化學習（Async RL）框架，比傳統的同步框架實現了 3 倍的訓練速度提升。這讓模型能夠更快地迭代和優化，同時也為使用者帶來了更高效的推理體驗。

親身體驗，擁抱開源的力量

說了這麼多，最好的方式還是親手試試。美團 LongCat 團隊已經將 LongCat-Flash-Thinking 模型在多個平台全面開源，展現了其推動 AI 技術發展的決心。

無論你是 AI 研究員、應用開發者，還是純粹對前沿技術感到好奇，都可以透過以下管道接觸到這個強大的模型：

模型下載 (Hugging Face): meituan-longcat/LongCat-Flash-Thinking
原始碼 (GitHub): meituan-longcat/LongCat-Flash-Thinking
線上體驗: longcat.ai

總而言之，LongCat-Flash-Thinking 的發布，不僅是美團在 AI 領域的一次重要技術突破，更是對全球開源社群的一份厚禮。它證明了開源模型同樣有能力在最複雜的推理任務上，挑戰甚至超越頂尖水平，同時還兼顧了效率與成本。這無疑會激發更多創新應用的誕生，值得我們持續關注。

分享至:

Featured Partners

SPONSORED

DMflow.chat

探索DMflow.chat，立即開啟AI驅動的客戶服務新時代。

Learn More

SPONSORED

DMflow.chat

DMflow.chat: 您的智能AI夥伴，提升客戶互動、創造卓越體驗。

Learn More

SPONSORED

videoweaver.app

Video Weaver: 瀏覽器內完成專業影片剪輯，無需下載、即刻創作。

Learn More

SPONSORED

DMflow.chat

探索DMflow.chat，立即開啟AI驅動的客戶服務新時代。

Learn More

SPONSORED

DMflow.chat

DMflow.chat: 您的智能AI夥伴，提升客戶互動、創造卓越體驗。

Learn More

SPONSORED

videoweaver.app

Video Weaver: 瀏覽器內完成專業影片剪輯，無需下載、即刻創作。

Learn More

Recommended for You

M …

tool

Mistral 3 全面登場：從手機端到伺服器，開源 AI 模型迎來最強挑戰者

Mistral AI 正式發布 Mistral 3 系列模型，包含性能強悍的旗艦級 Mistral Large 3 與專為邊緣裝置打造的 Ministral 3。全系列採用 Apache 2.0 許可協議，具備多模態與多語言能力，並針對 NVIDIA 硬體進行了極致優化。本文將詳細解析這款新模型如何重新定義開源 AI 的標準，以及開發者如何立即上手。讓開源再次偉大？Mistral 3 的重磅逆襲科技圈總是充滿了驚喜，對吧？就在大家還在討論閉源模型的天花板時，Mistral AI 丟出了一顆震撼彈。他們正式發布了 Mistral 3，這不僅僅是一個單一的模型，而是一個完整的家族系列。從這一次的更新中可以看出，Mistral 想要傳達的訊息非常明確：開源模型不僅還活著，而且活得非常精彩。這次發布涵蓋了從輕量級的 3B 參數模型，一路延伸到高達 675B 參數的巨獸級模型。最讓人興奮的是什麼？所有模型都採用了 Apache 2.0 許可協議。這意味著無論是學術研究還是商業應用，開發者都能自由地使用、修改和部署，完全不用擔心授權的緊箍咒。這對於那些受夠了黑盒子 API 的企業來說，無疑是久旱逢甘霖。 Mistral 3 的出現，填補了市場上「高效能」與「完全開放」之間的空白。接下來，讓我們仔細看看這套新武器究竟有多強大。 Mistral Large 3：旗艦級的混合專家模型如果你在尋找能與頂尖閉源模型一較高下的對手，Mistral Large 3 就是答案。這款模型是 Mistral 目前為止最為強大的作品，它採用了稀疏混合專家（Sparse Mixture-of-Experts, MoE）架構。什麼是 MoE 架構？簡單來說，這就像是有一個龐大的專家團隊隨時待命。Mistral Large 3 雖然擁有驚人的 6750 億（675B）總參數，但在每次推理運算時，它只會激活其中的 410 億（41B）參數。這意味著你擁有超級電腦等級的知識庫，但運算成本卻控制在非常合理的範圍內。這種設計讓它在處理複雜任務時既聰明又高效。多語言與多模態的突破除了聰明，它還很「博學」。Mistral Large 3 在多語言處理上表現優異，特別是在非英語的環境下，其對話能力首屈一指。同時，它具備圖像理解能力，能處理包含文字與圖片的複雜邏輯。在權威的 LMArena 排行榜上，Mistral Large 3 首次亮相就拿下了開源非推理類模型（OSS non-reasoning models）的第二名，整體排名第六。這顯示出它在面對真實世界複雜指令時，具備極高的穩定性與準確度。

Dec 3, 2025 Read →

D …

tool

DeepSeek-V3.2 深度解析：開源模型如何以「稀疏注意力」與強化學習挑戰 GPT-5

DeepSeek-V3.2 的發布標誌著開源語言模型的一次重大技術飛躍。透過創新的 DeepSeek 稀疏注意力（DSA）機制與大規模強化學習框架，該模型不僅大幅提升了運算效率，更在數學與程式設計領域展現出媲美甚至超越 GPT-5 與 Gemini-3.0-Pro 的實力。本文將詳細拆解 DeepSeek-V3.2 的核心架構、Agent 代理能力，並透過最新的基準測試數據，分析其在國際競賽中奪金的背後技術。在過去幾個月裡，人工智慧領域出現了一個有趣的現象。雖然開源社群持續在進步，但在處理複雜任務時，開源模型與閉源專有模型（如 OpenAI 或 Google 的頂尖模型）之間的差距似乎正在擴大。許多人不禁要問：開源模型是否已經觸到了天花板？ DeepSeek-V3.2 的出現，似乎就是為了回答這個問題。這不僅僅是另一個版本的更新，而是一次針對目前開源模型「痛點」的精準打擊。DeepSeek 團隊發現，現有的模型在處理長文本時效率低落，且在後訓練階段（Post-Training）的運算資源投入不足。為了解決這些問題，DeepSeek-V3.2 引入了幾項關鍵技術，試圖在效率與推理能力之間找到完美的平衡點。本文將帶您深入了解這個新架構是如何運作的，以及它為何能在國際奧林匹亞競賽中拿下金牌。核心架構突破：DeepSeek 稀疏注意力 (DSA) 要理解 DeepSeek-V3.2 的強大之處，我們得先聊聊它的「心臟」——注意力機制。傳統的 Transformer 模型依賴所謂的「標準注意力」（Vanilla Attention），這就像是閱讀一本書時，強迫自己必須記住每一個字與其他所有字的關聯。當書本變厚（上下文變長）時，這種方法的運算量會呈指數級暴增，導致效率極低。 DeepSeek-V3.2 引入了 DeepSeek 稀疏注意力（DeepSeek Sparse Attention, DSA）。這個機制的核心理念非常簡單：只關注重要的資訊。閃電索引器 (Lightning Indexer) DSA 的第一步是透過一個稱為「閃電索引器」的組件來運作。這可以想像成圖書館的分類索引系統。當模型需要處理一個查詢（Query Token）時，它不會直接去翻閱所有的資料，而是先通過這個輕量級的索引器，快速掃描並計算出哪些部分的資訊是相關的。這個索引器使用了 ReLU 激活函數，並且可以在 FP8（低精度浮點數）下運行，這意味著它的速度非常快，幾乎不會增加額外的運算負擔。精細化 Token 選擇機制 (Fine-Grained Token Selection) 在索引器完成了初步篩選後，DSA 會進入第二階段。系統會根據索引分數，只檢索那些分數最高的「關鍵值」（Key-Value entries）。這就像是你通過目錄找到了特定的章節，然後只仔細閱讀那幾頁內容。透過這種方式，DeepSeek-V3.2 成功將核心注意力的複雜度大幅降低。這不僅解決了長文本處理的效率瓶頸，更重要的是，它在提升速度的同時，並沒有犧牲模型的表現。在實際測試中，這種稀疏化的處理方式在長文本任務上依然保持了極高的精準度。強化學習框架：從追趕到超越除了架構上的優化，DeepSeek-V3.2 在「大腦」訓練上也採取了激進的策略。過去開源模型往往在預訓練（Pre-training）階段投入巨大，但在後訓練（Post-training）階段則相對保守。 DeepSeek 團隊打破了這個慣例。可擴展的 RL 協議 DeepSeek-V3.2 採用了一種穩定且可擴展的強化學習（RL）協議。這套框架允許模型在後訓練階段消耗大量的運算資源——其預算甚至超過了預訓練成本的 10%。

Dec 2, 2025 Read →

微 …

tool

微軟 Fara-7B 登場：專為電腦操作打造的高效小型語言模型

微軟近期發布了 Fara-7B，這是一款擁有 70 億參數的小型語言模型（SLM），專為「電腦操作代理」（Computer Use Agent）而生。它結合了螢幕視覺與文字理解能力，能在無需龐大算力的情況下，精準預測操作步驟並執行任務。本文將解析 Fara-7B 的技術細節、與現有模型的差異，以及它如何改變自動化操作的未來。小模型的大野心：Fara-7B 的定位科技圈最近有個很明顯的趨勢，大家不再只是追求模型「越大越好」。這其實很合理，因為不僅僅是成本問題，更是為了效率。微軟最近推出的 Fara-7B 就是這個趨勢下的產物。這不是另一個只會聊天的機器人，它是微軟首款專為「使用電腦」而設計的代理型小型語言模型（Agentic SLM）。這款模型的特別之處在於它的體積。只有 70 億參數（7B）。這在動輒數千億參數的 AI 領域裡，聽起來可能有點迷你，但這正是它的優勢所在。Fara-7B 證明了在特定領域，精巧的架構設計比單純堆疊參數更重要。它被定義為一個 Computer Use Agent (CUA)，意思是它能像人類一樣看著螢幕，點擊滑鼠，輸入文字，完成工作。想像一下，如果你需要一個助手幫你填寫繁瑣的報表，你是希望請一個博學多聞但反應遲鈍的教授，還是一個動作俐落、專精於文書處理的實習生？Fara-7B 就是那個俐落的實習生。它在同級距的模型中展現了最先進（SOTA）的效能，甚至在某些任務上，表現得比那些資源消耗巨大的大型系統還要好。這對於想要在本地端或邊緣設備上運行 AI 代理的開發者來說，絕對是個好消息。視覺與邏輯的結合：它是如何「看」電腦的？ Fara-7B 的運作核心是基於多模態（Multimodal）的解碼器架構。簡單來說，它不僅僅是閱讀文字指令，它還「看」得到你的螢幕。螢幕截圖與文字的協同當這個模型運作時，它會同時接收兩種類型的輸入資訊：當前的螢幕截圖（Image）以及文字上下文（Text Context）。這其實模仿了人類操作電腦的直覺。當我們在使用軟體時，我們是看著介面上的按鈕位置（視覺），並結合我們想做什麼的意圖（文字/邏輯）來行動。目前的生產基線（Production Baselines）多半利用像 Qwen 2.5-VL (7B) 這類的模型作為基礎，而 Fara-7B 則是在此之上進行了針對性的優化。它能直接預測「思考過程」與「行動」，並提供具體的論據支持（Grounded arguments）。這點非常關鍵。很多 AI 在操作電腦時容易「產生幻覺」，例如點擊一個不存在的按鈕。但 Fara-7B 會生成有依據的推論，確保它的每一步操作——無論是點擊、拖或是輸入——都是基於螢幕上真實存在的元素。為什麼選擇 70 億參數？效率與成本的平衡或許有人會問，既然要強大的功能，為什麼不直接用更大的模型？其實，在實際應用場景中，硬體資源往往是有限的。這也是為什麼 Fara-7B 選擇 70 億參數這個甜蜜點。本地端運行的可能性對於許多企業或個人開發者來說，隱私和延遲是兩大考量。7B 的大小意味著它有機會在消費級的 GPU 上流暢運行，甚至不需要昂貴的雲端伺服器叢集。這大幅降低了部署 AI 代理的門檻。Fara-7B 的設計初衷就是為了高效（Efficient）。它不需要佔用海量的記憶體，運算速度也相對更快，這對於需要即時反應的電腦操作任務來說至關重要。如果透過 API 呼叫超大型模型來執行每一個簡單的點擊動作，那成本將會高得嚇人，且網路延遲會讓操作變得卡頓。Fara-7B 這類的小型模型（SLM）正好解決了這個痛點，讓「自動化操作」變得經濟實惠且反應靈敏。

Nov 25, 2025 Read →