LongCat-Flash-Thinking-2601：美团LongCat团队推出高效混合专家大模型

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。

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。

进入LongCat-Flash-Thinking-2601测试模型官网入口