今天，我們正式發布 LongCat-Flash-Chat，並同步開源。LongCat-Flash 采用創新性混合專家模型（Mixture-of-Experts, MoE）架構，總參數 560 B，激活參數 18.6B~31.3B（平均 27B），實現了計算效率與性能的雙重優化。

根據多項基準測試綜合評估，作為壹款非思考型基礎模型，LongCat-Flash-Chat 在僅激活少量參數的前提下，性能比肩當下領先的主流模型，尤其在智能體任務中具備突出優勢。並且，因為面向推理效率的設計和創新，LongCat-Flash-Chat 具有明顯更快的推理速度，更適合於耗時較長的復雜智能體應用。

目前，我們在 Github、Hugging Face 平臺同步開源，同時妳也可以訪問官網 https://longcat.ai/，與 LongCat-Flash-Chat 開啟對話。

LongCat-Flash 模型在架構層面引入“零計算專家（Zero-Computation Experts）”機制，總參數量 560 B，每個token 依據上下文需求僅激活 18.6B~31.3 B 參數，實現算力按需分配和高效利用。為控制總算力消耗，訓練過程采用 PID 控制器實時微調專家偏置，將單 token 平均激活量穩定在約 27 B。

圖1：LongCat-Flash 架構圖

此外，LongCat-Flash 在層間鋪設跨層通道，使 MoE 的通信和計算能很大程度上並行，極大提高了訓練和推理效率。配合定制化的底層優化，LongCat-Flash 在 30 天內完成高效訓練，並在 H800 上實現單用戶 100+ tokens/s 的推理速度。LongCat-Flash 還對常用大模型組件和訓練方式進行了改進，使用了超參遷移和模型層疊加的方式進行訓練，並結合了多項策略保證訓練穩定性，使得訓練全程高效且順利。

針對智能體（Agentic）能力，LongCat-Flash 自建了Agentic評測集指導數據策略，並在訓練全流程進行了全面的優化，包括使用多智能體方法生成多樣化高質量的軌跡數據等，實現了優異的智能體能力。

通過算法和工程層面的聯合設計，LongCat-Flash 在理論上的成本和速度都大幅領先行業同等規模、甚至規模更小的模型；通過系統優化，LongCat-Flash 在 H800 上達成了 100 tokens/s 的生成速度，在保持極致生成速度的同時，輸出成本低至 5元/百萬 token。

全面且嚴謹的評估表明，LongCat-Flash 是壹款強大且全能的模型，它在多個領域表現出卓越的性能優勢。以下將從不同維度詳細解讀：

圖2：LongCat-Flash 的基準測試性能

• 在通用領域知識方面，LongCat-Flash 表現出強勁且全面的性能：在 ArenaHard-V2 基準測試中取得 86.50 的優異成績，位列所有評估模型中的第二名，充分體現了其在高難度“壹對壹”對比中的穩健實力。在基礎基準測試中仍保持高競爭力，MMLU（多任務語言理解基準）得分為 89.71，CEval（中文通用能力評估基準）得分為 90.44。這些成績可與目前國內領先的模型比肩，且其參數規模少於 DeepSeek-V3.1、Kimi-K2 等產品，體現出較高的效率。
• 在智能體（Agentic）工具使用方面，LongCat-Flash 展現出明顯優勢：即便與參數規模更大的模型相比，其在 τ2-Bench（智能體工具使用基準）中的表現仍超越其他模型；在高復雜度場景下，該模型在 VitaBench（復雜場景智能體基準）中以 24.30 的得分位列第壹，彰顯出在復雜場景中的強大處理能力。
• 在編程方面，LongCat-Flash 展現出紮實的實力：其在 TerminalBench（終端命令行任務基準）中，以 39.51 的得分位列第二，體現出在實際智能體命令行任務中的出色熟練度；在 SWE-Bench-Verified（軟件工程師能力驗證基準）中得分為 60.4，具備較強競爭力。
• 在指令遵循方面，LongCat-Flash 優勢顯著：在 IFEval（指令遵循評估基準）中以 89.65 的得分位列第壹，展現出在遵循復雜且細致指令時的卓越可靠性；此外，在 COLLIE（中文指令遵循基準）和 Meeseeks-zh（中文多場景指令基準）中也斬獲最佳成績，分別為 57.10 和 43.03，凸顯其在中英文兩類不同語言、不同高難度指令集上的出色駕馭能力。

我們同步提供了分別基於 SGLang 和 vLLM 的兩種高效部署方案，助您輕松部署、快速體驗模型效果。

以下為使用SGLang進行單機部署的示例：

python3 -m sglang.launch_server \    --model meituan-longcat/LongCat-Flash-Chat-FP8 \    --trust-remote-code \    --attention-backend flashinfer \    --enable-ep-moe \    --tp 8

其他更為詳細的部署指導請參閱 LongCat-Flash-Chat 倉庫：

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

前往 https://longcat.ai/ ，立即與 LongCat-Flash-Chat 開啟對話。

開源平臺地址：

• Hugging Face：https://huggingface.co/meituan-longcat/LongCat-Flash-Chat
• Github：https://github.com/meituan-longcat/LongCat-Flash-Chat

此次我們的開源倉庫統壹采用 MIT License，並允許用戶利用模型輸出、通過模型蒸餾等方式訓練其他模型。