美团 LongCat-Flash-Thinking-2601 大型推理模型发布

一、新闻概述

1. 标题

美团发布 LongCat-Flash-Thinking-2601：560B 参数 MoE 大型推理模型，强化环境泛化能力

2. 发布时间

2026 年 1 月 15 日（GitHub 仓库更新）

3. 来源

美团 LongCat 团队 GitHub 仓库

二、核心内容

1. 事件摘要

A. 主要内容

美团 LongCat 团队发布 LongCat-Flash-Thinking-2601，这是一个拥有 5600 亿总参数的大型推理模型，采用创新的混合专家架构。

B. 核心亮点

• 560B 总参数，27B 激活参数
• 环境扩展与多环境强化学习训练方案
• 抗噪声环境鲁棒性训练
• Heavy Thinking Mode（深度思考模式）
• 在智能体工具使用、搜索和推理基准测试中表现优异

2. 关键信息

A. 版本号

LongCat-Flash-Thinking-2601

B. 重要数据

• 总参数量：560B
• 激活参数量：27B
• 架构：MoE（混合专家）
• GitHub 星标：92+

C. 涉及产品

• 模型权重：Hugging Face、ModelScope
• 聊天平台：https://longcat.ai、https://longcat.chat

3. 背景介绍

A. 前置版本

这是 LongCat-Flash-Thinking 系列的更新版本，继承了领域并行训练配方，并系统性地增强了智能体思考能力。

B. 相关上下文

随着 AI 智能体应用的发展，模型在真实环境中的工具使用和推理能力成为关键竞争点。LongCat-Flash-Thinking-2601 专注于环境泛化和鲁棒性。

三、详细报道

1. 主要内容

A. 功能更新

• 环境扩展与多环境强化学习：构建多样化高质量环境作为强化学习训练场
• 抗噪声训练：系统分析和课程训练处理多种类型和级别的环境噪声
• Heavy Thinking Mode：并行思考和总结两阶段，扩展推理深度和广度

B. 技术改进

• 高质量任务构建：显式控制任务复杂度和多样性
• 多环境强化学习：扩展 DORA 基础设施支持大规模多环境智能体训练
• 课程策略：逐步增加噪声类型和强度

C. 兼容性说明

• 已适配 SGLang 和 vLLM 部署
• 提供 chat template 支持高级工具使用场景

2. 技术细节

A. 架构特点

graph TB
    A[LongCat-Flash-Thinking-2601] --> B[MoE 架构]
    B --> C[560B 总参数]
    B --> D[27B 激活参数]

    A --> E[训练方法]
    E --> F[环境扩展]
    E --> G[多环境强化学习]
    E --> H[抗噪声训练]

    A --> I[推理模式]
    I --> J[标准模式]
    I --> K[Heavy Thinking Mode]

    K --> L[并行思考阶段]
    K --> M[总结阶段]
    M --> N[迭代推理循环]

B. 核心技术

• 环境扩展：每个环境包含超过 60 个工具，组织成密集依赖图
• 高质量任务：基于连通子图定义任务，控制复杂度
• 抗噪声训练：分析真实世界噪声源并自动注入训练环境
• Heavy Thinking Mode：多轨迹并行生成 + 递归总结

C. 性能指标

• AIME-25 数学竞赛：99.6%（标准）/ 100.0%（Heavy Thinking）
• BrowseComp 智能体搜索：56.6% / 73.1%（带上下文管理）
• τ²-Bench 工具使用：88.2 平均分

3. 数据与事实

A. 竞品对比表

B. 评估数据

• 数学推理：在 AIME-25、HMMT-25、IMO-AnswerBench 等基准上表现优异
• 智能体搜索：BrowseComp、BrowseComp-zh、RW Search 等测试领先
• 工具使用：τ²-Retail、τ²-Airline、τ²-Telecom 等场景表现强劲
• 编码：LCB 82.8、OJBench 42.2、SWE-bench 70.0

四、影响分析

1. 行业影响

A. 技术趋势

• MoE 架构成为大模型主流方向，平衡性能与效率
• 环境扩展强化学习提升智能体泛化能力
• 抗噪声训练成为真实场景部署关键

B. 竞争格局

• 与 DeepSeek、Kimi、Qwen 等国产模型形成激烈竞争
• 在智能体工具使用场景表现突出
• Heavy Thinking Mode 提供差异化推理能力

2. 用户影响

A. 现有用户

• 可通过 longcat.ai 和 longcat.chat 体验
• MIT 许可证开放模型权重

B. 潜在用户

• 需要智能体工具使用能力的企业用户
• 需要复杂推理能力的应用场景

C. 迁移建议

• 支持 SGLang 和 vLLM 部署
• 提供 deployment guide 文档

3. 技术趋势

A. 技术方向

• 智能体能力成为大模型竞争新焦点
• 环境泛化能力比单纯基准测试更重要
• 多模式推理（标准 + Heavy Thinking）成为趋势

B. 生态影响

• 开源权重促进社区研究
• 推动智能体工具使用标准发展

五、各方反应

1. 官方回应

美团 LongCat 团队在 GitHub 发布详细技术文档和评估报告

2. 业内评价

A. 技术亮点

• 环境扩展与多环境强化学习方法创新
• 抗噪声训练实用性强
• Heavy Thinking Mode 提供推理深度

B. 开放态度

• MIT 许可证开源权重
• 提供完整部署文档
• GitHub 社区积极互动

3. 用户反馈

• GitHub 92+ 星标
• 提供 WeChat 群和 Twitter 账号支持

六、相关链接

1. 官方资源

• GitHub 仓库：https://github.com/meituan-longcat/LongCat-Flash-Thinking-2601
• Hugging Face：https://huggingface.co/meituan-longcat
• ModelScope：https://www.modelscope.cn/models/meituan-longcat/LongCat-Flash-Thinking-2601

2. 体验平台

• LongCat AI：https://longcat.ai
• LongCat Chat（Heavy Thinking Mode）：https://longcat.chat

3. 联系方式

• 邮箱：longcat-team@meituan.com
• Twitter：@Meituan_LongCat

参考资料

1. 美团 LongCat-Flash-Thinking-2601 GitHub 仓库