LongCat-Flash-Thinking：美团开源推理模型

它是什么

LongCat-Flash-Thinking 是美团 LongCat 团队在 2025 年 9 月下旬发布的开放权重推理大模型。官方更新日志记的发布日期是 9 月 22 日，技术报告 9 月 23 日上了 arXiv。它是 8 月底那款通用对话模型 LongCat-Flash-Chat 的推理版：底座一脉相承，后面接上长思维链冷启动和大规模强化学习，让模型学会先想后答。一句话概括，它是一个总参数 560B、每个 token 平均只激活约 27B 的 MoE 推理模型，权重按 MIT 协议放出。

关键规格

官方说，这个 MoE 会按上下文需求在 18.6B 到 31.3B 之间动态激活参数，平均约 27B。这意味着单次推理的计算量接近一个 27B 级的稠密模型，但显存得按 560B 来准备。Hugging Face 上的权重是 BF16，标注 562B 参数，粗算在 1.1TB 上下，个人电脑跑不了，得上多卡服务器。官方给了 SGLang 和 vLLM 的适配与部署指南，硬件细节以指南为准。

训练上有两个看点。一是 DORA 异步强化学习框架，官方说它用流式生成加多版本异步流水线，专门对付推理任务里“少数超长回答拖慢整批训练”的问题，支撑了上万块加速卡规模的训练。二是领域并行训练：STEM、代码、智能体几个方向各训一个专家模型，最后融合成一个。输入输出都是纯文本。官方没有公布知识截止时间，模型卡也没写上下文长度，Vultr 这类托管平台的资料页列的是 128K 左右，实际使用前建议看部署指南。许可是 MIT，模型卡特别说明不授予美团商标和专利权利。

能力和成绩

下面的数字都来自美团在模型卡里发布的自测表，对比对象有 DeepSeek-V3.1-Thinking、Qwen3-235B-A22B-Thinking-2507、GLM-4.5、OpenAI o3、Gemini 2.5 Pro 和 GPT-5-Thinking。带星号的对手成绩是美团引用的其他公开报告。

最亮眼的是形式化定理证明：MiniF2F-Test 的 Pass@1 是 67.6，同表里 DeepSeek-V3.1-Thinking 为 49.6，GPT-5-Thinking 为 21.4。这类任务要用 Lean 4 写出能通过检查的证明，LongCat 在这个方向上专门做了数据合成，对手未必针对它调过，对比时要留个心眼。数学和编程方面，AIME25 为 90.6，HMMT25 为 83.7，LiveCodeBench 为 79.4，OJBench 为 40.7。智能体方面，τ²-Bench 的 Telecom 子项是 83.1，BFCL V3 是 74.4。

和谁比

跟 GPT-5-Thinking 比，差距在表里写得很清楚：AIME25 是 90.6 对 94.6*，ARC-AGI 是 50.3 对 59.0，SWE-Bench 是 59.4 对 74.9*，Arena-Hard 是 69.9 对 87.7，IFEval 是 86.9 对 92.8。数学推理接近，真实软件工程和开放式对话偏好上落后不少。

跟同为开源的 Qwen3-235B-A22B-Thinking-2507 比，AIME25 是 90.6 对 92.5，BFCL V3 是 74.4 对 75.7，互有胜负，但 SWE-Bench 是 59.4 对 34.4，Qwen3 在表里明显偏低。跟 DeepSeek-V3.1-Thinking（671B 总参数、37B 激活）比，LongCat 的 AIME25 是 90.6 对 87.9，激活参数更少。

跟自家后继者比，2026 年 1 月 14 日发布的 LongCat-Flash-Thinking-2601 同样是 560B、约 27B 激活，同样 MIT 协议。官方说它在智能体工具调用、搜索和抗噪环境上做了系统加强，还新增了并行推理的 Heavy Thinking 模式。如果你关心智能体，2601 是更对口的版本。

怎么用，多少钱

想本地折腾，权重在 Hugging Face 和 GitHub 上都有。官方聊天网站 longcat.ai 当年的用法是打开“深度思考”按钮再提问，现在站上还能不能选到这款，以页面为准。

API 的情况要说清楚。这个模型发布后一度能通过 LongCat API 开放平台调用，官方文档当时写的是每个账号每天有 50 万 token 的免费额度。2026 年 3 月 12 日起，调用 LongCat-Flash-Thinking 会自动切到 2601；5 月 29 日起，平台停止了包括这两个名称在内的 6 个旧模型的调用服务。如今官方文档和定价页只列 LongCat-2.5，没有这款模型的标价，所以别指望从官方渠道按量买到它。想用只剩两条路：自己部署，或者找第三方托管。

适合谁

做研究的人最值得试：MIT 协议加完整权重，拿来微调、蒸馏、做形式化证明的对照基线都合适，Lean 4 证明这块是它的强项。做选型的要掂量部署成本，560B 的体量加上推理模型动辄很长的思考输出，自建的账不轻；官方 API 已下线，长期用建议直接看 2601 或更新的 LongCat-2.5。写代码的人要有预期，SWE-Bench 59.4 的成绩比闭源旗舰低一截，真实项目里的表现得自己验证。官方也提醒，模型没有针对所有下游场景做过完整评估，不同语言的表现可能有差异。

AI主线的看法是，这款模型今天的价值主要在开源资产和方法论上：DORA 和领域并行训练的思路值得读技术报告，真要落地干活，往它的后继版本看更实在。