这个模型在思考时能够快速生成长文本，由美团长猫团队开发，可以在Hugging Face平台上找到，其名称为LongCat-Flash-Thinking

这个网址属于美团龙猫团队，他们开发了一个名为龙猫快速思考的项目，托管在GitHub平台上

体验链接：

https://longcat.chat/

通过课程学习，逐步增强个人能力，Agent和形式化推理能力得到提升

在模型初步训练环节，LongCat组织运用了循序渐进的学习模式，使模型先打好根基，再进行针对性强化，从而形成了兼具广泛性与深刻性的逻辑判断本领。

LongCat-Flash-Thinking源自LongCat-Flash，采用了推理能力提升的中期训练，并且接受了专门针对推理能力的监督微调

该机构精心打造了一套复杂度较高的思考练习材料，其中包含了数理、物化及编程类题目，同时运用数据配比方法，既能让机器强化分析能力，又不会削弱其普遍适应性。

测试显示，这个时期明显扩大了模型的“思考范围”：在AIME、BeyondAIME以及LiveCodeBench这些测试中，单次预测的正确率以及多次尝试后的准确率都实现了显著进步。

开始进行SFT微调环节，LongCat-Flash-Thinking的指令遵循程度和专业领域推理水平获得显著增强。这个阶段特别注重三个主要方面：

LongCat团队汇集了不同学科的高质量疑问和解答，包括科学、技术、工程、数学领域，还有编程知识，以及通用性问题和答案，并且涉及逻辑推理方面，通过排除性选择和模型检验来确保训练资料的真实可靠，同时增加其难度。

该团队另外研发了一种创新的数据合成方案，此方案依托于专家迭代机制，并整合了Lean4服务器功能，能够制造出严谨检验的论证路径，进而整体性增强模型进行逻辑推理的功效。

自主性推理：LongCat团队研发了独创性的“双向探索分析体系”。该体系可以对比模型在“配备辅助”与“不配备辅助”两种情境下的运作成效，识别出必须借助辅助才能处理的复杂疑难问题。

接下来，系统会自动生成多种解题路径，包括基础操作到多阶段复杂过程，同时经过严谨审核保证思维连贯和工具运用全面性。这些路径最终会被规范化处理，并根据难度划分等级，用于教学实践，以便让模型在现实环境中更有效地掌握可靠的操作技巧。

这种由两个阶段构成的方法，包括中期训练和推理微调，让LongCat-Flash-Thinking在推理工作中表现出色，同时也为将来的强化学习奠定了基础。

二、三管齐下优化强化学习，自研DORA框架提效超200%

LongCat-Flash-Thinking在强化学习领域，运用了一种综合性的策略，同时从系统层面、算法层面以及奖励机制层面，着手改进强化学习的性能，并增强其运行过程的可靠性。

LongCat团队在系统设计方面，研发了名为DORA的分布式强化学习框架，该框架构成了强化学习训练的核心基础，DORA能够实现异步训练功能，同时支持灵活的加速器调度方案，这样做既确保了训练过程的稳定性，也有效提高了整体工作效率

DORA利用流式结构，使完成的回复能迅速参与训练，不会因最大输出而延迟；采用多版本机制，确保同一回复由相同模型版本生成，防止推理部分出现偏差；同时配合弹性角色分配，让不同性能的设备能够自由转换职责，几乎消除资源闲置。

该机制在大型计算集群上表现出色：在数万块加速单元中，LongCat-Flash的强化学习训练速率比常规同步方法快三倍以上，其浮点运算量大约是预训练时期的百分之二十。

在算法方面，该团队改进了传统的PPO方案，异步学习时，推理模块和训练模块的数值偏差，或因先前策略产生的数据量过大，常造成模型难以稳定收敛。

为了解决这个问题，专家们运用了截断抽样技术来减少设备不同造成的偏差，同时构思了筛选方案，针对正反实例应用了不同的临界值。这些精心的改进，显著增强了运算过程中的可靠性。

奖励系统是强化学习的核心指引。针对创作、应答这类难以直接评估的工作，组织培育了区分式赏罚方案，借助人类与机器共同标注的信息，掌握了分辨高下爱好的能力。

在数学和编程等可检验情境下，运用了生成式奖励机制，这种机制不仅能够判定正误，还能提供推演过程，做到有理有据。针对编程任务，团队建立了分布式沙箱平台，该平台能够承载数百万次同时代码运行，涵盖二十余种编程语言。

最终，LongCat团队设计了一套分三步走的训练流程：首先进行领域间对齐的训练，接着实施模型间的整合，最后运用通用强化学习进行微调。团队先独立培养出处理数学、编程及智能体等领域的专业模型，然后借助参数整合手段将这些模型合并成一个综合性的大模型，最后通过丰富的数据集对模型进行泛化训练，以防止合并后能力下降，同时保障模型的可靠度、适应性和实际应用价值。

融合后的模型性能优于专家模型

三、MATH-500得分接近满分，用上工具后性价比更高

LongCat-Flash-Thinking在各种不同领域的测试中成绩斐然。

LongCat-Flash-Thinking在通用能力测试中，MMLU-Redux得分达到89.3%，表现与当前业界众多顶尖开源模型相当，不过，其水平与OpenAI-o3相比，还存在一定距离。

数学分析是这个系统的一大特色，它在MATH-500测试中获得了百分之九十九点二的优异成绩，接近完美分数。面对难度更高的AIME和HMMT等赛事级别挑战，它依然表现出色，结果接近或超过了GPT-5和Qwen3的水平，有力证明了其处理复杂连续逻辑推理的卓越能力。

该模型于逻辑及常规推演层面，在ARC-AGI评测中取得了50.3%的成果，领先于OpenAI-o3和Gemini 2.5-Pro。此外，它在ZebraLogic这类解谜挑战中获得了95.5%的顶尖表现，又在Sudoku-Bench数独检测中大幅甩开众多竞争者，充分体现了其卓越的结构化思考本领。

在编程技能测试方面，LongCat-Flash-Thinking在动态编程项目LiveCodeBench上的得分达到79.4%，它与GPT-5的排名非常接近，并且明显领先于其他开源的同类模型。

值得留意的是，LongCat-Flash-Thinking模型在借助工具提升推理水平方面效果显著。比如，它针对预定机票的τ²-Bench-Airline测试，获得了67.5%的最高分数，同时在SWE-Bench、BFCL等挑战中也展现出不俗的实力。

借助其他设备之后，它在AIME-25基准测试中的正确率维持原状，不过平均token使用量降低了约三分之二，这表明智能体系统在效能与表现上达到了协调。

LongCat-Flash-Thinking在MiniF2F测试中的得分是67.6%，它超越了其他竞争模型，领先幅度达到18%。这一成绩确立了该模型在形式化数学推理领域的卓越表现。

最终，就安全性能而言，LongCat-Flash-Thinking在涉及有害信息、违法犯罪、错误资讯以及个人隐私的四项风险检测里，都获得了最优的安全评级。

结语：切入真实场景，美团探索推理大模型落地路径

LongCat组织表示，通过LongCat-Flash-Thinking的公开使用，他们期望能够促进快速强化学习训练、本地智能体推理等领域的探索。

通过分析论文中的具体技术内容，可以发现LongCat专门强化了模型在运用工具、执行指令以及保障安全等层面的能力。

根据美团近期在面向顾客的智能助手产品、人工智能检索工具等方向的举措，可以推测，这些新开发的技术很可能会专门用于美团自身的运营，从而让客户感受到更加智能化的服务。