🚀 Escalar incrustaciones, no solo expertos—introducir un nuevo camino para LLMs eficientes. Hallazgo clave: En escenarios de alta esparsidad, las incrustaciones de N-grams ofrecen una mejor frontera de Pareto que simplemente añadir más expertos en el Ministerio de Ingenio. Por ello, presentamos LongCat-Flash-Lite, el primer modelo de código abierto construido sobre esta información. ⚙️ 68,5 mil millones de parámetros totales (37,13 mil millones de parámetros no incrustados) | 2.9B~4.5B Activo 📊 Alto rendimiento: SWE-Bench 54.4 | τ²-Banco 72.8 | TerminalBench 33.75 📃 Ventana de contexto 256K (alimentada por YARN) ✨ Optimizado para Agente/Codificación, fuerte en razonamiento general ⚡ ~700 tokens/s velocidad máxima de inferencia El resultado: logra un rendimiento competitivo dentro de su escala a un coste y latencia significativamente menores. Cara de abrazo: Informe técnico:

🚀 Informe técnico de LongCat-Flash-Thinking-2601 – ¡Ya totalmente publicado! Perspectivas clave: 🌍 RL agente a gran escala (¡14 páginas de análisis profundos!) 🔹 Escalado de entornos: Un análisis detallado de nuestra pipeline automatizada que construye 10.000+ entornos ejecutables y verificables en 20+ dominios. 🔹 Infraestructura RL: Un marco DORA mejorado que soporta entrenamiento asíncrono con 32.000+ entornos concurrentes, abordando problemas de estabilidad en tareas de cola larga y altamente heterogéneas. 🛡️ Robustez en estado salvaje 🔹 Inyección de ruido: No más agentes de "invernadero". Analizamos sistemáticamente el ruido del mundo real (ruido del usuario/herramienta) e inyectamos directamente en el bucle de entrenamiento. 🔹 Curriculum RL: Una estrategia basada en el currículo que fortalece gradualmente el modelo frente a entornos desordenados e imperfectos. 🧠 Marco de Pensamiento Pesado 🔹 Razonamiento paralelo: Amplía la amplitud generando múltiples trayectorias de razonamiento independientes. 🔹 Resumen iterativo: Amplía la profundidad utilizando un modelo resumen para reflexionar y sintetizar trayectorias paralelas antes de tomar decisiones finales. 🔹 Memoria de contexto: Un módulo de memoria diseñado específicamente para mantener el razonamiento coherente a largo plazo. ⚡ Atención en zigzag 🔹 Diseño de conectividad en zigzag combinando MLA + SSA para reducir el cálculo y preservar el flujo global de información. 🔹 El cambio a mitad de entrenamiento a variantes dispersas produce una aceleración del 1,5× y soporta contextos de 1M de tokens, sentando las bases para futuros avances en razonamiento agentico de largo contexto. 🔹 Explora: 📊 Logra la SOTA entre Modelos de código abierto en los principales benchmarks agentes: búsqueda, uso de herramientas, razonamiento matemático y codificación. Si quieres más detalles, no dudes en consultar el informe técnico completo. • Papel: • Página web: • GitHub: • Abrazo en la cara:

🚀 Presentamos LongCat-Flash-Thinking-2601 — Una versión diseñada para un pensamiento agente profundo y general. ✨ Resúmenes: 🤖 Capacidades de Agentes de Primer Nivel 🔹 Rendimiento: Resultados de benchmark de primer nivel (TIR / Búsqueda Agentica / Uso de herramientas agentes); una capacidad de generalización sobresaliente, superando a Claude en tareas complejas y aleatorias 🔹 Escalabilidad ambiental: Múltiples entornos de alta calidad construidos automáticamente; grafo de dependencias densas 🔹 Multi-Env RL: DORA extendido (nuestra infraestructura RL), que soporta entrenamiento agente a gran escala y multientorno 🛡️ Robustez en el mundo real 🔹 Rendimiento: Rendimiento sólido en situaciones desordenadas e inciertas (Vita-Ruido y Tau^2-Ruido) 🔹 Análisis de ruido: Analizó sistemáticamente el ruido real en escenarios agentes 🔹 Currículo RL: Aumento del tipo de ruido e intensidad durante el entrenamiento 🎯 Modo de Pensamiento Intenso 🔹 Pensamiento paralelo: Amplía la amplitud a través de múltiples vías de razonamiento independiente 🔹 Resumen iterativo: Mejora la profundidad utilizando un modelo de resumen para sintetizar salidas, soportando bucles de razonamiento iterativo 📅 Una cosa más: el contexto de 1M de tokens vía Zigzag Attention llegará pronto. 🔍 Pruébalo ahora: ✅ También hay acceso a la API para esta versión. Cara de abrazo: GitHub: