🚀 Menyematkan skala, bukan hanya para ahli—memperkenalkan jalur baru untuk LLM yang efisien. Temuan Utama: Dalam skenario dengan skenario dengan kecepatan tinggi, penyematan N-gram menghasilkan perbatasan Pareto yang lebih baik daripada hanya menambahkan lebih banyak pakar MoE. Oleh karena itu, kami memperkenalkan LongCat-Flash-Lite—model opensource pertama yang dibangun di atas wawasan ini. ⚙️ 68,5 miliar Total Param (37,13 miliar tanpa penyematan) | 2.9B ~ 4.5B Aktif 📊 Kinerja Tinggi: SWE-Bench 54.4 | τ²-Bangku 72.8 | Bangku Terminal 33.75 📃 Jendela Konteks 256K (didukung YARN) ✨ Dioptimalkan untuk Agen / Pengkodean, kuat dalam penalaran umum ⚡ ~700 token/s kecepatan inferensi puncak Hasilnya: Mencapai kinerja kompetitif dalam skalanya dengan biaya dan latensi yang jauh lebih rendah. Wajah Memeluk: Laporan Teknologi:

🚀 Laporan Teknis LongCat-Flash-Thinking-2601 – Sekarang Dirilis Sepenuhnya! Wawasan utama: 🌍 RL agen skala besar (14 halaman penyelaman mendalam!) 🔹 Penskalaan lingkungan: Tampilan mendetail pada alur otomatis kami yang membangun 10.000+ lingkungan yang dapat dieksekusi dan dapat diverifikasi di 20+ domain. 🔹 Infrastruktur RL: Kerangka kerja DORA yang ditingkatkan yang mendukung pelatihan asinkron dengan 32.000+ lingkungan bersamaan, mengatasi masalah stabilitas dalam tugas ekor panjang dan sangat heterogen. 🛡️ Kekokohan di alam liar 🔹 Injeksi kebisingan: Tidak ada lagi agen "rumah kaca". Kami secara sistematis menganalisis kebisingan dunia nyata (kebisingan pengguna/alat) dan menyuntikkannya langsung ke loop pelatihan. 🔹 Kurikulum RL: Strategi berbasis kurikulum yang secara bertahap memperkuat model terhadap lingkungan yang berantakan dan tidak sempurna. 🧠 Kerangka kerja Berpikir Berat 🔹 Penalaran paralel: Memperluas keluasan dengan menghasilkan beberapa lintasan penalaran independen. 🔹 Ringkasan berulang: Memperluas kedalaman dengan menggunakan model ringkasan untuk merefleksikan dan mensintesis lintasan paralel sebelum membuat keputusan akhir. 🔹 Memori konteks: Modul memori yang dibuat khusus untuk menjaga penalaran tetap koheren di cakrawala yang panjang. ⚡ Perhatian Zigzag 🔹 Desain Konektivitas Zigzag yang menggabungkan MLA + SSA untuk mengurangi komputasi sekaligus mempertahankan aliran informasi global. 🔹 Peralihan pelatihan menengah ke varian jarang menghasilkan percepatan 1,5× dan mendukung konteks token 1M —meletakkan dasar untuk terobosan masa depan dalam penalaran agen konteks panjang. 🔹 Jelajahi: 📊 Mencapai SOTA di antara model sumber terbuka di seluruh tolok ukur agen utama: pencarian, penggunaan alat, penalaran matematis, dan pengkodean. Jika Anda menginginkan detail lebih lanjut, jangan ragu untuk memeriksa laporan teknis lengkapnya. • Kertas: • Situs web: • GitHub: • Wajah Memeluk:

🚀 Memperkenalkan LongCat-Flash-Thinking-2601 — Versi yang dibuat untuk pemikiran agen yang mendalam dan umum. ✨ Sorotan: 🤖 Kemampuan Agen Tingkat Teratas 🔹 Kinerja: Hasil benchmark tingkat atas (TIR / Agentic Search / Agent Tool Use); kemampuan generalisasi yang luar biasa, mengungguli Claude dalam tugas acak yang kompleks 🔹 Penskalaan Env: Beberapa lingkungan berkualitas tinggi yang dibangun secara otomatis; grafik dependensi padat 🔹 Multi-Env RL: DORA yang diperluas (infra RL kami), mendukung pelatihan agen multi-lingkungan skala besar 🛡️ Ketahanan Dunia Nyata 🔹 Kinerja: Performa yang solid dalam skenario yang berantakan dan tidak pasti (Vita-Noise & Tau^2-Noise) 🔹 Analisis Kebisingan: Menganalisis kebisingan dunia nyata secara sistematis dalam skenario agen 🔹 Kurikulum RL: Meningkatkan jenis & intensitas kebisingan saat berlatih 🎯 Mode Berpikir Berat 🔹 Pemikiran Paralel: Memperluas keluasan melalui beberapa jalur penalaran independen 🔹 Ringkasan Iteratif: Meningkatkan kedalaman dengan menggunakan model ringkasan untuk mensintesis output, mendukung loop penalaran berulang 📅 Satu hal lagi: Konteks token 1 juta melalui Zigzag Perhatian akan segera hadir. 🔍 Coba sekarang: ✅ Akses API untuk versi ini juga tersedia. Wajah Memeluk: GitHub: