🚀 Schalen van embeddings, niet alleen experts—introduceren een nieuw pad voor efficiënte LLM's. Belangrijkste Bevinding: In scenario's met hoge spaarzaamheid leveren N-gram embeddings een betere Pareto-grens op dan alleen het toevoegen van meer MoE-experts. Daarom introduceren we LongCat-Flash-Lite—het eerste opensource model dat op deze inzichten is gebouwd. ⚙️ 68,5B Totaal Params (37,13B niet-embedding) | 2,9B~4,5B Actief 📊 Hoge Prestaties: SWE-Bench 54,4 | τ²-Bench 72,8 | TerminalBench 33,75 📃 256K Contextvenster (YARN-aangedreven) ✨ Geoptimaliseerd voor Agentic/Coding, sterk in algemeen redeneren ⚡ ~700 tokens/s piekinferentiesnelheid Het resultaat: Bereikt concurrerende prestaties binnen zijn schaal tegen een aanzienlijk lagere kostprijs en latentie. Hugging Face: Technisch Rapport:

🚀 LongCat-Flash-Thinking-2601 Technisch Rapport – Nu Volledig Vrijgegeven! Belangrijke inzichten: 🌍 Grootschalige agentic RL (14 pagina's diepgaande analyses!) 🔹 Omgevingsschaal: Een gedetailleerd kijkje naar onze geautomatiseerde pijplijn die 10.000+ uitvoerbare, verifieerbare omgevingen bouwt in meer dan 20 domeinen. 🔹 RL-infrastructuur: Een geüpgraded DORA-framework dat asynchrone training ondersteunt met 32.000+ gelijktijdige omgevingen, waarmee stabiliteitsproblemen in lange staarten en zeer heterogene taken worden aangepakt. 🛡️ Robuustheid in de praktijk 🔹 Geluidsinjectie: Geen "broeikas"-agenten meer. We analyseren systematisch ruis uit de echte wereld (gebruikers-/hulpgeluiden) en injecteren deze direct in de trainingslus. 🔹 Curriculum RL: Een curriculum-gebaseerde strategie die het model geleidelijk versterkt tegen rommelige, onvolmaakte omgevingen. 🧠 Heavy Thinking-framework 🔹 Parallel redeneren: Breidt de breedte uit door meerdere onafhankelijke redeneringstrajecten te genereren. 🔹 Iteratieve samenvatting: Breidt de diepte uit door een samenvattingsmodel te gebruiken om parallelle trajecten te reflecteren en te synthetiseren voordat definitieve beslissingen worden genomen. 🔹 Contextgeheugen: Een speciaal ontworpen geheugeneenheid om redenering coherent te houden over lange tijdshorizonten. ⚡ Zigzag Aandacht 🔹 Zigzag Connectiviteitsontwerp dat MLA + SSA combineert om de rekentijd te verminderen terwijl de globale informatiestroom behouden blijft. 🔹 Tussentijdse overstap naar spaarzame varianten levert een 1,5× versnelling op en ondersteunt 1M-token contexten — legt de basis voor toekomstige doorbraken in lange-context agentic redenering. 🔹 Verken: 📊 Bereikt SOTA onder open-source modellen over belangrijke agentic benchmarks: zoeken, gereedschapsgebruik, wiskundige redenering en coderen. Als je meer details wilt, voel je vrij om het volledige technische rapport te bekijken. • Paper: • Website: • GitHub: • Hugging Face:

🚀 Introductie van LongCat-Flash-Thinking-2601 — Een versie gebouwd voor diep en algemeen agentisch denken. ✨ Hoogtepunten: 🤖 Topniveau Agent Capaciteiten 🔹 Prestaties: Topniveau benchmarkresultaten (TIR / Agentic Search / Agentic Tool Use); uitstekende generalisatiecapaciteit, beter presterend dan Claude in complexe, willekeurige taken 🔹 Omgevingsschaling: Meerdere automatisch geconstrueerde omgevingen van hoge kwaliteit; dichte afhankelijkheidsstructuur 🔹 Multi-Env RL: Uitgebreide DORA (onze RL-infrastructuur), ondersteunt grootschalige multi-omgeving agentisch trainen 🛡️ Robuustheid in de echte wereld 🔹 Prestaties: Stevige prestaties in rommelige, onzekere scenario's (Vita-Noise & Tau^2-Noise) 🔹 Geluidsanalyse: Systematisch geanalyseerd real-world geluid in agentische scenario's 🔹 Curriculum RL: Toenemende geluidssoorten en intensiteit tijdens het trainen 🎯 Zware Denkmodus ​🔹 Parallel Denken: Breidt de breedte uit via meerdere onafhankelijke redeneertracks 🔹 Iteratieve Samenvatting: Versterkt de diepte door een samenvattingsmodel te gebruiken om outputs te synthetiseren, ter ondersteuning van iteratieve redeneerrondes 📅 Nog één ding: 1M-token context via Zigzag Attention komt binnenkort. 🔍 Probeer het nu: ✅ API-toegang voor deze versie is ook beschikbaar. Hugging Face: GitHub: