🚀 Skalowanie osadzeń, a nie tylko ekspertów—wprowadzamy nową ścieżkę dla efektywnych LLM-ów. Kluczowe odkrycie: W scenariuszach o wysokiej rzadkości, osadzenia N-gram dają lepszą granicę Pareto niż po prostu dodawanie większej liczby ekspertów MoE. Dlatego wprowadzamy LongCat-Flash-Lite—pierwszy model open source zbudowany na tym wniosku. ⚙️ 68,5B całkowitych parametrów (37,13B bez osadzeń) | 2,9B~4,5B aktywnych 📊 Wysoka wydajność: SWE-Bench 54,4 | τ²-Bench 72,8 | TerminalBench 33,75 📃 256K okno kontekstowe (zasilane YARN) ✨ Optymalizowany do Agentic/Coding, silny w ogólnym rozumowaniu ⚡ ~700 tokenów/s szczytowa prędkość wnioskowania Rezultat: Osiąga konkurencyjną wydajność w swoim zakresie przy znacznie niższych kosztach i opóźnieniach. Hugging Face: Raport techniczny:

🚀 Raport techniczny LongCat-Flash-Thinking-2601 – Teraz w pełni opublikowany! Kluczowe spostrzeżenia: 🌍 Duża skala agentowego RL (14 stron głębokich analiz!) 🔹 Skalowanie środowiska: Szczegółowy przegląd naszego zautomatyzowanego procesu, który buduje 10 000+ wykonalnych, weryfikowalnych środowisk w ponad 20 dziedzinach. 🔹 Infrastruktura RL: Ulepszony framework DORA, który wspiera asynchroniczne szkolenie z 32 000+ równoległymi środowiskami, rozwiązując problemy ze stabilnością w zadaniach o długim ogonie i wysoce heterogenicznych. 🛡️ Odporność w terenie 🔹 Wstrzykiwanie szumów: Koniec z agentami "szklarnianymi". Systematycznie analizujemy szum z rzeczywistego świata (szum użytkownika/narzędzia) i wprowadzamy go bezpośrednio do pętli szkoleniowej. 🔹 Curriculum RL: Strategia oparta na programie nauczania, która stopniowo wzmacnia model przeciwko chaotycznym, niedoskonałym środowiskom. 🧠 Ramy Heavy Thinking 🔹 Rozumowanie równoległe: Rozszerza zakres, generując wiele niezależnych trajektorii rozumowania. 🔹 Iteracyjne podsumowanie: Rozszerza głębokość, wykorzystując model podsumowujący do refleksji i syntezowania równoległych trajektorii przed podjęciem ostatecznych decyzji. 🔹 Pamięć kontekstowa: Celowo zbudowany moduł pamięci, aby utrzymać spójność rozumowania na długich horyzontach. ⚡ Uwaga Zigzag 🔹 Projekt połączenia Zigzag łączący MLA + SSA w celu zmniejszenia obliczeń przy zachowaniu globalnego przepływu informacji. 🔹 Przełączanie w trakcie szkolenia na rzadkie warianty przynosi 1,5× przyspieszenie i wspiera konteksty 1M-token — kładąc podwaliny pod przyszłe przełomy w agentowym rozumowaniu o długim kontekście. 🔹 Eksploruj: 📊 Osiąga SOTA wśród otwartych modeli w kluczowych benchmarkach agentowych: wyszukiwanie, użycie narzędzi, rozumowanie matematyczne i kodowanie. Jeśli chcesz więcej szczegółów, śmiało sprawdź pełny raport techniczny. • Artykuł: • Strona internetowa: • GitHub: • Hugging Face:

🚀 Przedstawiamy LongCat-Flash-Thinking-2601 — wersję stworzoną do głębokiego i ogólnego myślenia agentowego. ✨ Najważniejsze cechy: 🤖 Najwyższej klasy możliwości agenta 🔹 Wydajność: Wyniki benchmarków na najwyższym poziomie (TIR / Wyszukiwanie agentowe / Użycie narzędzi agentowych); doskonała zdolność do generalizacji, przewyższająca Claude'a w złożonych, losowych zadaniach 🔹 Skalowanie środowiska: Wiele automatycznie skonstruowanych wysokiej jakości środowisk; gęsta graf zależności 🔹 Multi-Env RL: Rozszerzone DORA (nasza infrastruktura RL), wspierająca szkolenie agentowe w dużej skali w wielu środowiskach 🛡️ Odporność na rzeczywistość 🔹 Wydajność: Solidna wydajność w chaotycznych, niepewnych scenariuszach (Vita-Noise & Tau^2-Noise) 🔹 Analiza hałasu: Systematycznie analizowany rzeczywisty hałas w scenariuszach agentowych 🔹 Curriculum RL: Zwiększanie rodzaju i intensywności hałasu podczas szkolenia 🎯 Tryb intensywnego myślenia ​🔹 Myślenie równoległe: Rozszerza zakres poprzez wiele niezależnych torów rozumowania 🔹 Iteracyjne podsumowanie: Zwiększa głębokość, wykorzystując model podsumowujący do syntezowania wyników, wspierając iteracyjne pętle rozumowania 📅 Jeszcze jedna rzecz: kontekst 1M-tokenów za pomocą Zigzag Attention już wkrótce. 🔍 Wypróbuj to teraz: ✅ Dostęp do API dla tej wersji jest również dostępny. Hugging Face: GitHub: