🚀 Escalar embeddings, não apenas especialistas — introduzindo um novo caminho para LLMs eficientes. Achado chave: Em cenários de alta esparsidade, os embeddings N-gram produzem uma fronteira de Pareto melhor do que apenas adicionar mais especialistas do MoE. Por isso, apresentamos o LongCat-Flash-Lite — o primeiro modelo opensource construído sobre esse insight. ⚙️ 68,5B Total de Params(37,13B não incorporados) | 2.9B~4.5B Ativo 📊 Alto Desempenho: SWE-Bench 54.4 | τ²-Banco 72.8 | TerminalBench 33.75 📃 Janela de Contexto 256K (alimentada por YARN) ✨ Otimizado para Agente/Programação, forte em raciocínio geral ⚡ ~700 tokens/s velocidade máxima de inferência O resultado: alcança desempenho competitivo dentro de sua escala com custo e latência significativamente menores. Rosto de abraço: Relatório Técnico:

🚀 Relatório Técnico LongCat-Flash-Thinking-2601 – Agora Totalmente Lançado! Principais insights: 🌍 RL agente em grande escala (14 páginas de análises profundas!) 🔹 Escalonamento de ambientes: Uma análise detalhada do nosso pipeline automatizado que constrói 10.000+ ambientes executáveis e verificáveis em 20+ domínios. 🔹 Infraestrutura RL: Um framework DORA atualizado que suporta treinamento assíncrono com 32.000+ ambientes concorrentes, enfrentando problemas de estabilidade em tarefas long-tail e altamente heterogêneas. 🛡️ Robustez na natureza 🔹 Injeção de ruído: Chega de agentes "estufa". Analisamos sistematicamente ruídos do mundo real (ruído do usuário/ferramenta) e o injetamos diretamente no ciclo de treinamento. 🔹 Curriculum RL: Uma estratégia baseada em currículo que fortalece gradualmente o modelo contra ambientes bagunçados e imperfeitos. 🧠 Estrutura de Pensamento Pesado 🔹 Raciocínio paralelo: Expande a amplitude ao gerar múltiplas trajetórias de raciocínio independentes. 🔹 Sumarização iterativa: Expande a profundidade usando um modelo de resumo para refletir e sintetizar trajetórias paralelas antes de tomar decisões finais. 🔹 Memória de contexto: Um módulo de memória construído para propósito para manter o raciocínio coerente ao longo de longos horizontes. ⚡ Atenção em ziguezague 🔹 Projeto de conectividade em ziguezague combinando MLA + SSA para reduzir o cálculo enquanto preserva o fluxo global de informações. 🔹 A mudança no meio do treinamento para variantes esparsas gera um aumento de aceleração de 1,5× e suporta contextos de 1M-token — estabelecendo as bases para futuros avanços em raciocínio agential de longo contexto. 🔹 Explore: 📊 Alcança a SOTA entre modelos de código aberto em benchmarks agentes-chave: busca, uso de ferramentas, raciocínio matemático e programação. Se quiser mais detalhes, fique à vontade para conferir o relatório técnico completo. • Papel: • Site: • GitHub: • Abraços no rosto:

🚀 Apresentando LongCat-Flash-Thinking-2601 — Uma versão construída para pensamento agente profundo e geral. ✨ Destaques: 🤖 Capacidades de Agente de Alto Nível 🔹 Desempenho: Resultados de benchmark de alto nível (TIR / Busca Agential / Uso de Ferramentas Agentes); habilidade de generalização excelente, superando Claude em tarefas complexas e aleatórias 🔹 Escalonamento ambiental: Múltiplos ambientes de alta qualidade construídos automaticamente; Grafo de dependência densa 🔹 Multi-Env RL: DORA estendido (nossa infraestrutura RL), suportando treinamento agente em grande escala e multiambiente 🛡️ Robustez do Mundo Real 🔹 Desempenho: Desempenho sólido em cenários bagunçados e incertos (Vita-Ruído & Tau^2-Ruído) 🔹 Análise de Ruído: Analisou sistematicamente ruído do mundo real em cenários agentes 🔹 Currículo RL: Aumento do tipo e da intensidade do ruído durante o treinamento 🎯 Modo Pensamento Pesado 🔹 Pensamento Paralelo: Expande a amplitude por meio de múltiplas trilhas de raciocínio independente 🔹 Sumarização Iterativa: Aumenta a profundidade usando um modelo de resumo para sintetizar resultados, suportando loops de raciocínio iterativo 📅 Mais uma coisa: contexto de 1M-token via Zigzag Attention está chegando em breve. 🔍 Experimente agora: ✅ O acesso à API para esta versão também está disponível. Rosto de abraço: GitHub: