🚀 Escalando embeddings, não apenas especialistas—introduzindo um novo caminho para LLMs eficientes. Descoberta Principal: Em cenários de alta esparsidade, embeddings N-gram oferecem uma melhor fronteira de Pareto do que apenas adicionar mais especialistas MoE. Portanto, apresentamos o LongCat-Flash-Lite—o primeiro modelo opensource construído com base nesta percepção. ⚙️ 68.5B Total de Parâmetros (37.13B não-embedding) | 2.9B~4.5B Ativos 📊 Alto Desempenho: SWE-Bench 54.4 | τ²-Bench 72.8 | TerminalBench 33.75 📃 Janela de Contexto de 256K (potenciado por YARN) ✨ Otimizado para Agente/Codificação, forte em raciocínio geral ⚡ ~700 tokens/s de velocidade de inferência máxima O resultado: Alcança desempenho competitivo dentro de sua escala a um custo e latência significativamente mais baixos. Hugging Face: Relatório Técnico:

🚀 Relatório Técnico LongCat-Flash-Thinking-2601 – Agora Totalmente Liberado! Principais insights: 🌍 RL agentic em larga escala (14 páginas de análises profundas!) 🔹 Escalonamento de ambiente: Um olhar detalhado sobre nosso pipeline automatizado que constrói mais de 10.000 ambientes executáveis e verificáveis em mais de 20 domínios. 🔹 Infraestrutura de RL: Um framework DORA atualizado que suporta treinamento assíncrono com mais de 32.000 ambientes concorrentes, enfrentando problemas de estabilidade em tarefas de cauda longa e altamente heterogêneas. 🛡️ Robustez no mundo real 🔹 Injeção de ruído: Chega de agentes "greenhouse". Analisamos sistematicamente o ruído do mundo real (ruído de usuário/ferramenta) e o injetamos diretamente no loop de treinamento. 🔹 RL baseado em currículo: Uma estratégia baseada em currículo que gradualmente fortalece o modelo contra ambientes bagunçados e imperfeitos. 🧠 Framework Heavy Thinking 🔹 Raciocínio paralelo: Expande a amplitude gerando múltiplas trajetórias de raciocínio independentes. 🔹 Resumo iterativo: 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 projetado para manter o raciocínio coerente ao longo de longos horizontes. ⚡ Atenção Zigzag 🔹 Design de Conectividade Zigzag combinando MLA + SSA para reduzir o cálculo enquanto preserva o fluxo de informação global. 🔹 Mudança durante o treinamento para variantes esparsas resulta em um aumento de 1,5× na velocidade e suporta contextos de 1M tokens — preparando o terreno para futuras inovações no raciocínio agentic de longo contexto. 🔹 Explore： 📊 Alcança SOTA entre modelos de código aberto em benchmarks chave agentic: busca, uso de ferramentas, raciocínio matemático e codificação. Se você quiser mais detalhes, sinta-se à vontade para conferir o relatório técnico completo. • Artigo: • Website: • GitHub: • Hugging Face:

🚀 Apresentando o LongCat-Flash-Thinking-2601 — Uma versão construída para pensamento profundo e geral agentic. ✨ Destaques: 🤖 Capacidades de Agente de Alto Nível 🔹 Desempenho: Resultados de benchmark de alto nível (TIR / Pesquisa Agentic / Uso de Ferramentas Agentic); capacidade de generalização superb, superando Claude em tarefas complexas e aleatórias 🔹 Escalonamento de Ambiente: Múltiplos ambientes de alta qualidade construídos automaticamente; gráfico de dependência denso 🔹 RL Multi-Ambiente: DORA estendida (nossa infraestrutura de RL), suportando treinamento agentic em larga escala em múltiplos ambientes 🛡️ Robustez no Mundo Real 🔹 Desempenho: Desempenho sólido em cenários confusos e incertos (Vita-Noise & Tau^2-Noise) 🔹 Análise de Ruído: Análise sistemática do ruído do mundo real em cenários agentic 🔹 RL Curricular: Aumento do tipo e intensidade do ruído durante o treinamento 🎯 Modo de Pensamento Pesado ​🔹 Pensamento Paralelo: Expande a amplitude através de múltiplas trilhas de raciocínio independentes 🔹 Resumo Iterativo: Aumenta a profundidade usando um modelo de resumo para sintetizar saídas, apoiando loops de raciocínio iterativo 📅 Mais uma coisa: contexto de 1M tokens via Zigzag Attention está a caminho. 🔍 Experimente agora: ✅ O acesso à API para esta versão também está disponível. Hugging Face: GitHub: