美团龙猫再开源LongCat-Flash-Thinking模型，细节满满！

昨天刷到美团龙猫又开源新模型了，LongCat-Flash-Thinking，这次是思考模型。

8月底，美团先开了LongCat模型，我也是第一时间评测了！

这次LongCat-Flash-Thinking的技术报告依旧干货满满，很多有意思的东西，就比如各领域数据分开进行RL，然后融合，我之前只看到在SFT上会这么做，没想到RL也行~

咱们依旧老规矩先看细节，再评测。

LongCat-Flash-Thinking，也是MoE模型，模型结构跟LongCat一样，依旧是零计算专家等等，相关介绍看我上一篇。

核心区别在于训练方式不同，训练涉及两个阶段，长CoT冷启动训练和强化学习，训练流程如下图所示：

先看冷启动部分，包括Mid-training和SFT，核心是高质量数据构建，Mid-training阶段（也可以叫做增量预训练）采用课程学习的思想，将通用数据加入 STEM （竞赛难度）和 Code （编程竞赛） 数据，在不削弱模型通用基础能力的前提下，建立较高地推理能力起点。

SFT阶段主要涉及三个部分数据，通用推理数据，包括STEM、Code、逻辑和问答，Prompt过滤，用LLM初筛过滤不完整、无法回答或质量过低的Query，而对于Code，需具备清晰描述、不少于5组单元测试、有可执行评测脚本；同时，按照题目通过率，丢弃太过简单地题目，按难度分布采用构建Prompt数据集。

回答构建，采用拒绝采样用LongCat-Chat为每题生成多个候选回答，结合规则与模型评判选出最高质量响应作为训练数据。

形式推理数据，（形式推理就是以机器可验证的格式进行推理，例如，Lean4形式语言，前段时间DeepSeek-Prover模型就是干这个的），利用8B模型将自然语言题目转换为Lean4形式，再用语法和语义进行双重过滤，证明过程合成时采用迭代合成，不断将验证成功的数据，添加到训练数据中，最后形成陈述-思考-证明数据集。

Agent推理数据，采用双路径评估选择需要使用工具的Query，然后在MCP工具服务器上对Query生成多个候选路径，利用多模型评估正确性、逻辑一致性、工具完整性，通过的数据保留。

整体SFT数据比例，STEM-35%，Code-20%，General QA-20%，Agent-14%，Proving-8%，Logic-3%。

RL部分真是做了好多工程上优化，再次感叹，美团在infra上的实力，我是真没想到~

为了提高RL的训练效率，美团提出了DORA（Dynamic ORchestration for Asynchronous rollout）异步弹性共卡系统系统，利用多个旧版本 Actor 模型进行流式 rollout，避免最长样本阻塞，可以采样一致性，支持中断样本 KV-cache 复用，同时通过弹性共卡调度（elastic colocation）并行化生成与训练，实现接近零气泡的设备利用率。

DORA 采用分离式架构，将加速器集群划分为两类：

• 独立组：仅承担生成角色，为 Actor 模型的推理副本
• 弹性组：可按需动态切换为Reference & Actor，Reward & Critic 等角色，实现资源弹性

RL的目标为GRPO，不过移除了 GRPO 中的 KL 惩罚项，避免 biased 梯度并允许大更新，同时采用 Token 级损失，缓解长样本偏差；还引入三重裁剪，防止稀疏 MoE 下重要性权重爆炸。

最有意思的就是在RL阶段，多领域并行训练，再融合的策略，不过我在SFT阶段用过，当时是做多领域训练，但RL也能用吗？

美团这波用了是有效果的，融合后的模型，相较于单一模型，在不同场景下均有提高，缓解了混合训练时，不同领域数据之间的干扰。

融合策略采用了Normalization、Dropout、Erase，感兴趣的同学自己去看吧，最好去看引用的原论文。

榜单效果如下，在coding、工具使用、形式化推理证明要更好一些！

报告里内容挺多的，加上上次LongCat的论文内容，infra真是拉满~

还有个有意思的点，就是LongCat的回答模板，跟其他的不太一样，多轮情况下，要记录轮数，不知道这点出于什么考虑！

SYSTEM:{system_prompt} [Round 0] USER:{query} /think_on ASSISTANT:{response}</longcat_s>... [Round N-1] USER:{query} /think_on ASSISTANT:{response}</longcat_s> [Round N] USER:{query} /think_on ASSISTANT:

下面开始实测，没有卡部署的同学，就官网体验就行，点“深度思考”就是think模型了，要不然就是chat模型。

​​https://longcat.ai/​​

懒人速度版：

• 快，很快，超级快，你用了你就知道有多快，
• 整体上相比于chat模型是有一定提高的，
• 指令遵循效果不错，能理解隐含的意图信息，
• 回答整体要比Chat短，这个是一个很有意思的现象，有时候即使加上think部分，长度也没chat时长，代码、数学除外
• 跟榜单展示结果差不多，但是代码这里有时候代码在think里，回答结果就会省略部分内容，
• agent我没真实场景测试，写了几个假的工具，理解的还不错，后面调一下api试试看
• 模型内置code interpreter

常规测试

Promtp：将“I love LongCat”这句话的所有内容反过来写

结果：回答正确

知识理解

Prompt：如何理解“但丁真不会说中国话，但丁真会说中国话”

结果：回答正确，理解了但丁和丁真是两个人，之前Chat模型是不对的，通过回答看得出模型会判断调不调工具

角色扮演&创作

Prompt：用甄嬛体吐槽地铁早高峰

结果：味儿还行

Prompt：帮小学生写一篇“我最讨厌的动物”作文，不能是猫狗

结果：文笔很小学生，字数350字，相比于chat模型，理解了隐含意图~

弱智吧

Prompt：生蚝煮熟了叫什么？

结果：正确

Prompt：用水来兑水，得到的是浓水还是稀水

结果：正确。

依旧小红，依旧老鹰

Prompt：小红有2个兄弟，3个姐妹，那么小红的兄弟有几个姐妹

结果：回答正确

Prompt：未来的某天，李同学在实验室制作超导磁悬浮材料时，意外发现实验室的老鼠在空中飞，分析发现，是因为老鼠不小心吃了磁悬浮材料。第二天，李同学又发现实验室的蛇也在空中飞，分析发现，是因为蛇吃了老鼠。第三天，李同学又发现实验室的老鹰也在空中飞，你认为其原因是

结果：回答错误，判断老鹰本来就会飞的模型很少~

数学

Prompt：一个长五点五米的竹竿，能否穿过一扇高四米，宽三米的门？请考虑立体几何

结果：回答正确

Prompt：大数计算，178939247893 * 299281748617等于多少？

结果：回答正确，我发现它内置了python工具，用代码执行，算是取巧了~

Prompt：2025年高考全国一卷数学试题

结果：前两问对了，最后一问错了

代码

Prompt：可爱风格五子棋游戏界面，画面有两个模式按钮“人人对战”和“人机对战”，界面整体采用马卡龙色调，棋盘简洁清晰，棋子设计成卡通小动物（如猫咪和小熊），背景带有轻微渐变和星星点缀，界面边缘圆润，按钮Q萌，整体风格温馨可爱，适合儿童或休闲玩家使用，2D插画风，用html呈现

结果：整体风格不错，但是人机还是有点呆~

最后想说，我真没想到，都2025年了，大模型赛道还能杀出个美团来，有点不鸣则已，一鸣惊人的感觉，期待LongCat持续更新，来点小尺寸模型是最好的，

虽然你很快，但是我真没有8张H100部署。

本文转载自​​NLP工作站​​，作者：NLP工作站