智東西（公眾號：zhidxcom）
作者 |? 陳駿達
編輯 |? 云鵬
美團龍貓大模型，現在會思考了！
智東西9月22日報道，最近，美團在AI開源賽道上在猛踩加速。今天，在開源其首款大語言模型僅僅24天后，美團又開源了其首款自研推理模型LongCat-Flash-Thinking。
與其基礎模型LongCat-Flash類似，效率也是LongCat-Flash-Thinking的最大特點。美團在技術報告中透露，LongCat-Flash-Thinking在自研的DORA強化學習基礎設施完成訓練，直接將訓練速度提升到原來的3倍還多，增幅超過200%。該模型重點優(yōu)化了形式推理和Agent推理任務，使用工具后推理效率很高，例如，可將AIME-25基準測試中的平均token消耗減少64.5%。
LongCat-Flash-Thinking在多領域基準測試中表現出不俗的實力：
在通用問答、數學推理、通用推理的相關測試中，它和GPT-5-Thinking、Gemini2.5-Pro、DeepSeek-V3.1-Thinking、Qwen3-235B-A22B-Thinking-2507等基本打平；
LongCat-Flash-Thinking還在安全、形式化定理證明等領域的多項基準測試中，大幅度領先上述4款推理模型，并在權威Agent工具調用基準測試τ2-Bench中，超越除了GPT-5-Thinking外的所有參評模型。
目前，LongCat-Flash-Thinking模型已經開源至GitHub、Hugging Face等平臺，相關技術報告也同期發(fā)布，用戶也可在體驗鏈接中直接使用。不過，在實際體驗中，模型推理和回答長度往往會超出體驗鏈接里的限制，導致答案不完整。
開源地址：
https://huggingface.co/meituan-longcat/LongCat-Flash-Thinking
https://github.com/meituan-longcat/LongCat-Flash-Thinking
體驗鏈接：
https://longcat.chat/
一、靠課程學習逐步構建能力，Agent和形式化推理能力獲補強
在模型預訓練階段，LongCat團隊采用了課程學習的方式，讓模型先打基礎，再專項突破，最終構建出覆蓋廣度與深度的推理能力。
LongCat-Flash-Thinking是在LongCat-Flash的基礎上訓練而來的，經歷了推理增強的中期訓練（Mid-training）和面向推理的有監(jiān)督微調（SFT）。
研究團隊特別構建了一個高難度的推理訓練集，涵蓋數學、物理、化學及編程問題，并通過數據比例控制，確保模型既能強化邏輯推理，又不丟失通用能力。
實驗表明，這一階段顯著拓寬了模型的“推理邊界”：在AIME、BeyondAIME和LiveCodeBench等基準上，單步準確率和高采樣準確率均有大幅提升。
進入SFT微調階段，LongCat-Flash-Thinking的指令遵循和專業(yè)領域推理能力得到進一步提升。這一步驟特別強調三大方向：
1、一般推理：LongCat團隊整合跨學科高質量問題與答案，涵蓋STEM、編程、通用問答以及邏輯推理，利用拒絕采樣與模型評審保證訓練數據的準確性和挑戰(zhàn)性。
2、形式化推理：該團隊還設計了一套全新的基于專家迭代框架的數據合成方法，利用集成了Lean4服務器的專家迭代框架，生成經過嚴格驗證的證明過程，從而系統(tǒng)性提升模型的形式化推理能力。
3、Agentic推理：LongCat團隊提出了創(chuàng)新性的“雙路徑推理框架”。該框架能夠比較模型在“有工具”和“無工具”條件下的表現，篩選出僅依賴工具才能解決的高質量問題。
隨后，系統(tǒng)自動合成多樣化的解題軌跡，從簡單調用到復雜多步流程，并通過嚴格評審確保邏輯一致性和工具使用完整性。最終，軌跡被標準化并按復雜度分層，用于課程訓練，幫助模型在真實場景中更好地學習和發(fā)展穩(wěn)健的工具使用能力。
這種中期訓練、推理微調的兩段式體系，幫助LongCat-Flash-Thinking在推理任務中實現性能提升，也為后續(xù)的強化學習做好準備。
二、三管齊下優(yōu)化強化學習，自研DORA框架提效超200%
強化學習中，LongCat-Flash-Thinking采用了一套“三管齊下”的方案，從系統(tǒng)、算法和獎勵的角度，提升強化學習的效率和穩(wěn)定性。
在系統(tǒng)設計中，LongCat團隊構建了名為DORA的分布式RL框架，這是RL訓練的基石。DORA支持異步訓練與靈活的加速器調度，既保證穩(wěn)定性，又提升效率。
DORA通過流式架構讓已完成的響應立即進入訓練，而不會被最長輸出拖慢；通過多版本策略保證同一響應由同一模型版本完成，避免推理片段間的不一致；再結合彈性角色調度，讓不同算力設備可靈活切換角色，實現近乎零閑置。
這一機制在大規(guī)模算力集群上展現了較高的效率：在數萬張加速卡上，LongCat-Flash的RL訓練速度達到傳統(tǒng)同步方式的3倍以上，FLOPs（Floating Point Operations，浮點運算數）的投入約為預訓練階段的20%。
算法層面，團隊則對經典的PPO方法進行改良。異步訓練常因推理引擎與訓練引擎的數值差異，或因舊版本策略生成的數據過多而導致模型收斂不穩(wěn)。
為此，研究人員引入了截斷重要性采樣來緩解引擎差異帶來的誤差，并設計了裁剪機制，對正負樣本分別設置不同閾值。這些細節(jié)調整，大大提高了推理任務下的穩(wěn)定性。
獎勵機制是RL的方向盤。對于寫作、問答等無法直接驗證的任務，團隊訓練了判別式獎勵模型，基于人機聯合標注數據，學會判斷優(yōu)劣偏好。
而在數學與編程等可驗證場景，則引入了生成式獎勵模型（GenRM），它不僅能判斷對錯，還能給出推理鏈路，做到有理有據。在編程任務中，團隊還搭建了分布式沙箱系統(tǒng)，支持數百萬次并發(fā)代碼執(zhí)行，覆蓋20多種編程語言。
最后，LongCat團隊提出了一個三階段的訓練配方：領域平行訓練、模型融合、通用RL微調。LongCat團隊先分別訓練數學、編程、智能體等專家模型，再通過參數融合技術合并為統(tǒng)一大模型，最后用多樣化數據進行通用微調，避免融合后的性能退化，確保安全性、泛化性和實用性。
▲融合后的模型性能優(yōu)于專家模型
三、MATH-500得分接近滿分，用上工具后性價比更高
LongCat-Flash-Thinking在多領域的基準測試中表現出色。
在通用能力上，LongCat-Flash-Thinking在MMLU-Redux上拿下89.3%的成績，與業(yè)內多款頂級開源模型處在同一水準，但與OpenAI-o3相比仍有差距。
數學推理是該模型的亮點之一。其在MATH-500中取得99.2%的高分，幾乎達到滿分水平。在更具挑戰(zhàn)性的AIME與HMMT等競賽級任務中，同樣展現出接近甚至超越GPT-5與Qwen3的表現，凸顯其復雜多步推理的強大能力。
在邏輯與一般推理方面，該模型在ARC-AGI上達到50.3%，超過了OpenAI-o3與Gemini 2.5-Pro。同時，它在解謎任務ZebraLogic上得分高達95.5%，并在數獨測試Sudoku-Bench上遠超大部分模型，顯示出較強的結構化推理能力。
編程能力方面，LongCat-Flash-Thinking在動態(tài)編程測試LiveCodeBench中取得79.4%的分數，緊追GPT-5，遠超開源同類模型。
值得注意的是，LongCat-Flash-Thinking模型在工具增強推理能力上表現出色。例如，它在模擬預定飛機票的τ2-Bench-Airline中，實現67.5%的最佳成績，并在SWE-Bench、BFCL等任務上保持較強的競爭力。
啟用外部工具后，其在AIME-25基準測試中的準確率保持不變，但平均token消耗減少近65%，驗證了智能體系統(tǒng)在效率與性能間實現平衡。
在定理證明領域，LongCat-Flash-Thinking在MiniF2F測試中得分達67.6%，比次優(yōu)模型高出18%，奠定了其在形式化數學推理上的領先地位。
最后，在安全性上，LongCat-Flash-Thinking在有害內容、犯罪、虛假信息及隱私四類風險測試中均拿下安全性最高分。
結語：切入真實場景，美團探索推理大模型落地路徑
LongCat團隊稱，憑借LongCat-Flash-Thinking的開源，他們希望進一步推動高效RL訓練、原生Agent推理等方面的研究。
從論文的技術細節(jié)中，我們也能看到，LongCat有針對性地提升了模型在工具使用、指令遵循和安全性等方面的表現。
結合美團最近在面向消費者的Agent產品、AI搜索產品等領域的動態(tài)，不難預見，這些新模型或將針對性地服務于美團自身業(yè)務，帶來更智能的用戶體驗。
