🚀 Scalare le embedding, non solo esperti—introducendo un nuovo percorso per LLM efficienti. Risultato chiave: In scenari ad alta scarsità, le embedding N-gram offrono una migliore frontiera di Pareto rispetto all'aggiunta di più esperti MoE. Pertanto, introduciamo LongCat-Flash-Lite—il primo modello open source costruito su questa intuizione. ⚙️ 68.5B Parametri Totali (37.13B non-embedding) | 2.9B~4.5B Attivi 📊 Alte Prestazioni: SWE-Bench 54.4 | τ²-Bench 72.8 | TerminalBench 33.75 📃 Finestra di Contesto 256K (alimentata da YARN) ✨ Ottimizzato per Agentic/Coding, forte nel ragionamento generale ⚡ ~700 token/s velocità di inferenza di picco Il risultato: Raggiunge prestazioni competitive all'interno della sua scala a un costo e una latenza significativamente inferiori. Hugging Face: Rapporto Tecnico:

🚀 Rapporto Tecnico LongCat-Flash-Thinking-2601 – Ora Completamente Rilasciato! Principali intuizioni: 🌍 RL agentico su larga scala (14 pagine di approfondimenti!) 🔹 Scalabilità dell'ambiente: Uno sguardo dettagliato al nostro pipeline automatizzato che costruisce oltre 10.000 ambienti eseguibili e verificabili in oltre 20 domini. 🔹 Infrastruttura RL: Un framework DORA aggiornato che supporta l'addestramento asincrono con oltre 32.000 ambienti concorrenti, affrontando problemi di stabilità in compiti a lungo termine e altamente eterogenei. 🛡️ Robustezza nel mondo reale 🔹 Iniezione di rumore: Niente più agenti "greenhouse". Analizziamo sistematicamente il rumore del mondo reale (rumore utente/strumento) e lo iniettiamo direttamente nel ciclo di addestramento. 🔹 RL curricolare: Una strategia basata su curriculum che indurisce gradualmente il modello contro ambienti disordinati e imperfetti. 🧠 Framework Heavy Thinking 🔹 Ragionamento parallelo: Espande la larghezza generando più traiettorie di ragionamento indipendenti. 🔹 Sintesi iterativa: Espande la profondità utilizzando un modello di sintesi per riflettere e sintetizzare traiettorie parallele prima di prendere decisioni finali. 🔹 Memoria contestuale: Un modulo di memoria progettato appositamente per mantenere il ragionamento coerente su orizzonti lunghi. ⚡ Attenzione Zigzag 🔹 Design di connettività Zigzag che combina MLA + SSA per ridurre il calcolo mantenendo il flusso di informazioni globale. 🔹 Passaggio a varianti sparse a metà addestramento produce un'accelerazione di 1,5× e supporta contesti di 1M-token — ponendo le basi per futuri progressi nel ragionamento agentico a lungo termine. 🔹 Esplora： 📊 Raggiunge SOTA tra modelli open-source attraverso i principali benchmark agentici: ricerca, utilizzo di strumenti, ragionamento matematico e codifica. Se desideri ulteriori dettagli, sentiti libero di controllare il rapporto tecnico completo. • Documento: • Sito web: • GitHub: • Hugging Face:

🚀 Presentiamo LongCat-Flash-Thinking-2601 — Una versione costruita per un pensiero profondo e generale agentico. ✨ Punti salienti: 🤖 Capacità di Agente di Alto Livello 🔹 Prestazioni: Risultati di benchmark di alto livello (TIR / Ricerca Agentica / Uso di Strumenti Agentici); straordinaria capacità di generalizzazione, superando Claude in compiti complessi e casuali 🔹 Scalabilità Ambientale: Molti ambienti di alta qualità costruiti automaticamente; grafo di dipendenza denso 🔹 RL Multi-Ambiente: DORA estesa (la nostra infrastruttura RL), che supporta l'addestramento agentico multi-ambiente su larga scala 🛡️ Robustezza nel Mondo Reale 🔹 Prestazioni: Prestazioni solide in scenari disordinati e incerti (Vita-Noise & Tau^2-Noise) 🔹 Analisi del Rumore: Analizzato sistematicamente il rumore del mondo reale in scenari agentici 🔹 Curriculum RL: Aumento del tipo e dell'intensità del rumore durante l'addestramento 🎯 Modalità di Pensiero Intenso ​🔹 Pensiero Parallelo: Espande la larghezza tramite più percorsi di ragionamento indipendenti 🔹 Sintesi Iterativa: Migliora la profondità utilizzando un modello di sintesi per sintetizzare le uscite, supportando cicli di ragionamento iterativi 📅 Un'altra cosa: il contesto da 1M-token tramite Zigzag Attention arriverà presto. 🔍 Provalo ora: ✅ L'accesso API per questa versione è anche disponibile. Hugging Face: GitHub: