🚀 Sadece uzmanlar değil, gömülerin ölçeklendirilmesi—verimli LLM'ler için yeni bir yol sunuyor. Ana Bulgu: Yüksek seyreklik senaryolarında, N-gram gömmeleri, sadece daha fazla MoE uzmanı eklemekten daha iyi bir Pareto sınırı sağlar. Bu nedenle, bu içgörü üzerine inşa edilen ilk açık kaynak modeli olan LongCat-Flash-Lite'ı tanıtıyoruz. ⚙️ 68.5B Toplam Param(37.13B gömülü olmayan) | 2.9B~4.5B Aktif 📊 Yüksek Performans: SWE-Bench 54.4 | τ²-Bench 72.8 | TerminalBench 33.75 📃 256K Bağlam Penceresi (YARN güçlü) ✨ Ajanik/Kodlama için optimize edilmiş, genel akıl yürütme açısından güçlü ⚡ ~700 token/s zirve çıkarım hızı Sonuç: Kendi ölçeği içinde rekabetçi performans ve maliyet açısından önemli ölçüde daha düşük bir maliyet ve gecikmeyle elde eder. Sarılma Yüz: Teknik Rapor:

🚀 LongCat-Flash-Thinking-2601 Teknik Raporu – Şimdi Tam Olarak Yayınlandı! Temel bilgiler: 🌍 Büyük ölçekli ajanik gerçek deneyim (14 sayfa derinlemesine inceleme!) 🔹 Ortam ölçeklendirme: 20+ alan içinde 10.000+ çalıştırılabilir, doğrulanabilir ortam oluşturan otomatik pipeline'ımıza ayrıntılı bir bakış. 🔹 RL altyapısı: 32.000+ eşzamanlı ortamda asenkron eğitimi destekleyen ve uzun kuyruklu ve yüksek heterojen görevlerde istikrar sorunlarını çözen yükseltilmiş bir DORA çerçevesi. 🛡️ Vahşi doğada dayanıklılık 🔹 Gürültü enjeksiyonu: Artık "sera" maddesi yok. Gerçek dünya gürültüsünü (kullanıcı/araç gürültüsü) sistematik olarak analiz eder ve doğrudan eğitim döngüsüne entegre ederiz. 🔹 Müfredat RL: Karmaşık ve kusurlu ortamlara karşı modeli yavaş yavaş sertleştiren müfredat temelli bir strateji. 🧠 Ağır Düşünme Çerçevesi 🔹 Paralel akıl yürütme: Birden fazla bağımsız akıl yürütme yörüngesi oluşturarak genişliği genişletir. 🔹 Yinelemeli özetleme: Nihai kararlar vermeden önce paralel yörüngeleri yansıtmak ve sentezlemek için özet model kullanarak derinliği genişletir. 🔹 Bağlam belleği: Uzun ufuklar boyunca akıl yürütmeyi tutarlı tutmak için özel olarak tasarlanmış bir bellek modülü. ⚡ Zigzag Dikkat 🔹 MLA + SSA'yı birleştiren Zigzag Connectivity tasarımı, hesaplamayı azaltırken küresel bilgi akışını koruyor. 🔹 Eğitim ortasında seyrek varyantlara geçiş 1.5× hızlanma sağlar ve 1M-token bağlamlarını destekler — uzun bağlamlı ajanik akıl yürütmede gelecekteki atılımların temelini oluşturur. 🔹 Keşfedin: 📊 SOTA arasında başarılar Anahtar ajanik kıyaslamalar arasında açık kaynak modeller: arama, araç kullanımı, matematiksel akıl yürütme ve kodlama. Daha fazla detay isterseniz, tam teknik raporu incelemekten çekinmeyin. • Makale: • Web Sitesi: • GitHub: • Sarılma Yüzü:

🚀 LongCat-Flash-Thinking-2601'i tanıtıyoruz — Derin ve genel ajanik düşünme için tasarlanmış bir versiyon. ✨ Öne Çıkanlar: 🤖 Üst Düzey Ajan Yetenekleri 🔹 Performans: En üst düzey kıyaslama sonuçları (TIR / Ajanik Arama / Ajanik Araç Kullanımı); mükemmel genelleme yeteneği, karmaşık, rastgele görevlerde Claude'u geride bırakıyor 🔹 Çevre Ölçeklendirme: Birden fazla otomatik olarak oluşturulan yüksek kaliteli ortamlar; yoğun bağımlılık grafiği 🔹 Çok Bölgeli RL: Genişletilmiş DORA (bizim RL infratuzumuz), büyük ölçekli çok ortamlı ajanik eğitimi destekliyor 🛡️ Gerçek Dünya Dayanıklılığı 🔹 Performans: Karmaşık ve belirsiz durumlarda sağlam performans (Vita-Noise & Tau^2-Noise) 🔹 Gürültü Analizi: Ajanik senaryolarda gerçek dünya gürültüsünün sistematik olarak analiz edilmesi 🔹 Müfredat Gerçek Eğitim: Eğitim sırasında gürültü tipini ve yoğunluğunu artırmak 🎯 Ağır Düşünme Modu 🔹 Paralel Düşünme: Birden fazla bağımsız akıl yürütme yolu aracılığıyla genişliği genişletir 🔹 Yinelemeli Özetleme: Çıktıları sentezlemek için özet model kullanarak derinliği artırır ve yineleme döngülerini destekler 📅 Bir şey daha: Zigzag üzerinden 1M-token bağlamı yakında geliyor. 🔍 Şimdi dene: ✅ Bu sürüm için API erişimi de mevcuttur. Sarılma Yüz: GitHub: