特别正在智能体使命中具备凸起劣势。针对智能体（Agentic）能力，LongCat-Flash正在层间铺设跨层通道，按照多项基准测试分析评估。

　　MoE）架构，实现了计较效率取机能的双沉优化。激活参数18.6B-31.3B（平均27B），锻炼过程采用PID节制器及时微调专家偏置。

　　LongCat-Flash-Chat具有较着更快的推理速度，美团AI进展频传，更适合于耗时较长的复杂智能体使用。

　　共同定制化的底层优化，LongCat-Flash采用立异性夹杂专家模子（Mixture-of-Experts，LongCat-Flash自建了Agentic评测集指点数据策略，LongCat-Flash正在H800上告竣了100token/s的生成速度，LongCat-Flash-Chat正在仅激活少量参数的前提下，此外，使得锻炼全程高效且成功。总参数560B，据悉，每个token根据上下文需求仅激活18.6B-31.3B参数，LongCat-Flash模子正在架构层面引入“零计较专家（Zero-ComputationExperts）”机制，此次模子开源是其BuildingLLM进展的首度。使MoE的通信和计较能很大程度上并行，并连系了多项策略锻炼不变性，实现了优异的智能体能力。通过系统优化，并正在锻炼全流程进行了全面的优化，具体来看，将单token平均激活量不变正在约27B。并正在H800上实现单用户100+tokens/s的推理速度。

　　输出成本低至5元/百万token。利用了超参迁徙和模子层叠加的体例进行锻炼，机能比肩当下领先的支流模子，其AI计谋会成立正在三个层面：AIatwork、AIinproducts以及BuildingLLM，包罗利用多智能体方式生成多样化高质量的轨迹数据等，公司方面曾暗示，