Related articles
图片由 AI 生成
1 月 16 日，美团 LongCat 官宣， LongCat-Flash-Thinking-2601 现已开源。
美团表示，作为 LongCat-Flash-Thinking 模型的升级版，新模型在 Agentic Search（智能体搜索）、Agentic Tool Use（智能体工具调用）、TIR（工具交互推理） 等核心评测基准上，均达到开源模型 SOTA 水平。
据美团介绍，该模型在工具调用的泛化能力上优势尤其明显，在依赖工具调用的随机复杂任务中，性能表现超越了 Claude-Opus-4.5-Thinking，可大幅度降低真实场景下新工具的适配训练成本；同时，新模型支持“ 重思考” 模式，可同时启动 8 个“ 大脑” 执行任务。
新推出的“ 重思考” 模式，已让“ 龙猫” 学会了“ 深思熟虑” 再行动。
具体来看，当遇到高难度问题时，新模型会把思考过程拆分成“ 并行思考” 和“ 总结归纳” 两步进行：
并行思考阶段，与人类面对难题会同时尝试多种解法相似，“ 重思考” 模式下的模型，会在保证思路多样性的同时，独立梳理出多条推理路径寻找最优解；总结归纳阶段，则会对多条路径进行梳理、优化与合成，并将优化结果重新输入，形成闭环迭代推理，推动思考持续深化。
除此之外，LongCat 团队在新模型中加入了额外的强化学习环节，针对性打磨模型的总结归纳能力，从而让 LongCat-Flash-Thinking-2601 实现“ 想清楚再行动” 的结果。
经评估，LongCat-Flash-Thinking-2601 模型在编程、数学推理、智能体工具调用、智能体搜索等维度表现优异。
LongCat-Flash-Thinking-2601 的平均性能比较，图片来源：美团
为了测试智能体模型泛化能力，团队提出了一种新的评测方法—— 通过构建一套自动化任务合成流程，支持用户基于给定关键词，为任意场景随机生成复杂任务，并为每个生成的任务配备对应的工具集与可执行环境。
由于这类环境中的工具配置具有高度随机性，该方法可通过评估模型在该类环境中的性能表现，衡量其泛化能力。
实验结果表明，LongCat-Flash-Thinking-2601 在大多数任务中保持领先性能。
对于新模型的技术思路，LongCat 团队解释称，传统智能体往往在数个简单模拟环境里训练，这带来的问题就像只在靶场训练的士兵，到了真实“ 战场” 可能会掉链子。
而基于“ 环境扩展+多环境强化学习” 核心技术，团队为模型打造了多样化的“ 高强度练兵场”，构建了多套高质量训练环境，并在每套环境中集成 60 余种工具形成密集依赖关系图谱与复杂联动，支撑起高度复杂的任务场景。
实验证明，训练环境越丰富，模型在未知场景中的泛化能力越强。得益于这套方案，LongCat-Flash-Thinking-2601 在智能体搜索、智能体工具调用等核心基准测试中稳居前列。
LongCat 团队称，在复杂随机的分布外任务中，LongCat-Flash-Thinking-2601 性能优于 Claude-Opus-4.5-Thinking。（作者｜李程程，编辑｜李玉鹏）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
