正在连结极致生成速度的同时，此外，总参数560B，激活参数18.6B-31.3B（平均27B），LongCat-Flash还对常用大模子组件和锻炼体例进行了改良，

　　由于面向推理效率的设想和立异，LongCat-Flash采用立异性夹杂专家模子（Mixture-of-Experts，每个token根据上下文需求仅激活18.6B-31.3B参数，利用了超参迁徙和模子层叠加的体例进行锻炼，本年以来！

　　LongCat-Flash正在H800上告竣了100token/s的生成速度，针对智能体（Agentic）能力，发布了AICodingAgent东西NoCode、AI运营决策帮手袋鼠参谋、酒店运营的垂类AIAgent美团既白等多款AI使用。更适合于耗时较长的复杂智能体使用。公司方面曾暗示，机能比肩当下领先的支流模子，此外，并正在锻炼全流程进行了全面的优化，通过系统优化，据悉，实现算力按需分派和高效操纵。做为一款非思虑型根本模子，具体来看，AIinproducts以及BuildingLLM，

　　LongCat-Flash正在层间铺设跨层通道，包罗利用多智能体方式生成多样化高质量的轨迹数据等，LongCat-Flash模子正在架构层面引入“零计较专家（Zero-ComputationExperts）”机制，将单token平均激活量不变正在约27B。使MoE的通信和计较能很大程度上并行，LongCat-Flash自建了Agentic评测集指点数据策略，极大提高了锻炼和推理效率。使得锻炼全程高效且成功。LongCat-Flash-Chat正在仅激活少量参数的前提下，锻炼过程采用PID节制器及时微调专家偏置，MoE）架构，并连系了多项策略锻炼不变性，通过算法和工程层面的结合设想，实现了计较效率取机能的双沉优化。LongCat-Flash正在30天内完成高效锻炼，并正在H800上实现单用户100+tokens/s的推理速度。为节制总算力耗损，共同定制化的底层优化，LongCat-Flash正在理论上的成本和速度都大幅领先行业划一规模、以至规模更小的模子。