美团 LongCat 团队正式发布了一款能力强劲的全新推理模型——LongCat-Flash-Thinking。该模型不仅保持了极速响应特性，还在多个领域达到了全球开源模型的顶尖水准，更关键的是，它首次将深度思考与工具调用能力创新性地融为一体，让模型既能“深入剖析”，又能“精准执行”。本文将从核心亮点、关键技术、性能表现到实际应用，带你全面了解这款模型的强大之处。

一、模型核心亮点速览

• 多领域 SOTA 性能：在逻辑推理、数学运算、代码生成、智能体任务等场景下，均达到开源模型的最先进水平。
• 极速+深度思考：在保持 LongCat-Flash-Chat 极致推理速度的同时，大幅提升了模型的深度推理能力。
• 首创“深度思考+工具调用”：国内首个同时具备深度推理与自主调用外部工具（如代码执行器、API）的大语言模型。
• 形式化推理能力：支持形式化定理证明，确保推理结果的高可靠性与严谨性。

二、核心技术详解

LongCat-Flash-Thinking 之所以能取得突破性成绩，主要得益于以下三大创新技术。

1. 领域并行强化学习训练方法（Domain-Parallel RL Training）

在强化学习训练过程中，不同领域（如STEM、代码、智能体任务）的优化目标往往相互冲突。为此，团队设计了领域并行方案，将各领域的优化过程解耦，采用“多领域并行训练再融合”的先进策略，使模型能力均衡提升，最终达到帕累托最优（Pareto-Optimal）状态。

图1：LongCat-Flash-Thinking 的训练流程示意

2. 异步弹性共卡系统（DORA）

DORA 是整个训练体系的“基石”。它通过弹性共卡调度与多版本异步流水线设计，实现了以下显著优势：

• 训练提速 3 倍：相比传统同步强化学习框架，速度提升明显。
• 万卡级稳定运行：支持大规模集群，保证每条样本的策略一致性。
• KV 缓存复用：高效利用缓存，有效降低计算开销。
• 算力投入仅为预训练的 20%：在大规模异步 RL 训练阶段，FLOPs 投入相对较小，却能带来显著的性能提升。

小提示：如果你需要训练超大规模模型，DORA 系统的设计思路（弹性调度+异步流水线）可以极大提升训练效率，尤其适合预算有限的团队。

3. 智能体推理框架（Agentic Reasoning Framework）

为提升模型在复杂智能体任务中的表现，团队提出了“双路径推理框架”。该框架能自主筛选最优查询样本，并通过自动化流程将智能体推理与工具调用相结合，让模型智能识别并调用外部工具（如代码执行器、API等）。

• 基于 AIME25 实测数据：在确保 90% 准确率的前提下，Tokens 消耗从 19653 降至 6965，节省了 64.5% 的 Token 资源。

4. 形式化推理框架（Formal Reasoning Framework）

针对当前开源模型在形式化证明中的不足，团队设计了基于专家迭代框架的数据合成方法。该流程利用集成 Lean4 服务器的专家迭代框架，生成经过严格验证的证明过程，系统性提升模型的形式化推理能力，大幅提高了在学术和工程应用中的可靠性。

三、性能评测与基准表现

LongCat-Flash-Thinking 在多项权威评测中刷新纪录，以下为其在各领域的亮眼表现：

（说明：此图与上文图1为同一示意图，实际评测数据请参照下表）

图2：在推理基准测试上的平均性能比较

• 通用推理能力：在 ARC-AGI 基准测试中，以 50.3 分 超越 OpenAI o3、Gemini2.5 Pro 等顶尖闭源模型，展现了结构化逻辑的卓越实力。

• 数学能力：在 HMMT 和 AIME 相关基准上取得突破性成绩，超越 OpenAI o3，与 Qwen3-235B-A22B-Thinking 等领先模型水平相当，擅长解决复杂多步问题。

• 代码能力：在 LiveCodeBench 上以 79.4 分 显著超越所有参与评估的开源模型，与顶级闭源模型 GPT-5 表现相当；在 OJBench 上以 40.7 分 保持极强竞争力。

• 智能体能力：在 τ2-Bench-Airline 上以 67.5 分 刷新开源 SOTA 成绩，并在 SWE-Bench、BFCL V3 和 VitaBench 等基准中展现出超强竞争力。

• ATP 形式推理能力：在 MiniF2F-test 基准中，pass@1 获得 67.6 的极高分数，大幅领先所有其他参与评估的模型，pass@8 和 pass@32 同样保持领先。

四、常见问题（FAQ）

Q1：LongCat-Flash-Thinking 与普通大模型有什么区别？

A：其核心区别在于同时整合了“深度思考”和“工具调用”。普通大模型只能输出文本推理，而 LongCat-Flash-Thinking 可以自主判断是否需要调用代码执行器、API 等外部工具，再基于工具结果进行更准确的推理。这使其在需要多步计算、事实查询或代码执行的复杂任务中表现更佳。

Q2：为什么需要“领域并行强化学习训练”？

A：因为不同任务（如数学、代码、智能体）的优化方向可能互相干扰。传统混合训练容易导致模型在某些领域能力下降。领域并行方案通过解耦各领域的优化过程，再巧妙融合，实现了各领域能力的均衡提升，避免顾此失彼。

Q3：DORA 系统具体是如何提升训练效率的？

A：DORA 系统通过弹性共卡调度，让多张GPU协同工作，避免资源闲置；同时采用多版本异步流水线，允许不同版本的模型并行生成数据，大幅缩短训练周期。此外，KV 缓存复用技术减少了重复计算。综合下来，训练速度提升 3 倍，并且能够在万卡规模下稳定运行。

Q4：模型的形式化推理能力有什么实际应用？

A：形式化推理（如数学定理证明、协议验证）对结果的严谨性要求极高。LongCat-Flash-Thinking 能够生成经过严格验证的证明步骤，可用于学术研究中的自动定理证明、软件安全中的形式化验证、以及需要数学严谨性的工程场景（如航空航天、金融风控）。

五、小提示：如何更好地使用 LongCat-Flash-Thinking？

• 复杂推理任务优先：需要多步逻辑、高精度计算或代码生成的场景（如竞赛题、数据分析、自动化脚本编写），使用该模型效果最佳。
• 善用工具调用：当任务需要外部知识（如实时数据、执行代码）时，可明确引导模型调用工具，以提升准确率并节省 Token 消耗。
• 注意资源规划：虽然推理速度极快，但大规模调用模型时仍建议根据实际需求调配计算资源，尤其在使用智能体框架时，合理设计查询样本能进一步优化成本。

结语

LongCat-Flash-Thinking 的发布，标志着开源大模型在深度推理与工具调用融合上迈出了关键一步。无论是数学、代码还是智能体任务，它都展现了令人惊叹的实力。随着领域并行训练、异步弹性系统等技术的成熟，未来的模型将更智能、更高效。现在就上手体验吧——你会发现，思考和行动可以如此完美地结合在一起。