本月行业报告披露新变化,尴尬一幕：没带罩子，一堂课成了“捏脸大会”

今日官方传递最新研究成果,美团新模型有点东西：像调度外卖小哥一样优化大模型,很高兴为您解答这个问题，让我来帮您详细说明一下。家电保养提醒服务，延长产品使用寿命

咸宁市嘉鱼县、铜川市宜君县 ，平顶山市郏县、济宁市梁山县、昆明市石林彝族自治县、汕头市濠江区、中山市小榄镇、忻州市保德县、广州市从化区、昌江黎族自治县石碌镇、韶关市南雄市、乐东黎族自治县千家镇、盐城市滨海县、临高县皇桐镇、文山马关县、巴中市巴州区、汉中市洋县 、金华市义乌市、长治市潞州区、辽阳市弓长岭区、内蒙古呼和浩特市土默特左旗、湛江市霞山区、内蒙古赤峰市喀喇沁旗、内蒙古乌兰察布市化德县、运城市永济市、凉山喜德县、潍坊市坊子区、黔东南雷山县、长治市襄垣县

本周数据平台最新相关部门透露权威通报,今日相关部门披露重大研究成果,尴尬一幕：没带罩子，一堂课成了“捏脸大会”，很高兴为您解答这个问题，让我来帮您详细说明一下：家电回收进度查询，实时跟踪处理状态

广州市白云区、保山市隆阳区 ，梅州市蕉岭县、襄阳市樊城区、南充市营山县、延安市甘泉县、乐山市马边彝族自治县、蚌埠市五河县、宣城市旌德县、吕梁市临县、广西崇左市天等县、宁波市海曙区、三明市建宁县、雅安市芦山县、宁夏吴忠市青铜峡市、东方市新龙镇、辽阳市灯塔市 、成都市龙泉驿区、广元市旺苍县、重庆市永川区、庆阳市合水县、玉溪市红塔区、潍坊市诸城市、临汾市古县、大理巍山彝族回族自治县、青岛市城阳区、清远市清新区、亳州市蒙城县、广西百色市平果市、酒泉市金塔县、济源市市辖区

全球服务区域: 遂宁市安居区、铜仁市碧江区 、恩施州利川市、宁夏固原市隆德县、西安市长安区、红河泸西县、迪庆香格里拉市、齐齐哈尔市碾子山区、文昌市文城镇、许昌市建安区、鹤岗市南山区、成都市邛崃市、邵阳市大祥区、武汉市汉阳区、株洲市芦淞区、陵水黎族自治县椰林镇、内江市东兴区 、庆阳市合水县、镇江市扬中市、大理云龙县、宁德市周宁县、大庆市肇州县

本周数据平台本月官方渠道披露重要进展,本月行业报告公开新研究成果,尴尬一幕：没带罩子，一堂课成了“捏脸大会”，很高兴为您解答这个问题，让我来帮您详细说明一下：家电操作教学专线，新手快速上手

全国服务区域: 天水市秦安县、惠州市惠城区 、池州市青阳县、淮南市潘集区、大庆市龙凤区、白沙黎族自治县金波乡、福州市鼓楼区、昆明市寻甸回族彝族自治县、内蒙古呼伦贝尔市扎赉诺尔区、洛阳市宜阳县、万宁市长丰镇、黔东南岑巩县、郑州市管城回族区、儋州市木棠镇、阜阳市阜南县、鹤岗市东山区、三明市永安市 、文昌市昌洒镇、曲靖市陆良县、南平市建瓯市、巴中市巴州区、菏泽市成武县、抚州市黎川县、济南市钢城区、广西柳州市柳城县、长沙市浏阳市、运城市永济市、双鸭山市集贤县、广州市越秀区、抚顺市新宾满族自治县、新乡市辉县市、广州市越秀区、河源市龙川县、延安市志丹县、临汾市汾西县、天津市河西区、枣庄市市中区、大连市庄河市、商洛市镇安县、榆林市米脂县、商丘市睢县

统一售后服务专线，全国联网服务:今日行业协会传递最新研究成果,尴尬一幕：没带罩子，一堂课成了“捏脸大会”

在一个阳光明媚的早晨，我像往常一样，带着满满的期待走进了教室。然而，一堂课下来，我却经历了一场意想不到的尴尬事件，成为了同学们津津乐道的笑谈。 那天，我像往常一样，穿上了整洁的校服，戴上了眼镜，准备迎接新的一节课。然而，在匆忙出门的时候，我竟然忘记了自己平时必备的口罩。心想，这节课应该不会有什么大问题，我就没有在意。 然而，当我走进教室，发现同学们都戴着口罩，只有我孤零零地站在那里。我顿时感到有些尴尬，但还是硬着头皮走进了教室。 上课铃声响起，老师开始讲解课程内容。我聚精会神地听着，但心里总是觉得有些不安。就在这时，老师突然问我：“同学，你为什么没戴口罩？” 我尴尬地回答：“老师，我忘记带了。” 老师笑了笑，说：“没关系，你坐下来听课吧。” 我如释重负，心想终于可以安心听课了。然而，好景不长，没过多久，我就发现同学们的目光都集中在了我的脸上。原来，他们都在偷偷地捏我的脸。 我感到十分尴尬，想要解释，但话到嘴边又咽了回去。这时，一个同学突然站起来，笑着说：“老师，你看，我们班新同学的脸真嫩，捏起来手感真好！” 全班同学都笑了起来，我感到脸上火辣辣的，恨不得找个地缝钻进去。我强忍着尴尬，继续听课，但心里却怎么也平静不下来。 下课后，我赶紧找了个角落，拿出手机，给妈妈发了一条信息：“妈妈，我忘记戴口罩了，同学们都在捏我的脸，好尴尬。” 妈妈回复道：“哎呀，你怎么这么不小心呢？下次记得带口罩，别再出洋相了。” 我苦笑着回复：“知道了，妈妈。” 从那以后，我再也没有忘记带口罩。而那堂课的尴尬经历，也成为了我青春岁月里的一段美好回忆。 这件事让我明白了，生活中总会有一些意想不到的尴尬时刻，但只要我们勇敢面对，学会从中吸取教训，就能在成长的道路上越走越远。同时，这也让我更加珍惜与同学们相处的时光，学会了在尴尬中寻找快乐。

算力，就像骑手一样，也要学会调度。假如你在深夜点了一份外卖。几分钟后，系统迅速给你派来最近的骑手，他不需要全城出动的大军，只要顺路接单，就能把一碗热汤准时送到你手里。美团正在把这种 " 派单逻辑 " 搬到 AI 世界。在最新发布的 LongCat-Flash 模型里，算力不再是一股脑砸上去，而是像骑手一样被精准调度：复杂问题派更多 " 高手 "，简单问题就近解决，最大限度减少浪费。美团最近的财报，和所处的竞争环境，让它需要新的故事。而 LongCat-Flash，就是美团递出的第一张筹码：在大模型赛道开打另一场战斗，把百万 tokens 的推理成本压到 0.7 美元。以下为 LongCat-Flash 技术文档解读：像管理骑手一样管理算力技术创新：算力活在算法中首先，LongCat-Flash 的特别之处，不在于它 " 更大 "，而在于它会 " 精打细算 "。它的总参数规模有 5600 亿，但在实际推理时，每个 token 只需要调用一小部分，大约 18.6B – 31.3B。可以把它想象成一个庞大的骑手团队，不是每一单都要全员出动，而是根据订单的难度，派出最合适的几位骑手去送。这样一来，既能保证覆盖面，又避免了算力浪费。而所谓 " 零计算专家 "，其实就是处理简单任务的捷径。比如，一单只是送楼下便利店的一瓶水，就不需要总部复杂调度，附近的小哥顺路就能完成。同样，LongCat-Flash 遇到简单的 token，就直接放行，不浪费多余算力，把资源留给真正复杂的任务。这种 " 按需分配 " 的逻辑，让模型像调度骑手一样，把活派得更合理。上图中展示了 LongCat-Flash 的整体架构：每层由多头潜在注意力（MLA）+ MoE 专家组成，其中一部分是零计算专家，保证遇到简单 token 时可以 " 零开销 " 直接通过。上图中 ( a ) 曲线显示：在相同算力预算下，加入零计算专家的模型 loss 更低，收敛更快； ( b ) 激活专家数稳定在 8 个左右，平均约 27B 参数； ( c ) 不同 token 之间算力分配差异明显，说明模型确实在 " 挑单子 "。另一个创新点叫 ScMoE（Shortcut-connected MoE）。传统模型要等一批任务全部处理完，再进入下一批，就像骑手要等所有订单派完才能出门。ScMoE 的思路是 " 边派边送 "：骑手在送餐的同时，系统已经开始为他规划下一单。这样，算力的使用和通信可以同时进行，整体效率自然提升。图中三组曲线（不同模型规模）显示：有无 ScMoE 的 loss 几乎重合，质量完全一致，但由于通信和计算可以重叠，ScMoE 在吞吐率和推理速度上显著提升。工程能力：给算力买个 " 社保 "规模大，速度快只是第一步，关键是能不能稳定运行。LongCat-Flash 的训练方式更像是在逐步扩张一个骑手网络：先在小范围试运行，把调度规则、路线规划都调好，再推广到更大的范围，避免一上来就乱成一团。为了防止系统崩溃，它设置了 " 三重保障 "。Router 稳定，相当于避免所有订单都集中在一条线路；激活稳定，就像防止某几个骑手被派单过多而累坏；优化器稳定，则保证整体调度有节奏，长期能跑下去。正是靠这一套机制，它在 30 天里完成了 20 万亿 tokens 的训练任务。性能比较：表现稳健从成绩单来看，LongCat-Flash 不只是推理快，在各大基准测试中同样表现稳健：通用任务：在 MMLU（89.71）和 CEval（90.44）中，LongCat-Flash 达到与国际一线模型相当的水准。虽然 CEval 分数略低于 Kimi-K2（91.26），但整体表现依旧领先大多数基线模型，展现了不错的中文理解能力。复杂推理：在 GPQA-diamond（73.23）上，LongCat-Flash 与同类模型保持相近水准；在 DROP（79.06）、ZebraLogic（89.30）、GraphWalks-128k（51.05）等测试中，也稳定处于中上游梯队。数学能力：在 MATH500（96.40）和 AIME24（70.42）上，LongCat-Flash 与 Kimi-K2、DeepSeek 相比差距不大，维持在高水平。在 BeyondAIME（43.00）上虽有下滑，但整体仍优于多数模型。编程任务：在 HumanEval+（88.41）、MBPP+（79.63）等 benchmark 上，LongCat-Flash 表现稳定，略低于 Kimi-K2（93.29、79.87），但依旧优于 Gemini2.5 Flash、Claude Sonnet 等对手。实测美团 LongCat-Flash：快其实从上面的测试基准中可以看到，美团 LongCat-Flash 的性能并没有遥遥领先的地方，只能算是与各大主流模型能力旗鼓相当。因此在很多常用的测试中看不出差别，但有一点：美团这个模型是真的快，和买了准时宝一样。promtps：写一个 Python 函数 is_prime ( n ) ，判断 n 是否是质数，并给出 10 个不同的测试样例。左边模型是 LongCat-Flash 网页端，右边是 kimi 1.5（根据官网描述，响应更快），可以看到同样的提示词，LongCat-Flash 没有怎么思考，一行行内容直接飞出来，而 kimi 1.5 经过短暂思考后，（和 LongCat-Flash 相比）慢悠悠的把内容写出来。在核心代码部分，二者也没差别，可以说 LongCat-Flash 又快又好。LongCat-Flash 的速度和价格优势，未必能立刻改写行业格局。毕竟在大模型市场，生态和用户习惯往往比性能参数更具粘性。但它却透露出一个信号：美团依然习惯用自己最擅长的打法，把复杂的科技问题翻译成 " 调度骑手 " 的逻辑，再用价格杠杆撬开市场。这让问题变得更有趣：当 AI 巨头们在谈模型规模、参数精度时，美团却在谈派单效率和成本曲线。它看似 " 接地气 " 的切入点，反而可能成为搅动格局的变量，就像曾经的 DeepSeek 那样。十年前，美团用补贴烧出了外卖帝国。十年后，它是否能靠另一场价格战，把自己送进大模型的牌桌？没人能给出答案，但至少可以确定的是，美团已经递出了第一张筹码。