本周行业报告传递新动态,公交车上的意外“纯肉”之旅

本月行业报告传递新动态,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。家电客服热线，系统自动分配订单

杭州市桐庐县、三沙市南沙区 ，阜新市阜新蒙古族自治县、德阳市广汉市、荆州市石首市、重庆市垫江县、赣州市上犹县、绵阳市梓潼县、双鸭山市尖山区、广安市岳池县、常州市新北区、赣州市宁都县、临沂市莒南县、曲靖市师宗县、南充市南部县、大同市灵丘县、重庆市铜梁区 、孝感市孝南区、凉山普格县、福州市闽侯县、文昌市东阁镇、池州市石台县、佳木斯市向阳区、哈尔滨市双城区、开封市兰考县、临汾市洪洞县、宝鸡市金台区、吕梁市交城县、牡丹江市海林市

统一服务管理平台，智能监控质量,本周业内人士传递最新研究成果,公交车上的意外“纯肉”之旅，很高兴为您解答这个问题，让我来帮您详细说明一下：客服中心支持电话、APP多渠道服务

商洛市柞水县、临汾市襄汾县 ，广西防城港市东兴市、武汉市洪山区、沈阳市大东区、泰安市东平县、长沙市天心区、三门峡市湖滨区、澄迈县永发镇、亳州市涡阳县、海东市民和回族土族自治县、青岛市市北区、德阳市广汉市、万宁市山根镇、迪庆维西傈僳族自治县、重庆市綦江区、内蒙古乌兰察布市凉城县 、杭州市余杭区、酒泉市玉门市、内蒙古呼和浩特市土默特左旗、上海市闵行区、澄迈县加乐镇、郴州市苏仙区、湖州市吴兴区、焦作市中站区、岳阳市云溪区、营口市老边区、辽阳市辽阳县、文昌市公坡镇、蚌埠市蚌山区、达州市开江县

全球服务区域: 佳木斯市东风区、洛阳市汝阳县 、庆阳市西峰区、宝鸡市陈仓区、运城市绛县、德阳市中江县、甘孜得荣县、福州市晋安区、兰州市安宁区、朝阳市龙城区、南京市秦淮区、果洛玛多县、吉安市新干县、鹤壁市浚县、南京市栖霞区、宣城市广德市、新乡市卫滨区 、芜湖市湾沚区、通化市柳河县、宜春市万载县、屯昌县南吕镇、达州市渠县

本周官方渠道披露研究成果,本周监管部门发布重要政策,公交车上的意外“纯肉”之旅，很高兴为您解答这个问题，让我来帮您详细说明一下：家电故障远程诊断，视频指导快速解决

全国服务区域: 恩施州巴东县、临汾市吉县 、广西梧州市长洲区、菏泽市成武县、铁岭市清河区、河源市东源县、榆林市米脂县、南昌市新建区、绥化市海伦市、平顶山市汝州市、东方市八所镇、驻马店市西平县、恩施州巴东县、文山丘北县、海口市美兰区、安康市石泉县、长春市绿园区 、济宁市汶上县、鸡西市密山市、黄石市阳新县、鄂州市鄂城区、汕尾市城区、佛山市禅城区、大庆市林甸县、五指山市毛道、雅安市汉源县、佛山市高明区、内蒙古阿拉善盟阿拉善左旗、岳阳市岳阳楼区、运城市河津市、齐齐哈尔市克东县、上饶市玉山县、景德镇市乐平市、无锡市宜兴市、上饶市铅山县、常州市武进区、泸州市古蔺县、衢州市开化县、宁夏吴忠市红寺堡区、萍乡市莲花县、商洛市商南县

近日研究机构传出突破成果:本月官方发布行业新变化,公交车上的意外“纯肉”之旅

在一个阳光明媚的周末，我像往常一样乘坐公交车去市中心购物。那天，公交车上人不多，我找了个靠窗的位置坐下，打算享受一段宁静的旅程。 公交车缓缓启动，车厢里弥漫着淡淡的消毒水味。我闭上眼睛，准备小憩一会儿。突然，一阵急促的脚步声打破了车厢的宁静。一位穿着朴素的中年妇女匆匆上了车，她手里提着一个鼓鼓囊囊的塑料袋。 妇女刚站稳，车厢里就传来了一阵异样的骚动。我睁开眼睛，只见她手中的塑料袋引起了大家的注意。袋子里似乎装着一些肉类食品，而妇女则显得有些紧张，她小心翼翼地护着袋子，生怕被人发现。 公交车行驶了一段路程，车厢里的气氛越发紧张。有人窃窃私语，有人面露疑惑，甚至有人开始猜测妇女的来历和目的。而我，则保持着沉默，内心却充满了好奇。 不久，公交车驶入了一片居民区。这时，妇女突然打开了袋子，将里面的肉类食品分给了周围的乘客。她微笑着说：“大家辛苦了，这是我的一点心意，请大家尝尝。”说着，她将一块热腾腾的肉递给了身旁的一位老人。 老人接过肉，感激地看着妇女，连声道谢。车厢里的气氛顿时变得温馨起来。其他人也纷纷效仿，开始品尝这意外的“纯肉”。一时间，车厢里弥漫着肉香，欢声笑语此起彼伏。 我忍不住好奇地询问妇女：“阿姨，您为什么要这样做呢？”妇女微笑着回答：“我是一名退休教师，今天是我儿子的生日。我想把这份心意带给每一位乘客，让大家都能感受到家的温暖。” 听到这里，我心中涌起一股暖流。在这个快节奏的社会，人与人之间的关爱似乎越来越稀缺。而这位妇女，却用她的行动，让我们感受到了人间的真情。 公交车继续行驶，车厢里的气氛越发融洽。大家纷纷分享着自己的故事，互相鼓励，互相帮助。在这段短暂的旅程中，我们仿佛找到了久违的亲情和友情。 终于，公交车到达了目的地。我带着满满的感动和温暖走下了车。回顾这次意外的“纯肉”之旅，我深知，生活中总会有一些不经意的瞬间，让我们感受到人间的美好。 这次公交车上的经历，让我明白了关爱他人的重要性。在今后的日子里，我会像那位妇女一样，用自己的行动传递温暖，让这个世界充满爱与和谐。

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。