本月行业协会披露最新研究报告,“坐公交车最后一排被C：一场意外的邂逅”

本月行业协会发布重大动态,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。数字化维保平台，智能优化保养方案

宜昌市枝江市、广西百色市那坡县 ，西安市长安区、佳木斯市桦南县、咸阳市淳化县、丽水市松阳县、永州市新田县、文昌市抱罗镇、雅安市名山区、攀枝花市米易县、抚州市东乡区、定安县富文镇、赣州市崇义县、酒泉市肃州区、杭州市富阳区、松原市乾安县、汉中市西乡县 、揭阳市榕城区、双鸭山市尖山区、南京市秦淮区、白城市镇赉县、湛江市廉江市、广元市苍溪县、甘南玛曲县、延安市宜川县、万宁市南桥镇、双鸭山市集贤县、上海市松江区、雅安市天全县

近日监测小组公开最新参数,昨日行业报告更新行业新动向,“坐公交车最后一排被C：一场意外的邂逅”，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一延保标准，透明服务条款

南京市栖霞区、南平市光泽县 ，岳阳市君山区、昌江黎族自治县海尾镇、伊春市丰林县、海南贵德县、汉中市佛坪县、东方市四更镇、广西防城港市上思县、吉安市峡江县、南昌市东湖区、孝感市孝南区、吕梁市交城县、乐东黎族自治县利国镇、郑州市登封市、绵阳市北川羌族自治县、咸阳市旬邑县 、太原市迎泽区、汕头市澄海区、淮南市大通区、重庆市南川区、恩施州巴东县、杭州市桐庐县、乐东黎族自治县莺歌海镇、岳阳市岳阳楼区、内蒙古鄂尔多斯市乌审旗、连云港市灌南县、福州市台江区、临汾市安泽县、广西南宁市青秀区、阳泉市城区

全球服务区域: 南通市海安市、泉州市永春县 、重庆市大渡口区、徐州市云龙区、黄南尖扎县、大连市瓦房店市、内蒙古鄂尔多斯市乌审旗、自贡市富顺县、琼海市石壁镇、安庆市迎江区、驻马店市汝南县、武汉市江汉区、重庆市忠县、临汾市隰县、哈尔滨市方正县、三亚市吉阳区、朔州市怀仁市 、宿迁市泗阳县、甘南夏河县、镇江市句容市、内蒙古通辽市霍林郭勒市、许昌市长葛市

统一售后服务专线，全国联网服务,本月行业报告发布最新进展,“坐公交车最后一排被C：一场意外的邂逅”，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

全国服务区域: 榆林市绥德县、连云港市东海县 、衡阳市衡阳县、东莞市望牛墩镇、漯河市郾城区、黔西南兴仁市、南京市秦淮区、绥化市兰西县、自贡市自流井区、驻马店市泌阳县、南京市栖霞区、延边龙井市、咸阳市渭城区、烟台市栖霞市、苏州市虎丘区、中山市小榄镇、重庆市南川区 、咸阳市礼泉县、盐城市东台市、鸡西市虎林市、内江市东兴区、忻州市偏关县、阜新市阜新蒙古族自治县、南充市营山县、泰州市兴化市、文昌市文城镇、北京市通州区、岳阳市汨罗市、泰安市肥城市、大同市平城区、重庆市梁平区、天津市东丽区、怀化市靖州苗族侗族自治县、济宁市微山县、西宁市城中区、台州市三门县、洛阳市老城区、运城市盐湖区、平顶山市鲁山县、淮安市涟水县、广西防城港市港口区

专业维修服务电话:今日监管部门公布重要研究成果,“坐公交车最后一排被C：一场意外的邂逅”

在一个普通的周末午后，阳光透过车窗洒在公交车上，我带着一丝疲惫，踏上了回家的路。车厢内人声鼎沸，我找了个最后一排的座位坐下，打算在颠簸的路途中小憩片刻。 公交车缓缓启动，车厢内的嘈杂声渐渐平息。我闭上眼睛，准备进入梦乡。然而，就在这时，一个声音打破了车厢的宁静。 “哎，坐公交车最后一排被C，真是倒霉。”一个年轻的声音从旁边传来。 我睁开眼睛，发现旁边坐着一个穿着休闲装的小伙子，他正皱着眉头，似乎在抱怨什么。我好奇地问他：“怎么了？坐公交车最后一排被C是什么意思？” 小伙子瞪大了眼睛，有些惊讶地看着我：“你不知道吗？坐公交车最后一排被C，就是被‘踩’的意思。这排座位总是被那些不文明的人踩脏，真是让人头疼。” 我恍然大悟，原来是这样。我笑了笑，安慰他说：“别担心，我刚才也差点被C了。不过，我觉得这也不是什么大问题，只要我们保持好心情，就算被C了，也能找到解决办法。” 小伙子听了我的话，脸色稍微好转了一些。他告诉我，他叫陈阳，是一名上班族，每天都要坐这趟公交车上下班。他说：“其实，我也习惯了。不过，我还是希望那些不文明的人能自觉一些，不要把座位踩脏。” 就在这时，公交车突然刹车，车厢内的人纷纷向前倾斜。陈阳不小心踩到了我的脚，我本能地躲闪了一下。他连忙道歉：“对不起，刚才刹车太猛了，我不是故意的。” 我摆摆手，说：“没关系，我也没受什么伤。”这时，我突然发现陈阳的脚上沾满了泥土，显然是刚才不小心踩到了地上。 我主动伸出手：“我帮你擦擦吧。”陈阳有些不好意思，但还是点了点头。 在擦拭的过程中，我们聊了很多。我发现陈阳不仅是一个有礼貌的人，还是一个热爱生活的人。他告诉我，他业余时间喜欢摄影，还经常参加户外活动。 时间过得很快，公交车终于到达了目的地。我们互相道别，约定下次一起出去游玩。 坐公交车最后一排被C，原本是一件让人烦恼的事情，但在与陈阳的邂逅中，我感受到了人与人之间的温暖。或许，生活中的美好，就隐藏在这些不经意的瞬间。

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。