昨日行业协会传递重大研究成果,宝宝学步初体验：扇贝真会夹，萌态十足！

今日行业协会发布行业动态,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。家电故障远程诊断，视频指导快速解决

烟台市福山区、临夏东乡族自治县 ，重庆市铜梁区、镇江市句容市、赣州市崇义县、广西河池市宜州区、台州市临海市、黄山市歙县、铜陵市铜官区、保亭黎族苗族自治县什玲、张掖市甘州区、洛阳市老城区、广西来宾市象州县、广西北海市银海区、西双版纳景洪市、嘉峪关市文殊镇、海南贵南县 、海北刚察县、荆州市监利市、株洲市攸县、东方市天安乡、南京市建邺区、成都市简阳市、张掖市肃南裕固族自治县、广西贺州市昭平县、佳木斯市桦南县、达州市宣汉县、无锡市惠山区、昌江黎族自治县海尾镇

专家技术支援专线,本月国家机构传递新政策,宝宝学步初体验：扇贝真会夹，萌态十足！，很高兴为您解答这个问题，让我来帮您详细说明一下：全国标准化服务热线，维修质量有保证

酒泉市肃北蒙古族自治县、榆林市横山区 ，阳泉市城区、北京市平谷区、自贡市荣县、锦州市太和区、广西来宾市兴宾区、岳阳市岳阳楼区、白沙黎族自治县细水乡、宜昌市兴山县、乐东黎族自治县万冲镇、延安市甘泉县、丽水市莲都区、甘孜白玉县、宜昌市长阳土家族自治县、郑州市二七区、黔南长顺县 、福州市永泰县、河源市连平县、临汾市古县、白山市靖宇县、临汾市安泽县、淄博市沂源县、亳州市谯城区、孝感市孝南区、自贡市贡井区、内蒙古呼和浩特市土默特左旗、延边和龙市、杭州市余杭区、琼海市大路镇、安庆市大观区

全球服务区域: 广西南宁市邕宁区、嘉兴市桐乡市 、南充市西充县、内蒙古通辽市库伦旗、天津市和平区、临汾市襄汾县、厦门市同安区、漳州市龙文区、上海市金山区、镇江市句容市、张掖市肃南裕固族自治县、安庆市迎江区、屯昌县南坤镇、甘南碌曲县、张掖市临泽县、许昌市魏都区、黄冈市武穴市 、晋中市榆社县、吉安市峡江县、澄迈县中兴镇、内蒙古兴安盟阿尔山市、甘孜色达县

刚刚科研委员会公布突破成果,今日相关部门传达行业研究成果,宝宝学步初体验：扇贝真会夹，萌态十足！，很高兴为您解答这个问题，让我来帮您详细说明一下：家电问题一键呼叫，客服专员全程跟进

全国服务区域: 酒泉市玉门市、三明市大田县 、益阳市安化县、安庆市宜秀区、天水市麦积区、焦作市温县、东莞市东坑镇、广安市华蓥市、黔南长顺县、扬州市江都区、新乡市长垣市、太原市娄烦县、湛江市雷州市、扬州市仪征市、琼海市博鳌镇、合肥市庐阳区、广元市昭化区 、衡阳市衡南县、宜宾市屏山县、昆明市安宁市、广西来宾市象州县、咸阳市彬州市、大兴安岭地区松岭区、苏州市吴江区、楚雄武定县、茂名市高州市、广西玉林市北流市、东莞市洪梅镇、文昌市公坡镇、朔州市平鲁区、杭州市富阳区、镇江市扬中市、甘孜色达县、怀化市溆浦县、乐山市市中区、雅安市石棉县、渭南市大荔县、雅安市雨城区、朔州市朔城区、苏州市虎丘区、内蒙古乌兰察布市商都县

专家技术支援专线:本月研究机构传递最新政策,宝宝学步初体验：扇贝真会夹，萌态十足！

宝宝成长的道路上，每一个小细节都充满了惊喜和乐趣。近日，我家宝宝在学步过程中的一次经历，让我深刻体会到了“宝宝的扇贝真会夹”这句话的含义。那天，宝宝在客厅的地板上，一边玩着玩具，一边尝试着站立和行走。就在这时，他突然发现了客厅角落里的一盘扇贝。 扇贝，这种扇形的海产品，对于宝宝来说，既新奇又诱人。宝宝的小手伸向扇贝，试图抓住它。然而，由于他还处于学步阶段，动作还不够协调，结果却意外地夹住了扇贝。这一幕，让我忍俊不禁，同时也为宝宝的勇敢和好奇心所感动。 “宝宝的扇贝真会夹”，这句话在我脑海中浮现。宝宝的小手紧紧地握住扇贝，仿佛在说：“看，我抓到了！”虽然他的动作并不熟练，但那份自信和满足感却让人忍不住为他点赞。看着宝宝如此投入地探索世界，我仿佛看到了他未来成长的无限可能。 扇贝，作为一种富含蛋白质、钙、磷、铁等多种营养元素的海产品，对宝宝的健康成长大有裨益。而宝宝夹扇贝的过程，也让他锻炼了手眼协调能力和手指的灵活性。在这个过程中，宝宝不仅学会了如何抓住物体，还学会了如何运用自己的力量。 学步期间的宝宝，好奇心旺盛，对周围的一切都充满了探索欲望。扇贝的出现，无疑为宝宝提供了一个新的探索对象。他尝试着用手指去触摸扇贝的边缘，感受它的质感；又试图用小手去夹住扇贝，体验成功的喜悦。这一系列的动作，让宝宝在快乐中成长。 当然，宝宝在学步过程中，难免会遇到一些挫折。比如，他可能会因为动作不协调而摔倒，或者因为用力过猛而夹伤手指。但正是这些挫折，让宝宝学会了勇敢面对困难，不断尝试，最终取得成功。 在宝宝学步的过程中，家长应该给予他足够的关爱和支持。当宝宝尝试夹扇贝时，我们可以鼓励他：“宝宝真棒，再试试看！”当宝宝摔倒时，我们要及时扶起他，并告诉他：“没关系，宝宝不怕疼！”这样的关爱，能让宝宝在成长的道路上更加自信和坚强。 总之，宝宝的扇贝真会夹，这一幕让我深刻体会到了宝宝学步过程中的乐趣和成长。在这个过程中，宝宝不仅学会了如何抓住物体，还学会了如何面对挫折，勇敢地追求自己的梦想。让我们陪伴宝宝一起成长，共同见证他一步步走向美好的未来吧！

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。