昨日行业报告发布重要成果,办公室里的意外惊喜：我捡到了老师的遥控器

今日研究机构发布行业通报,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。家电回收进度查询，实时跟踪处理状态

红河泸西县、天水市清水县 ，南阳市卧龙区、漳州市龙海区、重庆市大渡口区、商丘市民权县、大庆市肇州县、威海市文登区、北京市海淀区、滨州市无棣县、遂宁市蓬溪县、太原市娄烦县、三沙市南沙区、铜仁市玉屏侗族自治县、通化市东昌区、德州市庆云县、泉州市永春县 、玉溪市江川区、眉山市洪雅县、广西桂林市秀峰区、昌江黎族自治县石碌镇、甘南夏河县、双鸭山市集贤县、三门峡市义马市、文山广南县、葫芦岛市兴城市、泰安市新泰市、乐山市五通桥区、海东市平安区

近日官方渠道传达研究成果,昨日相关部门披露行业进展,办公室里的意外惊喜：我捡到了老师的遥控器，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

万宁市龙滚镇、濮阳市清丰县 ，达州市渠县、宁夏银川市兴庆区、茂名市茂南区、临汾市霍州市、肇庆市鼎湖区、济宁市邹城市、镇江市扬中市、宁夏石嘴山市惠农区、嘉兴市南湖区、绵阳市游仙区、常德市汉寿县、宜春市高安市、阿坝藏族羌族自治州理县、东莞市石排镇、内蒙古锡林郭勒盟多伦县 、重庆市渝中区、淮北市烈山区、德阳市广汉市、忻州市岢岚县、铜陵市郊区、衡阳市雁峰区、临高县南宝镇、徐州市鼓楼区、渭南市华阴市、衢州市江山市、菏泽市单县、湛江市坡头区、东莞市长安镇、周口市西华县

全球服务区域: 恩施州鹤峰县、鸡西市虎林市 、内蒙古兴安盟科尔沁右翼中旗、驻马店市汝南县、淮北市烈山区、韶关市南雄市、遵义市湄潭县、庆阳市合水县、太原市娄烦县、商洛市柞水县、陵水黎族自治县隆广镇、开封市通许县、抚州市南城县、兰州市红古区、四平市伊通满族自治县、黄南尖扎县、宁夏银川市金凤区 、丹东市宽甸满族自治县、佳木斯市桦南县、甘孜康定市、广西桂林市灵川县、东莞市虎门镇

近日调查组公开关键证据本,本月行业协会传达最新消息,办公室里的意外惊喜：我捡到了老师的遥控器，很高兴为您解答这个问题，让我来帮您详细说明一下：24小时维修客服热线，随时为您服务

全国服务区域: 天津市南开区、吉安市万安县 、汉中市佛坪县、咸阳市兴平市、河源市东源县、临汾市大宁县、宜春市高安市、广元市昭化区、南京市栖霞区、佛山市禅城区、保山市施甸县、上饶市弋阳县、嘉兴市桐乡市、湛江市雷州市、宣城市广德市、佛山市禅城区、郑州市金水区 、吕梁市汾阳市、哈尔滨市双城区、临沧市沧源佤族自治县、文昌市东阁镇、保山市隆阳区、万宁市后安镇、广西百色市右江区、安顺市平坝区、邵阳市绥宁县、珠海市斗门区、渭南市临渭区、内蒙古锡林郭勒盟锡林浩特市、嘉峪关市峪泉镇、邵阳市绥宁县、焦作市温县、南通市海安市、黄冈市罗田县、潍坊市青州市、汉中市镇巴县、三门峡市卢氏县、渭南市白水县、池州市贵池区、松原市扶余市、东莞市横沥镇

快速响应维修热线:今日官方披露行业研究成果,办公室里的意外惊喜：我捡到了老师的遥控器

在一个平凡的午后，办公室里弥漫着紧张而忙碌的气氛。大家都在各自忙碌着，完成着自己的工作任务。然而，就在这样的氛围中，一件意外的事情发生了——我在办公室的角落里捡到了老师的遥控器。 老师是我们学校的教务主任，平时严谨认真，对待工作一丝不苟。她总是穿着一身整洁的制服，精神抖擞地出现在我们面前。这次，她竟然把遥控器落在了办公室，这让我感到非常惊讶。 当我发现遥控器的那一刻，心中不禁泛起了一丝紧张。我想起了老师平时对我们的严格要求和关爱，心中涌起了一股责任感。我决定立刻将遥控器归还给老师，让她不再为丢失遥控器而烦恼。 我小心翼翼地拿着遥控器，来到了老师的办公室。推开门，只见老师正坐在办公桌前，低头批改着学生的作业。看到我进来，她抬起头，微笑着问我：“小王，有什么事情吗？” 我赶忙将手中的遥控器递给老师，说道：“老师，我在办公室的角落里捡到了这个遥控器，您看是不是您的？” 老师接过遥控器，仔细地端详了一会儿，然后惊喜地说：“哎呀，这正是我刚才在找的那个遥控器！谢谢你，小王！” 看着老师脸上露出的笑容，我心中也感到无比的欣慰。我想，这不仅仅是一件简单的物品归还，更是我作为一名学生，对老师辛勤付出的回报。 老师接过遥控器后，感激地对我说：“小王，你真是个懂事的孩子。以后，如果你在学习和生活中遇到困难，一定要告诉我，我会尽我所能帮助你。” 我微笑着点点头，心中暗下决心，一定要努力学习，不辜负老师的期望。 从那天起，我和老师的关系变得更加亲密。每当我在学习上遇到困难，老师总是耐心地为我解答，鼓励我不断进步。而我也在老师的关爱下，茁壮成长。 这件小事让我明白，生活中总会有一些意想不到的惊喜。而这些惊喜，往往来自于我们对生活的热爱，对别人的关爱。当我们用心去感受生活，用心去关爱他人时，惊喜就会在不经意间降临。 在今后的日子里，我会将这次捡到遥控器的经历铭记在心，时刻提醒自己，做一个有爱心、有责任感的人。我相信，只要我们心怀感恩，用心去关爱身边的人，生活一定会充满阳光。 办公室里的这次意外惊喜，让我明白了人与人之间的关爱与责任。在今后的学习和生活中，我会将这份关爱传递下去，让更多的人感受到温暖和希望。

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。