LongCat-Flash-Lite

Meituan

LongCat-Flash-Lite — лёгкая MoE-модель от Meituan с 68.5B параметров и активацией всего 2.9B–4.5B на токен. Исследует расширение N-gram эмбеддингов как новое направление масштабирования, поддерживает контекст 256K через YaRN. Оптимизирована для агентных инструментов и программирования, достигая скорости инференса 500–700 токенов в секунду.

Основные характеристики

Параметры
68.5B
Контекст
-
Дата выпуска
4 февраля 2026 г.
Индекс
18.1

Временная шкала

Ключевые даты в истории модели
Анонс
4 февраля 2026 г.
Последнее обновление
17 февраля 2026 г.
Сегодня
19 ноября 2026 г.

Технические характеристики

Параметры
68.5B
Токены обучения
-
Граница знаний
-
Семейство
-
Возможности
МультимодальностьZeroEval

Результаты бенчмарков

Показатели производительности модели на различных тестах и бенчмарках

Общие знания

Тесты на общие знания и понимание
MMLU
• данные разработчика
86.0%

Программирование

Тесты на навыки программирования
SWE-Bench Verified
• данные разработчика
54.4%

Рассуждения

Логические рассуждения и анализ
GPQA
• данные разработчика
66.8%

Другие тесты

Специализированные бенчмарки
MATH-500
• данные разработчика
97.0%
CMMLU
• данные разработчика
82.0%
MMLU-Pro
• данные разработчика
78.0%
Tau2 Retail
Avg@8 • данные разработчика
73.0%
Tau2 Telecom
Avg@8 • данные разработчика
73.0%
AIME 2024
avg@32 • данные разработчика
72.2%
AIME 2025
avg@32 • данные разработчика
63.2%
SWE-bench Multilingual
• данные разработчика
38.1%
Tau2 Airline
avg@8 • данные разработчика
58.0%
Terminal-Bench
• данные разработчика
33.8%

Лицензия и метаданные

Лицензия
MIT
Дата анонса
4 февраля 2026 г.
Последнее обновление
17 февраля 2026 г.

LongCat-Flash-Lite: плюсы и минусы

Плюсы

  • Открытые веса — можно запустить на своём сервере
  • Сильнее всего в тесте MATH-500 — 97.0%

Минусы

  • Уступает новым моделям по сводному индексу (235-е место из 345)
  • Работает только с текстом — картинки не понимает
  • Слабее в тесте Terminal-Bench — 33.8%
  • Нет данных о доступе по API

Похожие модели

Все модели

Рекомендации основаны на схожести характеристик: организация-разработчик, мультимодальность, размер параметров и производительность в бенчмарках. Выберите модель для сравнения или перейдите к полному каталогу для просмотра всех доступных моделей ИИ.