LongCat-Flash-Thinking

Meituan

LongCat-Flash-Thinking — модель рассуждений от Meituan, построенная на основе LongCat-Flash с 560B параметров (MoE, ~27B активируемых). Использует специализированный пайплайн обучения для продвинутых рассуждений с режимом Re-thinking, обеспечивающим параллельные пути рассуждений. Демонстрирует высокую производительность в математических рассуждениях, агентном использовании инструментов и формальном доказательстве теорем.

Основные характеристики

Параметры
560.0B
Контекст
-
Дата выпуска
21 сентября 2025 г.
Индекс
28.2

Временная шкала

Ключевые даты в истории модели
Анонс
21 сентября 2025 г.
Последнее обновление
17 февраля 2026 г.
Сегодня
19 ноября 2026 г.

Технические характеристики

Параметры
560.0B
Токены обучения
-
Граница знаний
-
Семейство
-
Возможности
МультимодальностьZeroEval

Результаты бенчмарков

Показатели производительности модели на различных тестах и бенчмарках

Программирование

Тесты на навыки программирования
SWE-Bench Verified
• данные разработчика
57.2%

Рассуждения

Логические рассуждения и анализ
GPQA
• данные разработчика
81.5%

Другие тесты

Специализированные бенчмарки
MATH-500
Mean@1 • данные разработчика
99.0%
ZebraLogic
Mean@1 • данные разработчика
95.0%
AIME 2024
Mean@32 • данные разработчика
93.0%
AIME 2025
Mean@32 • данные разработчика
91.0%
MMLU-Redux
• данные разработчика
89.0%
Tau2 Telecom
Mean@4 • данные разработчика
83.0%
MMLU-Pro
• данные разработчика
82.6%
Tau2 Retail
Mean@4 • данные разработчика
80.0%
ARC-AGI
Mean@1 • данные разработчика
50.3%
BFCL-v3
• данные разработчика
74.4%
LiveCodeBench
Mean@4 • данные разработчика
79.4%
Tau2 Airline
Mean@4 • данные разработчика
67.5%

Лицензия и метаданные

Лицензия
MIT
Дата анонса
21 сентября 2025 г.
Последнее обновление
17 февраля 2026 г.

LongCat-Flash-Thinking: плюсы и минусы

Плюсы

  • Открытые веса — можно запустить на своём сервере
  • Сильнее всего в тесте MATH-500 — 99.0%

Минусы

  • Работает только с текстом — картинки не понимает
  • 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.