美團首個大模型被爆成功跑通國產化訓練路徑，可在國產加速卡上進行

9月1日，美團宣佈LongCat-Flash-Chat正式發佈，在Github、Hugging Face平台開源，並同步上線官網。

此前有自媒體“01Founder”爆料稱，LongCat-Flash最大的亮點是其訓練並非在英偉達GPU上完成，而是在國產加速卡上進行。美團已經成功跑通了一條不被“卡脖子”的技術路徑，但由於一些原因，真正的硬件廠商具體名字不方便透露。

對於該爆料，美團方面未作正面回應，只介紹稱，LongCat-Flash採用創新性混合專家模型（Mixture-of-Experts, MoE）架構，總參數560B，激活參數18.6B-31.3B（平均 27B），實現了計算效率與性能的雙重優化。

根據多項基準測試綜合評估，作為一款非思考型基礎模型，LongCat-Flash-Chat在僅激活少量參數的前提下，性能比肩當下領先的主流模型，尤其在智能體任務中具備突出優勢。

此外，因為面向推理效率的設計和創新，LongCat-Flash-Chat具有明顯更快的推理速度，更適合於耗時較長的複雜智能體應用。

LongCat-Flash的基礎測試性能

至於美團為何要加入大模型之戰，或與公司AI戰略的三個層面有關，即AI at work、AI in products以及 Building LLM。

今年以來，美團AI進展頻傳，發佈了AI Coding Agent工具 NoCode 、AI經營決策助手袋鼠參謀、酒店經營的垂類AI Agent美團既白等多款AI應用。此次模型開源則是其 Building LLM 進展的首度曝光。

再具體點看，LongCat-Flash模型在架構層面引入“零計算專家（Zero-Computation Experts）”機制，總參數量 560B，每個token依據上下文需求僅激活18.6B-31.3B參數，實現算力按需分配和高效利用。為控制總算力消耗，訓練過程採用PID控制器即時微調專家偏置，將單token平均激活量穩定在約27B。

此外，LongCat-Flash在層間鋪設跨層通道，使MoE的通信和計算能很大程度上並行，提高了訓練和推理效率。配合定製化的底層優化，LongCat-Flash在30天內完成高效訓練，並在H800上實現單用户100+tokens/s的推理速度。LongCat-Flash還對常用大模型組件和訓練方式進行了改進，使用了超參遷移和模型層疊加的方式進行訓練，並結合了多項策略保證訓練穩定性，使得訓練全程高效且順利。

LongCat-Flash架構圖

針對智能體（Agentic）能力，LongCat-Flash自建了Agentic評測集指導數據策略，並在訓練全流程進行了全面的優化，包括使用多智能體方法生成多樣化高質量的軌跡數據等。

通過算法和工程層面的聯合設計，LongCat-Flash在理論上的成本和速度都大幅領先行業同等規模、甚至規模更小的模型；通過系統優化，LongCat-Flash在H800 上達成了100 token/s的生成速度，在保持極致生成速度的同時，輸出成本低至5元/百萬token。

本文系觀察者網獨家稿件，未經授權，不得轉載。