LongCat-Flash采用了创新的混合专家(MoE)架构,将5600亿参数划分为多个专家网络,通过智能分配提高效率。其亮点在于“零计算专家”机制,即模型根据需求只激活关键部分(约18.6-31.3B参数,平均27B),其余部分保持静默,从而大幅降低计算资源的消耗。配合PID控制器的实时优化和层间跨层通道设计,模型在训练和推理效率上取得了显著提升。

实测显示,LongCat-Flash在智能体任务中表现突出,尤其在复杂场景工具调用与多步骤推理中优势明显。基准测试中,其MMLU得分89.71,CEval得分90.44,通用知识水平媲美国内顶尖模型;在τ2-Bench工具使用测试中超越更大参数模型,VitaBench高复杂度场景得分24.30位列第一。推理速度方面,单用户可达100+ tokens/s,成本仅5元/百万token,较同类模型降低超60%,真正实现“高效又经济”。