900亿还不敷？欧盟或最早明年前再为乌克兰借数百亿新债
算力，就像骑手一样，也要学会调理 。若是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雄师，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 天下 。在最新宣布的 LongCat-Flash 模子里，算力不再是一股脑砸上去，而是像骑手一样被精准调理：重大问题派更多 " 能手 "，简朴问题就近解决，最大限度镌汰铺张 。美团最近的财报，和所处的竞争情形，让它需要新的故事 。而 LongCat-Flash，就是美团递出的第一张筹码：在大模子赛道开打另一场战斗，把百万 tokens 的推理本钱压到 0.7 美元 。以下为 LongCat-Flash 手艺文档解读：像管理骑手一样管理算力手艺立异：算力活在算法中首先，LongCat-Flash 的特殊之处，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，但在现实推理时，每个 token 只需要挪用一小部分，约莫 18.6B – 31.3B �？梢园阉胂蟪梢桓鲋卮蟮钠锸滞哦�，不是每一单都要全员出动，而是凭证订单的难度，派出最合适的几位骑手去送 。这样一来，既能包管笼罩面，又阻止了算力铺张 。而所谓 " 零盘算专家 "，着实就是处置惩罚简朴使命的捷径 。好比，一单只是送楼下便当店的一瓶水，就不需要总部重大调理，周围的小哥顺路就能完成 。同样，LongCat-Flash 遇到简朴的 token，就直接放行，不铺张多余算力，把资源留给真正重大的使命 。这种 " 按需分派 " 的逻辑，让模子像调理骑手一样，把活派得更合理 。上图中展示了 LongCat-Flash 的整体架构：每层由多头潜在注重力（MLA）+ MoE 专家组成，其中一部分是零盘算专家，包管遇到简朴 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，加入零盘算专家的模子 loss 更低，收敛更快； ( b ) 激活专家数稳固在 8 个左右，平均约 27B 参数； ( c ) 差别 token 之间算力分派差别显着，说明模子确着实 " 挑票据 " 。另一个立异点叫 ScMoE（Shortcut-connected MoE） 。古板模子要等一批使命所有处置惩罚完，再进入下一批，就像骑手要等所有订单派完才华出门 。ScMoE 的思绪是 " 边派边送 "：骑手在送餐的同时，系统已经最先为他妄想下一单 。这样，算力的使用和通讯可以同时举行，整体效率自然提升 。图中三组曲线（差别模子规模）显示：有无 ScMoE 的 loss 险些重合，质量完全一致，但由于通讯和盘算可以重叠，ScMoE 在吞吐率和推理速率上显著提升 。工程能力：给算力买个 " 社保 "规模大，速率快只是第一步，要害是能不可稳固运行 。LongCat-Flash 的训练方法更像是在逐步扩张一个骑手网络：先在小规模试运行，把调理规则、蹊径妄想都调好，再推广到更大的规模，阻止一上来就乱成一团 。为了避免系统瓦解，它设置了 " 三重包管 " 。Router 稳固，相当于阻止所有订单都集中在一条线路；激活稳固，就像避免某几个骑手被派单过多而累坏；优化器稳固，则包管整体调理有节奏，恒久能跑下去 。正是靠这一套机制，它在 30 天里完成了 20 万亿 tokens 的训练使命 。性能较量：体现稳健从效果单来看，LongCat-Flash 不但是推理快，在各大基准测试中同样体现稳� 。和ㄓ檬姑涸� MMLU（89.71）和 CEval（90.44）中，LongCat-Flash 抵达与国际一线模子相当的水准 。虽然 CEval 分数略低于 Kimi-K2（91.26），但整体体现依旧领先大大都基线模子，展现了不错的中文明确能力 。重大推理：在 GPQA-diamond（73.23）上，LongCat-Flash 与同类模子坚持相近水准；在 DROP（79.06）、ZebraLogic（89.30）、GraphWalks-128k（51.05）等测试中，也稳固处于中上游梯队 。数学能力：在 MATH500（96.40）和 AIME24（70.42）上，LongCat-Flash 与 Kimi-K2、DeepSeek 相比差别不大，维持在高水平 。在 BeyondAIME（43.00）上虽有下滑，但整体仍优于大都模子 。编程使命：在 HumanEval+（88.41）、MBPP+（79.63）等 benchmark 上，LongCat-Flash 体现稳固，略低于 Kimi-K2（93.29、79.87），但依旧优于 Gemini2.5 Flash、Claude Sonnet 等敌手 。实测美团 LongCat-Flash：快着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子能力旗鼓相当 。因此在许多常用的测试中看不出差别，但有一点：美团这个模子是真的快，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 个差别的测试样例 。左边模子是 LongCat-Flash 网页端，右边是 kimi 1.5（凭证官网形貌，响应更快），可以看到同样的提醒词，LongCat-Flash 没有怎么思索，一行行内容直接飞出来，而 kimi 1.5 经由短暂思索后，（和 LongCat-Flash 相比）慢悠悠的把内容写出来 。在焦点代码部分，二者也没差别，可以说 LongCat-Flash 又快又好 。LongCat-Flash 的速率和价钱优势，未必能连忙改写行业名堂 。事实在大模子市场，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：美团依然习习用自己最善于的打法，把重大的科技问题翻译成 " 调理骑手 " 的逻辑，再用价钱杠杆撬开市场 。这让问题变得更有趣：当 AI 巨头们在谈模子规模、参数精度时，美团却在谈派单效率和本钱曲线 。它看似 " 接地气 " 的切入点，反而可能成为搅动名堂的变量，就像一经的 DeepSeek 那样 。十年前，美团用津贴烧出了外卖帝国 。十年后，它是否能靠另一场价钱战，把自己送进大模子的牌桌？没人能给出谜底，但至少可以确定的是，美团已经递出了第一张筹码 。