图片由AI生成

1月16日，美团LongCat官宣， LongCat-Flash-Thinking-2601现已开源。

美团表示，作为LongCat-Flash-Thinking模型的升级版，新模型在Agentic Search（智能体搜索）、Agentic Tool Use（智能体工具调用）、TIR（工具交互推理）等核心评测基准上，均达到开源模型SOTA水平。

据美团介绍，该模型在工具调用的泛化能力上优势尤其明显，在依赖工具调用的随机复杂任务中，性能表现超越了Claude-Opus-4.5-Thinking，可大幅度降低真实场景下新工具的适配训练成本；同时，新模型支持“重思考”模式，可同时启动8个“大脑”执行任务。

新推出的“重思考”模式，已让“龙猫”学会了“深思熟虑”再行动。

具体来看，当遇到高难度问题时，新模型会把思考过程拆分成“并行思考”和“总结归纳”两步进行：

并行思考阶段，与人类面对难题会同时尝试多种解法相似，“重思考”模式下的模型，会在保证思路多样性的同时，独立梳理出多条推理路径寻找最优解；总结归纳阶段，则会对多条路径进行梳理、优化与合成，并将优化结果重新输入，形成闭环迭代推理，推动思考持续深化。

除此之外，LongCat团队在新模型中加入了额外的强化学习环节，针对性打磨模型的总结归纳能力，从而让LongCat-Flash-Thinking-2601实现“想清楚再行动”的结果。

经评估，LongCat-Flash-Thinking-2601模型在编程、数学推理、智能体工具调用、智能体搜索等维度表现优异。

LongCat-Flash-Thinking-2601的平均性能比较，图片来源：美团

为了测试智能体模型泛化能力，团队提出了一种新的评测方法——通过构建一套自动化任务合成流程，支持用户基于给定关键词，为任意场景随机生成复杂任务，并为每个生成的任务配备对应的工具集与可执行环境。

由于这类环境中的工具配置具有高度随机性，该方法可通过评估模型在该类环境中的性能表现，衡量其泛化能力。

实验结果表明，LongCat-Flash-Thinking-2601在大多数任务中保持领先性能。

对于新模型的技术思路，LongCat团队解释称，传统智能体往往在数个简单模拟环境里训练，这带来的问题就像只在靶场训练的士兵，到了真实“战场”可能会掉链子。

而基于“环境扩展+多环境强化学习”核心技术，团队为模型打造了多样化的“高强度练兵场”，构建了多套高质量训练环境，并在每套环境中集成60余种工具形成密集依赖关系图谱与复杂联动，支撑起高度复杂的任务场景。

实验证明，训练环境越丰富，模型在未知场景中的泛化能力越强。得益于这套方案，LongCat-Flash-Thinking-2601在智能体搜索、智能体工具调用等核心基准测试中稳居前列。

LongCat团队称，在复杂随机的分布外任务中，LongCat-Flash-Thinking-2601性能优于Claude-Opus-4.5-Thinking。（作者｜李程程，编辑｜李玉鹏）