美团上线首个开源并可体验的“重思考”模型，工具调用能力登顶

1月16日，美团LongCat官微消息，作为LongCat-Flash-Thinking模型的升级版，
LongCat-Flash-Thinking-2601现已开源。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。

值得一提的是，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，确保思考周全、决策可靠。

目前，该功能可在 https://longcat.ai网站免费体验。

“重思考”功能全新上线 智能体工具调用能力登顶开源 SOTA

据介绍，全新推出的“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实现了“想清楚再行动”的结果。

经过全面严谨的评估，
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（资料图）

· 编程能力：
LongCat-Flash-Thinking-2601在LCB评测中取得82.8分，OIBench EN 评测获47.7分，成绩处于同类模型第一梯队，代码基础能力扎实。

· 数学推理能力：在开启“重思考”模式后表现突出，
LongCat-Flash-Thinking-2601在 AIME-25 评测中获100.0分（满分），IMO-AnswerBench中以86.8分达到当前SOTA。

· 智能体工具调用能力：在τ²-Bench评测中拿到88.2分，VitaBench评测中获得29.3分，均获得开源SOTA水平，在多领域工具调用场景下表现优异，适配实际应用需求。

· 智能体搜索能力：在BrowseComp任务中取得73.1分（全模型最优），RW Search 评测获79.5分，
LongCat-Flash-Thinking-2601具备强劲的信息检索与场景适配能力，达到开源领先水平。

为了更好测试智能体模型的泛化能力，团队还提出了一种全新的评测方法——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在绝大多数任务中保持领先性能，印证了其在智能体场景下优秀的泛化能力。

技术解密：从“靶场”到“实战”的训练哲学

对于新模型的技术思路，LongCat团队解释称，传统智能体往往仅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。实验也证明，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。尤其在复杂随机的分布外任务中，性能优于 Claude-Opus-4.5-Thinking。

此外，LongCat团队针对性扩展自研强化学习基础设施，在保留原有高效异步训练特性的基础上，实现大规模多环境智能体的稳定并行训练，通过均衡搭配多环境任务、按难度与训练进度智能分配算力，最大化提升训练效率与资源利用率；该团队还从复杂度、多样性双维度严控训练任务，配套专属数据库及优化方案，杜绝模型“偏科”与训练漏洞，让这套全流程方案持续赋能模型，使其稳居智能体能力第一梯队。

该团队还表示，现实世界的智能体环境充满不确定性，API调用失败、返回异常信息、观测数据不完整等“噪声”问题，极易导致模型决策失误。为此，团队在训练数据的过程中主动注入多类噪声，模拟API的调用失败、返回错误信息、数据缺失等场景，并用课程学习的方式循序渐进地进行模型训练，在训练过程中逐步增加噪声的类型与强度——类比教新手骑车，首先会让其在平坦路面做练习，等技能成熟后再逐步增加路面的复杂度。

带噪声/无噪声评测集下的模型表现对比（资料图）

经过系统化的抗干扰训练，
LongCat-Flash-Thinking-2601（Training w/Noise组）拥有了极强的环境适应能力，在复杂场景中，也能稳定发挥、高效完成任务。