美团开源“重思考”模型，工具调用能力达SOTA水准

1月16日，IT之家传出消息，美团LongCat团队正式发布了开源模型LongCat-Flash-Thinking-2601。

据美团介绍，作为LongCat-Flash-Thinking模型的升级版，LongCat-Flash-Thinking-2601在智能体搜索、工具调用、工具交互推理等核心评测基准上，均已达到开源模型的顶尖水平。

美团方面表示，该模型尤其在工具调用方面展现出卓越的泛化能力。在依赖工具调用的随机复杂任务中，其性能超越了Claude，可大幅降低真实场景下新工具的适配训练成本。同时，它是首个完整开源并支持在线免费体验“重思考模式”的模型，能启动多个大脑飞速运转，确保思考周全、决策可靠。

得益于全新升级的“重思考”模式，当遇到高难度问题时，模型会把思考过程拆分为并行思考和总结归纳两步来完成：

在并行思考阶段，模型会同时独立梳理出好几条推理路径，就像人面对难题时会琢磨不同解法一样，它还会特意保证思路的多样性，生怕漏掉最优解。

在总结归纳阶段，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，我们还专门设计了额外的强化学习环节，针对性打磨模型的总结归纳能力，让LongCat-Flash-Thinking-2601真正做到“想清楚再行动”。

美团表示，经过全面严谨的评估显示，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全面领先：

编程能力方面：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，展现出扎实的代码基础能力。

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评测中获得100.0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，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。

此外，为了更好地测试智能体模型的泛化能力，美团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。每个生成的任务都配备了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，美团通过评估模型在该类环境中的性能表现，来衡量其泛化能力。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强大的泛化能力。

IT之家附最新开源地址：

GitHub

Hugging Face

ModelScope

API开放平台

正式