美团开源可体验的“重思考”模型，经8次反复实测

新京报贝壳财经讯（记者陈维城）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。团队介绍，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，达到开源模型SOTA（最先进的水平）水平。

团队介绍，该模型在工具调用的泛化能力上优势明显，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。

新京报贝壳财经记者进入美团LongCat实测，选定“深度思考”模式，输入：“2010年冬季是冷冬还是暖冬？”页面显示，“接下来，我将以多种思考方式同时进行深度思考，每个 Thinker 将会独立给出一个回复，最终我会将这些回复整合成一个更全面的结论。”

页面显示了8个思考结果分析：2010年冬季应该是指2010年12月至2011年2月，Thinker #7提到“2009年12月至2010年2月”作为2010年冬季，这是错误的。根据国家气候中心的标准，冬季平均气温较常年偏低0.5℃以上才达到冷冬标准。Thinker #3和#8提出了不同观点，认为整体未达冷冬标准。

最后系统结论为，2010年冬季是一个“前冬暖、隆冬冷”的复合型冬季，在强拉尼娜事件影响下，冷空气活动频繁且强度强，尽管全国平均气温偏低幅度未 strictly 达到0.5℃标准，但综合极端天气事件和区域严寒特征，仍被权威机构判定为冷冬。这一现象体现了全球变暖背景下极端天气事件的复杂性。

记者输入“100字概括罗永浩的锤子科技倒闭原因？”系统分析显示，除了字数要求外，Thinker #1提到“内部动荡和战略摇摆”，Thinker #2提到“管理经验缺乏”，Thinker #3提到“融资困难”，Thinker #4强调“供应链”，Thinker #5提到“跨界创业”和“过度投入营销研发”，Thinker #6提到“营销成本失控”，Thinker #7提到“未能规模化盈利”，Thinker #8提到“缺乏商业运营敬畏心”和“依赖情怀”。

系统对比完8个思考后得出结论，“锤子科技倒闭核心是资金链断裂，深层原因为：产品定价过高致销量惨淡，过度重视设计与营销而忽视供应链管理与成本控制；市场竞争激烈，战略摇摆不定；创始人罗永浩的理想主义与商业现实脱节，跨界管理经验不足，最终难以为继。”

记者注意到，2025年春节前后，各大AI大模型逐步上线“深度思考”功能。目前，各大AI大模型的“深度思考”结果并非完全准确，以至于可能出现答非所问，产生虚幻结果。美团此次新模型支持“重思考”模式，相当于系统8次独立思考，再对结果进行复核。

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。

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。

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。

编辑 岳彩周

校对 穆祥桐