美团借鉴外卖调度机制优化大模型性能

另一个值得关注的技术创新点是 ScMoE（Shortcut-connected MoE，即捷径连接混合专家模型）。它旨在解决什么实际问题呢？传统方案中，模型需要等待一整批任务全部“打包”处理完毕后，才能进入下一批流程，这有点像早期外卖系统的运作模式——骑手必须等到所有订单都派发完成，才能出发送餐。

ScMoE 则采用了“边派单边送餐”的思路。让“骑手”在配送途中，系统就能开始为其规划并推送下一单任务。这样，核心计算过程与外部通信过程得以同步进行，整体效率的上限自然被显著提升。

实际使用体验也能印证这种效率提升。上图中的对比一目了然：左侧是 LongCat-Flash 的网页端，右侧是同样以“响应更快”著称的 Kimi 1.5。输入相同的提示词后，LongCat-Flash 几乎没有明显的“思考”停顿，内容便一行行飞速涌现；而 Kimi 1.5 在短暂停顿后，输出的节奏则显得相对缓慢。

仔细观察生成的核心代码部分，二者的输出质量不相上下。可以说，LongCat-Flash 在保持高质量的同时，确实实现了“又快又好”的效果。

当然，仅凭 LongCat-Flash 在速度和价格方面的优势，未必能立刻改写行业既有的竞争格局。毕竟在大模型这场持久战中，生态的完整性和用户的迁移成本，往往比单纯的性能参数更具决定性作用。

但它的出现传递出一个清晰的信号：美团的打法，依然是将其最熟悉的商业逻辑——把复杂问题转化为“如何高效调度运力”的命题，再辅以价格作为撬动市场的杠杆。

这恰恰让局面变得更有意思。

当其他 AI 巨头热衷于谈论模型规模、参数精度这些“上层建筑”时，美团却把焦点放在了“派单效率”和“成本曲线”这类接地气的运营指标上。这种看似朴素的切入点，反而可能成为重塑行业格局的关键变量。市场从来不乏这样的先例，就像当初的 DeepSeek 一样。

十年前，美团用一场轰轰烈烈的补贴战，烧出了一个外卖帝国。那么十年后的今天，它是否能凭借另一场围绕“推理成本”的价格战，为自己赢得大模型牌桌的一席之地？现在下结论还为时过早。但至少可以肯定，美团已经向前迈出一步，递出了它的第一张筹码。