LongCat-Flash-Chat

Fiche modèle · Meituan · longcat-flash-chat

LongCat-Flash-Chat is Meituan's first open-source foundation model, a 560B parameter Mixture-of-Experts (MoE) model that dynamically activates 18.6B-31.3B parameters (~27B average) based on contextual demands. It features Zero-Computation Experts for efficient routing and supports 128K context. Optimized for conversational and agentic tasks, it shows competitive performance across reasoning, coding, instruction following, and domain benchmarks with particular strengths in tool use and complex multi-step interactions. Achieves over 100 tokens per second on H800 GPUs.

Fiches modèles

Identité

Organisation	Meituan
Pays	—
Famille	—
Type	llm
Date de sortie	2025-08-29
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 560 Md > 107 Md
Modalités	text
Fenêtre de contexte	131 072
KV cache / token (Q8)	344.1 ko/token
Paramètres totaux	560 B
Paramètres actifs (session)	27 B
Source des paramètres actifs	web : https://huggingface.co/meituan-longcat/LongCat-Flash-Chat
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:30.574437Z
Mis à jour le	2026-11-04T06:04:50.323194Z
Source	LLM Stats
URL	https://llm-stats.com/models/longcat-flash-chat

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non — hors DGX Spark (> 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
chat	0.70
instruction_following	0.90
language	0.90
legal	0.90
math	0.80
physics	0.70
reasoning	0.70
structured_output	0.90
finance	0.90
frontend_development	0.60
general	0.70
healthcare	0.90
agents	0.40
biology	0.70
chemistry	0.70
code	0.60
communication	0.70
tool_calling	0.70

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2025	math	0.61	1.00	0.61	non	oui	2026-11-04T06:04:50.361639Z
cmmlu	language	0.84	1.00	0.84	non	oui	2026-11-04T06:04:50.459490Z
drop	reasoning	0.79	1.00	0.79	non	oui	2026-11-04T06:04:50.393216Z
gpqa	reasoning	0.73	1.00	0.73	non	oui	2026-11-04T06:04:50.373192Z
humaneval	reasoning	0.88	1.00	0.88	non	oui	2026-11-04T06:04:50.413422Z
ifeval	chat	0.90	1.00	0.90	non	oui	2026-11-04T06:04:50.351601Z
livecodebench	reasoning	0.48	1.00	0.48	non	oui	2026-11-04T06:04:50.403099Z
math-500	math	0.96	1.00	0.96	non	oui	2026-11-04T06:04:50.356792Z
mmlu	general	0.90	1.00	0.90	non	oui	2026-11-04T06:04:50.333653Z
mmlu-pro	language	0.83	1.00	0.83	non	oui	2026-11-04T06:04:50.341036Z
swe-bench-verified	reasoning	0.60	1.00	0.60	non	oui	2026-11-04T06:04:50.423160Z
tau2-airline	chat	0.58	1.00	0.58	non	oui	2026-11-04T06:04:50.453101Z
tau2-retail	communication	0.71	1.00	0.71	non	oui	2026-11-04T06:04:50.443120Z
tau2-telecom	communication	0.74	1.00	0.74	non	oui	2026-11-04T06:04:50.432849Z
terminal-bench	reasoning	0.40	1.00	0.40	non	oui	2026-11-04T06:04:50.429609Z
zebralogic	reasoning	0.89	1.00	0.89	non	oui	2026-11-04T06:04:50.396966Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
chat	43	0.70	21.10	2	trueskill	2026-11-04T08:08:43.789169Z	rankings
agents	142	—	9.17	1	trueskill	2026-10-19	model_history
code	161	—	12.26	4	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04