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：
· 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 τ -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。
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。
