LongCat-Flash TPS kalkulátor
Každá karta níže je hodnocena podle tohoto modelu na základě délky kontextu a minimální kvality, kterou si zvolíte. Rychlost je odhad pro jednotlivý požadavek, vypočítaná z paměťové šířky karty a velikosti modelu po kompresi..
Vypočteno pro tento model
818 karty, které máme specifikace pro
Které GPU mohou spustit LongCat-Flash?
Nastavte vstupy, přečtěte si odpověď
Delší konverzace potřebuje více paměti, což může tento model vytlačit z menších karet..
Skrývá karty, které by se do modelu vešly pouze jeho stlačením pod tento bod.
0 karty odpovídají
Vypočítávání| Potřebuje | Kvantisace | Pohodlné | |||||
|---|---|---|---|---|---|---|---|
|
Žádná GPU karta v našem katalogu nemůže spustit tento model s těmito nastaveními.. |
|||||||
Rychlosti jsou odhady pro jednoho žadatele — jednu konverzaci najednou — vypočítané z šířky pásma paměti, velikosti modelu a kvantizace. Skutečný průchod se liší s výkonem inference a jeho verzí. Čísla zveřejněná výrobci hardwaru měří mnoho simultánních požadavků a jsou mnohem vyšší..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Meituan Inc
- Typ organizace
- Industry
- Země
- China
- Publikováno
- 1 September 2025
- Autoři
- Meituan LongCat Team, Bayan, Bei Li, Bingye Lei, Bo Wang, Bolin Rong, Chao Wang, Chao Zhang, Chen Gao, Chen Zhang, Cheng Sun, Chengcheng Han, Chenguang Xi, Chi Zhang, Chong Peng, Chuan Qin, Chuyu Zhang, Cong Chen, Congkui Wang, Dan Ma, Daoru Pan, Defei Bu, Dengchang Zhao, Deyang Kong, Dishan Liu, Feiye Huo, Fengcun Li, Fubao Zhang, Gan Dong, Gang Liu, Gang Xu, Ge Li, Guoqiang Tan, Guoyuan Lin, Hai…
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 560B
- Výcviková data
- 23,000,000,000,000 tokens
"560 billion total parameters, featuring an innovative Mixture-of-Experts (MoE) architecture. The model incorporates a dynamic computation mechanism that activates 18.6B∼31.3B parameters (averaging∼27B)"
"(1) We train the model on approximately 20 trillion tokens with 8192 sequence length to establish a robust base model. (2) Reasoning and coding capabilities are further enhanced using trillions of data. (3) The context length is extended to 128k through training on long context corpora." With "Likely" confidence we may assume theytrained on total of 23T tokens
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 3.7 × 10²⁴ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP/parameter/token * 27000000000 active parameters * 23000000000000 tokens ["Likely" confidence, see dataset size notes] = 3.726e+24 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Doba reálného času
- 720 hours (30 days)
"completing training within 30 days" (=720 hours)
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Open — downloadable
- Přístup k modelu
- Open weights (unrestricted)
- Tréninkový kód
- Unreleased
- Hugging Face
- meituan-longcat
MIT license https://huggingface.co/meituan-longcat/LongCat-Flash-Chat
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Likely
Table 3 "LongCat-Flash Base model achieves performance on par with state-of-the-art base models despite its compact active/total parameter size. Although Llama-4-Maverick has fewer activated and total parameters, LongCat-Flash Base surpasses both on nearly all benchmarks." "It achieves the highest score of 89.65 on IFEval, outperforming all other models and demonstrating superior reliability in adhering to complex and nuanced directives. Furthermore, it secures the best score on COLLIE (57.10) …
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- LongCat-Flash Technical Report
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Hardwarové požadavky v praxi
LongCat-Flash dosahuje počtu parametrů 560B. To je nad rámec toho, co jakákoliv jednotlivá GPU karta pojme. Spuštění znamená buď rozdělení na několik karet, nebo pronájem hardwaru určeného k této práci, a každá karta schopná to unést samostatně je součástí datacentra. Počet, který může: 0.
O tomto modelu
LongCat-Flash byl zveřejněn Meituan Inc, v zemi zaznamenané jako China, během September 2025. Kategorie, do které vydavatel spadá, je industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation.
Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou. Na Hugging Face je publikováno pod organizací meituan-longcat.
Trénink a původ
Trénování si vyžádalo výpočetní rozpočet přibližně 3.7 × 10²⁴ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 23,000,000,000,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Krok za krokem
Jak vybrat GPU pro LongCat-Flash
Stůl výše již posoudil každou kartu, pro kterou máme specifikace, proti tomuto modelu. Dostání se k vaší odpovědi trvá šest kroků.
-
01
Zkontrolujte, co to potřebuje před čímkoli jiným.
Tabulka uvádí každou kartu, která je schopna pojmout LongCat-Flash. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
-
02
Rozhodněte, jak dlouho vaše konverzace běží
Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro LongCat-Flash.
-
03
Vyberte, jak moc to budete komprimovat.
Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii.. Nastavení minimální kvality odstraňuje karty, které pouze splňují tuto kvalitu tím, že ji dále stlačují více, než byste chtěli, a udržuje srovnání na jedné úrovni.
-
04
Hodnoťte podle propustnosti spíše než podle specifikace
Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro LongCat-Flash. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti.
-
05
Podívejte se na rezervu, ne jen na padnutí
Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě LongCat-Flash. Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.
-
06
Podívejte se, co dalšího ta karta spouští
Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě LongCat-Flash.
Odpovědi
LongCat-Flash — běžné otázky
LongCat-Flash— Jak přesné jsou tyto odhady rychlosti?
Toto jsou odhady s reálnými chybami a kterýkoli z nich může rozumně spadnout kamkoli v jeho publikovaném rozmezí v závislosti na tom, který run AI model použijete. Nejrychlejší výsledek zde: rozsah pod každou hodnotou Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.
LongCat-Flash— Je to OPEN SOURCE?
Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.
LongCat-Flash— kolik má parametrů?
Má počet parametrů 560B. "560 billion total parameters, featuring an innovative Mixture-of-Experts (MoE) architecture. The model incorporates a dynamic computation mechanism that activates 18.6B∼31.3B parameters (averaging∼27B)". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
LongCat-Flash— Kdo to vytvořil?
Bylo to publikováno společností Meituan Inc, zakládající se na China, organizace zařazená jako industry.
LongCat-Flash— Kdy byl vydán?
Bylo to zveřejněno v September 2025.
LongCat-Flash— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
LongCat-Flash— kde si to mohu stáhnout?
Jeho váhy jsou publikovány na Hugging Face, pod organizací meituan-longcat. Na našem webu nenabízíme soubory modelů — tento web vypočítává, jaký hardware je potřebný pro jejich spuštění.
LongCat-Flash— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.7 × 10²⁴ FLOP. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
LongCat-Flash— Mohu to spustit, pokud se to nevejde do mé GPU?
Částečně. Vrstvy, které se nevejdou, sedí v systémové paměti a běží jen při zlomku rychlosti, takže většinou odložený model není často použitelný. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 80.3 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.
LongCat-Flash— Běhalo by to rychleji na dvou GPU?
Druhá karta přibližně zdvojnásobí dostupnou paměť, ale ne rychlost generování. Počet, který je již schopen ji spustit sám: 0. Takže druhá karta je tu zřídka odpovědí.
LongCat-Flash— proč se kvantizace liší mezi kartami?
Každá KARTA je zobrazena, jak běží nejméně komprimovaná kopie, kterou může udržet. Počet různých úrovní komprese napříč KARTAMI, které ji vejít: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.