LongCat-Flash calculateur TPS
Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..
Calculé pour ce modèle
818 cartes dont nous détenons les spécifications pour
Quelles GPU peuvent exécuter LongCat-Flash?
Définir les entrées, lire la réponse
Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..
Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..
0 cartes correspondent
Calcul en cours| Besoin | Quantification | Convient | |||||
|---|---|---|---|---|---|---|---|
|
Aucune carte dans notre catalogue ne peut exécuter ce modèle avec ces paramètres.. |
|||||||
Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Meituan Inc
- Type d'organisation
- Industry
- Pays
- China
- Publié
- 1 September 2025
- Auteurs
- 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…
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 560B
- Données d'entraînement
- 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
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 3.7 × 10²⁴ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP/parameter/token * 27000000000 active parameters * 23000000000000 tokens ["Likely" confidence, see dataset size notes] = 3.726e+24 FLOP
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Temps en temps réel
- 720 hours (30 days)
"completing training within 30 days" (=720 hours)
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- Unreleased
- Hugging Face
- meituan-longcat
MIT license https://huggingface.co/meituan-longcat/LongCat-Flash-Chat
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- 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) …
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- LongCat-Flash Technical Report
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Exigences matérielles en pratique
LongCat-Flash atteint un nombre de paramètres de 560B. Cela dépasse ce que peut contenir une seule carte graphique. L'exécuter signifie soit le répartir entre plusieurs cartes, soit louer du matériel conçu pour cela, et chaque carte capable de le contenir seule est une pièce de datacenter. Le nombre qui peut : 0.
À propos de ce modèle
LongCat-Flash a été publié par Meituan Inc, dans le pays enregistré comme China, durant September 2025. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation.
Les poids publiés signifient que le modèle fonctionne sur votre machine plutôt que sur celle de quelqu'un d'autre, ce qui rend la question matérielle ci-dessous répondable. Sur Hugging Face, il est publié sous l'organisation meituan-longcat.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 3.7 × 10²⁴ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 23,000,000,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.
Étape par étape
Comment choisir un GPU pour LongCat-Flash
Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..
-
01
Vérifiez ce dont cela a besoin avant toute autre chose
La table répertorie chaque carte capable de supporter LongCat-Flash. Aucun montant de puissance de traitement ne compense une carte qui ne peut pas la supporter.
-
02
Décidez combien de temps vos conversations tournent
Les conversations plus longues coûtent de la MÉMOIRE en plus de ce dont les POIDS ont besoin. Déplacez le curseur à votre longueur de travail réelle avant de faire confiance à une ligne pour LongCat-Flash.
-
03
Choisissez jusqu'où vous allez le compresser
La colonne de quantification varie selon la carte, car une plus grande carte contient une copie plus précise.. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
-
04
Classer par débit plutôt que par fiche technique
Le classement par tokens par seconde suit la bande passante de la VRAM plutôt que le nombre de cœurs, pour LongCat-Flash. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire.
-
05
Regardez la marge de manœuvre, pas seulement le fit.
Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de LongCat-Flash. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
-
06
Voir ce que cette carte exécute d'autre.
Chaque page de carte répète ce balayage pour chaque modèle que nous détenons, répondant à ce que le matériel peut faire d'autre au-delà de LongCat-Flash.
Réponses
LongCat-Flash — questions courantes
LongCat-Flash— quelle est la précision de ces estimations de vitesse ?
Ce sont des estimations avec de véritables barres d'erreur, et n'importe lequel d'entre eux pourrait raisonnablement se situer n'importe où dans sa plage publiée en fonction du temps d'exécution que vous utilisez. Le résultat le plus rapide ici : la plage sous chaque chiffre. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.
LongCat-Flash— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
LongCat-Flash— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 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)". Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
LongCat-Flash— qui l'a créé ?
Il a été publié par Meituan Inc, basé sur China, une organisation catégorisée comme industry.
LongCat-Flash— quand a-t-il été publié ?
Il a été publié dans September 2025.
LongCat-Flash— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
LongCat-Flash— où puis-je le télécharger ?
Ses poids sont publiés sur Hugging Face, sous l'organisation meituan-longcat. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.
LongCat-Flash— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.7 × 10²⁴ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
LongCat-Flash— Puis-je l'exécuter s'il ne tient pas dans ma GPU?
Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. La plus proche approximation que nous calculons est inférieure de 80.3 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.
LongCat-Flash— deux GPUs l'exécuteraient-ils plus rapidement ?
Une seconde carte double à peu près la mémoire disponible mais pas le taux de génération. Le nombre déjà capable de le faire seul : 0. Ainsi, une seconde carte est rarement la réponse ici.
LongCat-Flash— pourquoi la quantification diffère-t-elle entre les cartes ?
Chaque carte est montrée en exécutant la copie la moins compressée qu'elle peut contenir. Le nombre de niveaux de compression distincts parmi les cartes qui la supportent : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.