LongCat-Flash TPS-rekenmachine
Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..
Bereken voor dit model
818 kaarten die we hebben specificaties voor
Welke GPU's kunnen draaien LongCat-Flash?
Stel de invoer in, lees het antwoord
Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..
Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.
0 kaarten passen
Berekenen| Heeft | Kwantificatie | Past | |||||
|---|---|---|---|---|---|---|---|
|
Geen kaart in onze catalogus kan dit model met deze instellingen draaien.. |
|||||||
Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Meituan Inc
- Organisatietype
- Industry
- Land
- China
- Gepubliceerd
- 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…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 560B
- Training gegevens
- 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
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 3.7 × 10²⁴ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP/parameter/token * 27000000000 active parameters * 23000000000000 tokens ["Likely" confidence, see dataset size notes] = 3.726e+24 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 720 hours (30 days)
"completing training within 30 days" (=720 hours)
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (unrestricted)
- Training code
- Unreleased
- Hugging Face
- meituan-longcat
MIT license https://huggingface.co/meituan-longcat/LongCat-Flash-Chat
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- 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) …
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- LongCat-Flash Technical Report
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Hardwarevereisten in de praktijk
LongCat-Flash bereikt een parameter telling van 560B. Dat is meer dan wat enige enkele grafische kaart bevat. Het draaien ervan betekent ofwel het splitsen over meerdere kaarten of het huren van hardware die voor de klus is gebouwd, en elke kaart die het alleen kan vasthouden, is een datacenteronderdeel. Het aantal dat kan: 0.
Over dit model
LongCat-Flash werd gepubliceerd door Meituan Inc, in het land geregistreerd als China, tijdens September 2025. De categorie waaronder de uitgever valt is industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation.
Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat de hardwarevraag hieronder op enige manier beantwoordbaar maakt. Op Hugging Face is het gepubliceerd onder de organisatie meituan-longcat.
Training en herkomst
Training kostte een rekensbudget van ongeveer 3.7 × 10²⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 23,000,000,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Stap voor stap
Hoe een GPU te kiezen voor LongCat-Flash
De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..
-
01
Controleer wat het nodig heeft voordat iets anders.
De tabel vermeldt elke kaart die in staat is om te bevatten. LongCat-Flash. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
-
02
Bepaal hoe lang je gesprekken duren
Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor LongCat-Flash.
-
03
Kies hoe ver je het wilt comprimeren
De kwantisatiekolom varieert per CARD, omdat een grotere CARD een nauwkeuriger kopie vasthoudt.. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.
-
04
Rangschik op doorvoer in plaats van specificatielijst
Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor LongCat-Flash. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte.
-
05
Kijk naar de speling, niet alleen naar de pasvorm.
Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van LongCat-Flash. Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.
-
06
Zie wat die kaart nog meer draait
Elke kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast LongCat-Flash.
Antwoorden
LongCat-Flash — veelgestelde vragen
LongCat-Flash— hoe nauwkeurig zijn deze snelheidsschattingen?
Dit zijn schattingen met echte foutmarges, en elk van hen zou redelijkerwijs ergens binnen zijn gepubliceerde bereik kunnen vallen, afhankelijk van welke runtime je gebruikt. Het snelste resultaat hier: de reeks onder elk cijfer. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.
LongCat-Flash— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
LongCat-Flash— hoeveel parameters heeft het?
Het heeft een parameter telling van 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)". Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
LongCat-Flash— wie heeft het gemaakt?
Het werd gepubliceerd door Meituan Inc, gebaseerd op China, een organisatie geclassificeerd als industry.
LongCat-Flash— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2025.
LongCat-Flash— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Question answering, Chat, Code generation, Quantitative reasoning, Instruction interpretation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
LongCat-Flash— waar kan ik het downloaden?
Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie meituan-longcat. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.
LongCat-Flash— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.7 × 10²⁴ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
LongCat-Flash— kan ik het draaien als het niet in mijn GPU past?
Gedeeltelijk. Layers die niet passen, bevinden zich in system memory en draaien met een fractie van de snelheid, dus een grotendeels gedeactiveerd model is zelden de moeite waard om te gebruiken. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 80.3 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.
LongCat-Flash— Zouden twee GPU's het sneller draaien?
Een tweede kaart verdubbelt ruwweg het beschikbare geheugen, maar niet de generatie snelheid. Het aantal dat al in staat is om het alleen te draaien: 0. Dus een tweede card is zelden het antwoord hier.
LongCat-Flash— waarom verschilt de quantisatie tussen kaarten?
Elke kaart wordt weergegeven met de minst-gecomprimeerde kopie die hij kan bevatten. Het aantal verschillende compressieniveaus op de kaarten die het kunnen houden: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.