Meituan LongCat

数据路线一句话

全自建，配比披露集中在预训练阶段切换：先降采样低价值垂类，再把 STEM 与代码推到 70%。

六层明细

• L1 语料：>20T token，8K 序列，30 天。Stage 1 用 SampleMix 类方法降采样广告、体育、招聘并上采样科学；Stage 2 将 STEM + 代码提到 70%。长上下文：80B（8k 到 32k）+ 20B（到 128k）；仓库级代码 20B token [1]。
• L2 授权：未披露。
• L3 人工：仅安全类提到人工复核，无条数。
• L4 RL 环境：agentic 合成覆盖 40 个领域、约 1,600 个应用、80,000 个 mock 工具；验证器为沙箱测试、规则与生成式 RM；未命名 RL 环境 [1]。
• L5 合成蒸馏：mid-training 的推理与代码数据来自预训练检索加合成（知识图谱遍历、多阶段精修、文本与计算验证），规模表述前后不一致（"trillions"对"hundreds of billions"）；总占比未披露。后续 LongCat-Flash-Thinking-2601 称 256K 阶段另 40B token，并用混合合成管线补真实 agentic 轨迹稀缺（仅见摘要转述 ⚠️）[2]。
• L6 回流政策：未披露。

自建与供应商

自建，未点名供应商。

反向供给与争议

只开源权重，不发布数据集。未查到蒸馏争议。