美团LongCat团队近日宣布开源LongCat-Flash-Prover，这是一款面向数学推理与形式化定理证明任务的5600亿参数MoE模型。根据公开信息，该模型已在GitHub、Hugging Face和ModelScope上线，并采用MIT许可证发布。此次开源的重点不只是参数规模，更在于其面向Lean4形式化证明语言的针对性设计，以及在公开基准测试中交出的高分成绩。
聚焦Lean4形式化证明，拆解三项核心能力
从技术路线来看，LongCat-Flash-Prover并非单纯追求大模型参数扩张，而是将形式化推理流程拆解为三个相对独立、但又可协同工作的能力模块：其一是自动形式化，即把自然语言表述的数学问题转换为Lean4可识别的形式化陈述；其二是证明草图生成，用于构建类似引理框架的证明结构；其三是完整证明生成，直接产出可供验证的正式证明。
这三项能力都通过与Lean4编译器的实时交互来验证，团队采用了所谓的Tool-Integrated Reasoning（TIR）机制。简而言之，模型不只是“写出答案”，还要在工具链中接受即时校验，从而提高证明过程的可执行性与可信度。这种思路也意味着，模型输出不再停留在语言层面的“看起来合理”，而是朝着机器可验证的严谨推理迈进。
训练框架强调稳定性，降低长链推理失真
在训练方法上，团队提出了Hybrid-Experts Iteration Framework来生成冷启动数据，并在强化学习阶段引入HisPO算法，以提升MoE模型在长周期任务训练中的稳定性。对于形式化证明这类高约束、高步骤的任务而言，训练稳定性尤为关键，因为一旦在中间推理环节发生偏差，后续证明链条往往会整体失效。
此外，团队还加入了定理一致性与有效性检测机制，目的是防止训练过程中出现“奖励黑客”问题。换言之，模型不能通过投机方式“骗过”评分系统，而必须在形式逻辑上真正满足证明要求。这一点对于自动定理证明模型尤其重要，也为后续学术研究和工业场景部署提供了更可靠的基础。
基准成绩亮眼：MiniF2F-Test通过率97.1%
从公开基准结果看，LongCat-Flash-Prover在多个任务上刷新了开源权重模型的表现。最受关注的是，该模型在MiniF2F-Test上取得97.1%的通过率，且每题仅需72次推理。这一成绩显示出其在复杂形式化数学任务中的高成功率与较强推理效率。
除MiniF2F-Test外，LongCat-Flash-Prover在ProverBench上达到70.8%，在PutnamBench上达到41.5%，且每题推理次数不超过220次。在自动形式化与定理证明两个方向上，团队称其已达到开源模型中的SOTA水平。对于关注AI基础设施、科研自动化与数学推理能力边界的市场参与者而言，这样的成绩意味着开源模型正在快速缩小与顶级闭源系统之间的差距。
对AI与加密市场的潜在启示
虽然这则消息本身并非传统意义上的加密货币项目融资、代币上线或链上协议更新，但它仍可能对AI叙事主导下的数字资产市场产生间接影响。近一年来，AI大模型、算力基础设施、开源生态和工具链平台，已逐步成为加密市场中一个持续受到关注的主题。美团此次开源高性能定理证明模型，进一步强化了“开源AI能力正在加速外溢”的市场预期。
对加密行业而言，形式化验证本身也具有现实价值。智能合约安全、零知识证明、链上协议审计以及复杂机制设计，都高度依赖严谨的数学与逻辑验证工具。如果面向Lean4这类形式化语言的模型能力持续增强，未来或有助于降低部分高门槛验证工作的技术门槛，并提升开发效率与安全性。不过，从当前披露内容来看，LongCat-Flash-Prover主要聚焦于数学推理与定理证明，尚不能直接等同于链上安全产品或Web3专用模型。
市场层面，相关消息更可能提升投资者对AI基础模型、开源推理框架、算力与开发工具生态的关注度，而非立即带来某一具体加密资产的基本面变化。对于交易者而言，这类新闻通常更适合作为主题轮动和行业趋势观察的参考，而非直接构成投资依据。尤其在AI与加密概念交叉频繁的环境下，区分“技术突破”“叙事放大”和“商业落地”之间的差异，依然十分重要。
总体来看，美团LongCat团队此次开源LongCat-Flash-Prover，既展示了中国团队在形式化推理模型上的研发进展，也释放出一个清晰信号：开源大模型正加速进入更高难度、更强调可验证性的专业任务领域。随着5600亿参数规模、MIT许可证开放方式以及97.1%通过率等关键指标被市场关注，这一成果有望在AI研究、开发工具链以及与加密安全相关的形式化验证场景中，持续引发讨论。