美团 LongCat 团队在模型正式亮相一周后,开源了 LongCat-2.5 的模型权重。这是一个总参数达 1.6 万亿的混合专家(MoE)模型,面向需要自主完成长流程、多步骤任务的 AI 智能体,尤其侧重编程场景。据美团介绍,该模型在多项基准上接近西方头部模型,并且训练全程基于中国芯片完成。

从架构看,LongCat-2.5 每个 token 只激活约 480 亿参数,属于典型的稀疏激活设计。通过 API 调用时,它支持一次性处理最多 100 万 token 的上下文,单次生成最长可达 12.8 万 token。模型可理解文本、图像与视频,输出为文本,并允许用户开关推理模式。

多模态方面,LongCat-2.5 在前代 LongCat-2.0 基础上增加了图像理解能力。与一些在事后外挂独立图像编码器的做法不同,它把图像按原生分辨率拆解为离散 token,与文本 token 一起送入模型处理,这一思路源自研究模型 LongCat-Next,目标是提升视觉编程、设计与 3D 任务的表现。

训练方法上,团队用 GitHub 拉取请求中的真实软件任务以及复现的智能体失败案例来做强化学习。为防止模型在训练中“走捷径”,开发者在训练环境里切断了互联网访问、移除了 Git 历史与缓存文件,并引入一个语言模型检查其解法是否作弊。团队还把多个专攻智能体、推理与对话的教师模型能力蒸馏进 LongCat-2.5。

算力部署是这条消息最受关注的部分。美团将专家权重与激活值量化为 4 位精度,这一精度可被中国芯片原生处理。在负载测试中,相比 8 位版本,提示处理吞吐提升 43.3%,响应生成吞吐提升 42.77%,美团称精度与未压缩模型持平。该量化版本放在独立仓库中,自托管指南描述了一个由 194 颗华为昇腾 Atlas A2 系列加速器组成的集群:2 颗负责图像处理,64 颗负责提示摄入,128 颗负责响应生成。指南中没有给出任何英伟达 GPU 的部署说明。

基准成绩方面,在衡量智能体解决命令行任务能力的 Terminal Bench v2.1 上,LongCat-2.5 得 88.4 分,略低于 Claude Opus 5 的 89.1 和 GPT-5.6 Sol 的 88.8,Deepseek-V4.1-Flash 以 90.6 分居首。在测试真实代码仓库修 bug 能力的 DeepSWE 上,LongCat-2.5 从上一代的 9.7 分跃升至 64.6 分,在表中仅高于 Claude Opus 4.8,落后于 Deepseek-V4.1-Flash 的 74.2 和 GPT-5.6 Sol 的 72.7。更难的 Terminal Bench v4.0 上,LongCat-2.5 得 38.5 分,略高于 GPT-5.6 Sol 的 37.3,但明显低于 Opus 5 的 53.9。网络搜索基准 BrowseComp 上,它拿到 91.9 分,为表中最高,不过该测试由美团在自己的环境中运行。需要说明的是,表中未纳入更新的 Claude Opus 5.5 与 GPT-6.1 Sol。

开放策略上,LongCat-2.5 的权重以 MIT 许可发布,允许商用、修改与再分发。用户也可在 longcat.ai 的聊天界面直接试用。其 API 同时兼容 OpenAI 与 Anthropic 格式,可接入 Claude Code、Codex、Hermes 等智能体框架。上线初期,美团给出限时促销价,约为每百万输入 token 0.27 欧元、每百万输出 token 1.07 欧元。

放到更大背景看,美团此前曾用超过 5 万颗中国 AI 芯片组成的集群训练前代 LongCat-2.0,更早之前该模型还以“Owl Alpha”的匿名身份出现在 OpenRouter 上。Kimi K3.1、GLM-5.3 等中国开源权重模型已在常见基准上大体追平美国头部模型,而从一开始就针对中国芯片优化的开源模型,可能让这类硬件在中国以外市场也更具吸引力。除多模态智能体外,美团还在图像生成方向布局,此前开源的 LongCat-Image 以仅 60 亿参数强调效率优先。

对产业观察者而言,这条消息的关键不只是一款模型跑分接近头部闭源产品,更在于它展示了国产算力从训练到推理部署的完整链路可行性。模型层竞争与芯片层生态相互牵引:开源权重降低了使用门槛,而针对特定硬件的量化与部署优化,则可能影响企业选择算力方案时的成本权衡。后续值得关注的是第三方复现的基准表现,以及这类模型在真实编程与智能体工作流中的稳定性。