美團正式宣佈開源其萬億參數大模型LongCat-2.0，並同步開放了針對國產算力芯片深度優化的推理代碼。該模型總參數規模達到1.6萬億，平均激活參數約480億，是業界首個在超過五萬張國產算力卡集群上完成全流程訓練與推理的萬億參數模型。
從官方公佈的評測數據看，LongCat-2.0在多項基準中展現出較強的綜合能力。在考察深層工程能力的SWE-bench Pro評測中，該模型得分59.5，領先於Gemini 3.1 Pro的54.2、GPT-5.5的58.6以及Claude Opus 4.6的57.3。在考察多語言編程能力的SWE-bench Multilingual中，LongCat-2.0得分77.3，與Claude Opus 4.6的77.8基本持平。在真實終端指令交互評測Terminal-Bench 2.1中，該模型也取得了70.8的分數。
在真實場景任務方面，LongCat-2.0在搜索智能體評測RWSearch中得分78.8，在生產力場景評測FORTE中得分73.2，在BrowseComp評測中得分79.9，均達到或接近前沿閉源模型的水平。實測顯示，該模型在長文本生成、創意任務、3D動畫場景構建以及邏輯推理方面均有不錯表現，例如在解答AIME 2026真題時，其推理步驟清晰，並得出了正確結果。
LongCat-2.0採用MoE（混合專家）架構，原生支持100萬token的超長上下文輸入。模型在Agentic Coding（智能體編程）任務上進行了針對性強化，具備較強的代碼理解、生成與執行能力。技術層面，該模型引入了三項關鍵創新。首先是LongCat稀疏注意力機制（LSA），將傳統平方級的計算開銷優化為線性級，有效加速了百萬級長上下文的訓練與推理。其次，在MoE專家之外，模型引入了N-gram Embedding作為新的參數擴展路徑，該模塊佔總參數比例控制在10%以內，在專家稀疏度已接近97%的情況下，提供了更高效的參數利用方式。最後，在後訓練階段，模型採用多教師在線蒸餾，將專家劃分為Agent、推理和交互三類，分別聚焦自主執行、自適應推理和安全對齊等核心能力，並通過MOPD架構在國產算力集群上實現能力融合。
此次開源不僅提供了模型權重，還公開了針對GPU和NPU的推理代碼，並上線了API平臺。在官方內測期間，LongCat-2.0已在多個實際場景中展現出閉環交付能力，包括搭建AI SQL Agent實現自然語言數據查詢、完成舊版代碼庫向新API的完整遷移、根據一句話描述生成可交互的Three.js 3D演示，以及構建多Agent寫作流水線支撐百萬字級小說的連載輸出。
LongCat-2.0的開源，標誌著國內大模型發展進入新階段。此前，國內雖有基於國產芯片進行模型推理或微調的方案，但LongCat-2.0是首個完全依靠國產算力完成訓練與推理全流程的萬億參數模型，其峰值訓練規模超過5萬張國產算力卡，是迄今為止國產算力平臺上規模最大的訓練任務。這一進展驗證了國產芯片在支撐超大規模AI訓練上的可行性，也為後續更多基於國產基礎設施的模型研發提供了可參考的技術路徑。隨著大模型競爭從參數規模轉向真實生產力，Agent執行能力、工程能力以及軟硬件協同優化，正成為下一階段開源模型競爭的焦點。