AREX Feed Article
美团 LongCat-2.5 补全技术报告：总参 1.6 万亿、激活约 480 亿，API 已接入但权重未开源
据科技媒体 11 月 2 日报道，美团 LongCat 团队在 9 月 25 日上线的 LongCat-2.5-Preview 基础上正式推出 LongCat-2.5，并补全了完整技术报告和评测对比表。模型总参数 1.6 万亿，每个 token（词元）激活约 480 亿，能力方向从此前的纯语言模型转向原生多模态与长程 agentic 编码（面向长时程智能体任务的编程能力）。按 CocoLoop 的核实，官网已经可以试用，API 也已接入，但权重没有同步放出——页面上的 GitHub 和 Hugging Face 入口都写着「敬请期待」。
与上一代对照，差别集中在开放方式上。6 月 30 日的 原话是「发布并开源」（introducing and open sourcing），总参数与激活规模和 2.5 相同， 上的 LongCat-2.0 仓库以 MIT 许可证公开。而目前，meituan-longcat 组织页面展示的仓库里没有 LongCat-2.5， 组织页仍把 LongCat-2.0 标为最新模型。
图：LongCat-2.5 发布横幅，官方物料称其「原生多模态模型，为智能体任务而生」（美团技术团队物料，转载）。
发布日期各说各话，官网首页仍挂着「Preview」
这次发布连日期都有两个口径。CocoLoop 把补全报告的动作记在 11 月 1 日；同在 11 月 2 日刊发的什么值得买报道写的则是「11 月 2 日，美团龙猫发布 LongCat-2.5」。截至发稿，官方渠道拿不出能对上任何一个日期的时间戳： 首页产品名仍是「LongCat-2.5-Preview」，本报道也没有找到带可核实发布时间的官方公告页。
两个日期之间能确认的是时间线的两端：预览版 9 月 25 日上线，参数规模和 100 万 token 上下文与现在的正式版一致；一个多月后，完整技术报告和评测表补齐。按什么值得买的读法，这轮升级「不是又大了一圈，而是同一副身板换了训练目标」。
评测表：对 2.0 是十倍级涨幅，对 Opus 5 互有胜负
官方对比表列出 30 多项评测，CocoLoop 转录的代表性项目如下（分数均为官方公布口径）：
| 评测 | LongCat-2.5 | LongCat-2.0 | GPT-5.6 Sol | Opus 5 | GLM-5.3 | Kimi K3 | DeepSeek V4.1 Flash |
|---|---|---|---|---|---|---|---|
| Terminal Bench v4.0 | 38.5 | 3.0 | 37.3 | 53.9 | 41.8 | 12.6 | 31.2 |
| Program Bench | 25.5 | 2.5 | 23.0 | 37.0 | 19.0 | 17.5 | 20.3 |
| DeepSWE v1.1 | 64.6 | 9.7 | 72.7 | 68.8 | 66.9 | 67.5 | 74.2 |
| NL2Repo | 60.5 | 40.9 | 56.8 | 75.3 | 58.0 | 58.0 | 65.4 |
| BrowseComp | 91.9 | 79.9 | 90.4 | 90.8 | 81.0 | 91.2 | 91.5 |
| 3DCodeBench | 55.4 | – | 52.3 | 54.3 | 53.4 | 49.3 | 53.3 |
进步最大的是需要长时间跑完整工程的任务：Terminal Bench v4.0 从 2.0 版的 3.0 涨到 38.5，Program Bench 从 2.5 涨到 25.5，都超过十倍；什么值得买补充的官方口径里，BrowseComp、PaperBench、AutomationBench 三项智能体任务分别从 79.9、45.2、15.8 涨到 91.9、82.1、51.8。BrowseComp 的 91.9 是表内最高分，比 Opus 5 的 90.8 高 1.1 分，CocoLoop 提到官方表格里 ResearchRubrics、ALE、3DCodeBench 也由 LongCat-2.5 居首。但多数写代码项目仍落后 Opus 5，DeepSWE v1.1 的 64.6 更是上表几家里最低，DeepSeek V4.1 Flash 同项拿到 74.2。
读这张表有三条官方自己写明的限制。其一，对比集不含 GPT-6 系列、Opus 5.5 和 Fable 5.1；其二，带星号的对手分数取自公开报告，未带星号的是美团自测，公司给整张表标了「仅供参考」；其三，不同项目用的 harness（评测运行框架）和参数并不一致。CocoLoop 的结论是：目前没有看到独立机构的复现结果，这些分数暂时只能当作美团的自述。
发布当天还有一份官方榜单之外的实测样本。什么值得买转述，B 站 UP 主「AI产品狙击手」把正式版接进 Agent 跑了一套自研基准：SVG 图里的空间关系和物理逻辑画得混乱，浏览器操作系统和 Trello 看板能跑起功能，弹窗层级与拖拽残留则露了怯，3D 赛车不崩但观感一般。它不是按同一套基准做的复测，只是单个使用者的样本；该文作者给出的建议也是「再等等」，理由是官方对比里的 OpenAI 模型还是 GPT-5.5 与 GPT-5.6-Sol，不含已经露面的 6 系。
图像以离散 token 进主干，训练图里不再有视觉编码器
多模态部分的机制是把图像编码成多层级的离散 token，与文本共用同一种 token 形式进主干，模型不需要先「看图说话」再由语言模型转述。视觉 tokenizer（分词器）是固定的，token ID 可以提前算好并缓存，训练计算图里因此不再有视觉编码器。按团队的说法，这简化了长序列打包，也改善了分布式训练的负载均衡。官方把这套能力与编程打包宣传为 Visual Coding，演示包括实时流体模拟、3D 文物展示和城市沙盘。
失败轨迹进训练集，LLM 裁判防钻空子
长程任务的能力靠大规模强化学习堆上去。CocoLoop 描述的做法是：训练任务从 GitHub 公开仓库和内部代码场景合成，真实 Agent 跑失败的轨迹也会被转成可复现的训练题。为防止模型在任务里投机取巧，环境会切断网络、清除 git 历史和文件缓存，另有一个 LLM 裁判（judge）审查轨迹，对重复思考和重复调用工具额外扣分。
单卡显存不足 80 GB：两组自报数字，三个没填的空
技术报告花了大量篇幅讲国产加速卡，单卡显存不足 80 GB 是反复出现的约束。公开的两组优化结果是：长序列训练改用面向超节点设计的 FSDP（Fully Sharded Data Parallel，完全分片数据并行）配置后，单卡吞吐比 DDP（Distributed Data Parallel，分布式数据并行）基线提升 86%；推理侧把专家权重和激活都量化到 4 bit 的 W4A4 方案在线上压测中对比 W8A8（权重与激活均为 8 bit）基线，prefill（预填充）吞吐提升 43.3%，decode（解码）提升 42.77%，TTFT（首 token 延迟）和 TPOT（单 token 生成时延）分别下降 15.91% 和 19.72%。
这些数字都是公司自报口径，报告没有写明用的是哪家厂商的卡、多少张、训练成本几何。硬件背景可以从上一代找到官方坐标：LongCat-2.0 的技术博客称，其训练与部署完全建在 AI ASIC 超节点上，预训练用了超过 5 万颗 AI ASIC、跨超过 35 万亿 token、累计数百万加速卡日，并明确写到这些加速卡的单卡显存明显低于 80 GB 的 H800。另据什么值得买转述智嗨网与 AI早餐汇，LongCat-2.5 全程在国产算力上训练，团队与芯片合作方为配套软件先后解决了 200 多项改进需求和 bug；两条均为转述口径。
价格与开源时间都空着，评测表暂时无法独立复现
正式版技术博客没有列 API 价格。预览版当时给的是限时价，什么值得买提到官方上线过 9.9 元的限时福利包，新价格要以开放平台公告为准。开源时间同样没有给出。CocoLoop 的判断是：权重放出后，外界才能自己验证这张评测表。