11月2日,外卖平台美团发布了1.6万亿参数的大模型LongCat-2.5。参数不是重点——它最值得看的做法,是把AI智能体真实跑砸的任务,变成下一轮训练题。
一、先看事实清单
- 规模:1.6万亿总参数,每个token激活约480亿,MoE稀疏架构
- 原生多模态:图像和文本转成同一套离散token,由一个主干统一处理,不是两个模型拼起来
- 定位:长程agent任务——复杂代码库开发、完整项目交付、GUI操作
- 上下文:9月25日上线的Preview版标称100万token,11月2日转为正式版
- 可用性:已在 longcat.chat 和API平台开放,兼容 Claude Code、Codex、OpenCode、Cline 等主流工具
- 开源:官方称GitHub与Hugging Face发布"即将到来"——目前尚未落地
(来源见文末)
LongCat-2.5 是上一代 LongCat-2.0 的升级,官方点名补强两块:原生视觉理解和智能体编码。相比单纯堆参数,这一代的卖点更偏向"能不能把活干完"。
对使用者来说,判断标准很简单:它能不能在你不在场的时候,把一个几小时长的任务跑完不出错。这也是各家大模型今年集体转向agent的原因——聊天窗口里的胜负,已经分不出增量了。
二、真正的变化:失败即数据
过去训练agent,主流做法是拿静态数据集反复刷分。题目是别人设计好的,考完和真实使用是两回事。
美团这次公开的方法换了条路:
- 把线上真实agent的失败轨迹,转成可复现、可验证的训练任务
- 配合长任务序列的轨迹数据和大规模长程强化学习
- 模型哪里弱,就针对性补哪里的数据
一句话:生产事故变成教材。刷榜数据测的是"会不会做题",失败轨迹暴露的是"干活时会在哪一步掉链子"。
举个例子:agent跑到第十几步时调错接口、改代码时漏改了测试——这类细节在通用数据集里几乎不会出现,却是长任务成败的关键。把它们逐个变成考题,针对性远高于继续堆通用语料。
这个方向也呼应了行业判断:agent的价值在"跑几小时的长任务",不是"答对一句话"。模型能撑多久不跑偏,比单题得分更重要。
三、国产芯片这条线
美团称,长上下文训练和W4A4推理(4bit权重+4bit激活)都在国产芯片上完成优化,还做了训练与推理的数值一致性工作,让大规模长程强化学习能持续运转。
这句话的信息量在于:万亿级模型的完整训练+推理链路,不再默认绑定NVIDIA。
W4A4把权重和激活都压到4bit,显存占用和带宽需求大幅下降,同一张卡能承载更大的模型、跑出更高吞吐。对国产卡来说,这是最现实的追赶抓手——单卡性能追不上,就先在工程优化上追平可用性。
国产算力正在从"能跑通"走向"跑得好":能优化到4bit量化推理这个深度,说明工具链和工程经验都跟上了。
对开发者来说,实际影响是:这类模型的API成本和供应稳定性,有机会摆脱对单一海外算力的依赖。
四、别急着封神
官方基准表的数字确实好看,但有三点要清醒:
- 全部为自报数据,未经独立验证
- 有领先也有落后:Terminal Bench v2.1 得88.4(上代70.8),AutomationBench 51.8(上代15.8);但 Program Bench 只有25.5,对照表里最高一项是37
- 开源承诺未兑现,权重和许可证都没公布
后续要看三件事:权重何时放出、许可证是否宽松、第三方评测机构跑出来的分数和自报差多少。开源模型的公信力,从来不是发布会给的,是社区复现给的。
LongCat-2.5 真正值得跟踪的不是参数量,而是"失败轨迹→训练任务"这套闭环,究竟能不能撑住长任务。