11 月 2 日，美团 LongCat 团队放出 LongCat-2.5：总参数 1.6 万亿的 MoE 模型，每个 token 激活约 480 亿，定位是「面向长程智能体任务的原生多模态模型」。longcat.ai 同步开放体验，API 一并上线。官方评测口径写得很克制：多项主流基准成绩落在 Claude Opus 4.8 与 Opus 5 之间，部分项目超过 Opus 5。

▲ 官网主视觉：Native multimodality and long-horizon agency leap forward

上一篇 LongCat-2.0 是今年 6 月 29 日发的，当时的叙事重点是「首次在国产算力上完成万亿参数模型的全流程训练与推理」。四个月后的 2.5 没有换口号，参数量也没动，还是在 1.6T 这个量级上做加法：一块加原生视觉，一块加长程智能体编程，再顺手把国产算力上的训练与推理效率抬了一截。

这篇拆解的判断先放前面：LongCat-2.5 真正值得看的不是参数表，而是它把「显存小、互联受限」的硬件约束当成了设计输入。 下面分产品经理和开发两个视角展开。

一、先分清这轮发布到底发了什么

很多人会把「美团发布大模型」理解成发布一个聊天机器人。实际盘点下来，11 月 2 日这一轮动作覆盖四层：

• 模型本体：LongCat-2.5，1.6T 总参数、48B 激活的 MoE，官网可体验；
• 开发者通道：API 同步上线，官方点名兼容 Claude Code、Codex、Hermes 等主流 agent harness；
• C 端入口：美团旗下 AI 助手「龙猫」App（App Store 在架，v1.11.0，9 月 17 日更新），是模型的用户侧表面；
• 商家侧产品：基于 LongCat 系列的 AI 经营工作台「妙手」（CatPaw），已服务古茗、徐升记、益禾堂等连锁品牌。

这四层不是并列关系。王兴在 8 月 28 日的二季度财报电话会上说过：AI 能力的长期价值，是能否真正进入真实工作流、解决真实问题，「我们不会成为 Token 工厂」。模型、API、App、妙手，都是这句话的具体化。

一句话概括产品策略：模型是底座，变现路径不在卖 Token，而在喂自己的主业场景。 这个判断的依据是官方对 2.5 的能力强化方向——商业分析、软件开发，恰好对应妙手和内部工程两条业务线。

二、产品经理视角

2.1 目标用户：三层人，三种用法

第一层是普通用户。龙猫 App 首屏给的功能入口很直白：深度思考、智能问答、智能联网、创意作图、拍照识图、音视频通话。这个组合说明产品团队把 C 端定位成「全能助手」，对标的是通用 AI 助手赛道，而不是美团App里的某个垂直功能。

第二层是本地生活商家。妙手切入的场景是品牌经营分析、门店管理、增长获客，这类需求的特点是高频、重复、强数据依赖，恰好是 agent 形态最划算的落点。

第三层是开发者。API 兼容主流 harness 这件事的含义是「你可以把 LongCat-2.5 塞进现有的 Claude Code 工作流里试」，迁移成本接近零。对一家模型后发者来说，降低试用门槛比强调参数更有说服力。

三层用户对应三种价值主张，但共享同一个底层逻辑：让模型进工作流，不是让用户进聊天窗。

2.2 核心需求：商家要的不是对话，是拿结果

妙手的设定很能说明问题。

它要求模型理解行业指标和品牌规则，在商家授权范围内调用工具与系统，最后完成经营任务的执行。对话只是外壳，交付物是决策和动作。

官方技术博客里有一个品牌多渠道经营分析的案例，完整走了一遍流程：模型自主构建渠道利润表，识别出支付 GMV 增长 23.2%、渠道利润却下降 1.7% 的增长质量问题，再结合清货经济价值、用户复购与库存风险，给出差异化的资源配置建议。从核算、诊断到建议，一条链走完。

▲ 模型到商家之间还隔着 Harness 执行引擎与妙手两层工程，权限与数据主权在这一层落地

我对这个案例的解读要打个折扣：它是官方挑选的示范场景，代表能力上限，不代表妙手在所有商家那里的实际表现。但它至少证明了一件事：美团对「好模型」的定义是能完成多步经营任务，benchmark 分数只是这个定义的代理指标。（推断，置信度中；依据是官方叙事重点与妙手的功能设计高度一致。）

2.3 功能设计：C 端六个入口背后的取舍

龙猫 App 的六个功能气泡里，最扎眼的是「音视频通话」。这本质上是把模型的实时视觉理解做成了通话形态：你把摄像头对着一座古建，它能边看边答。官方应用商店截图里，这个场景的演示对象是应县木塔——模型一边识别建筑，一边给出辽清宁二年（1056 年）建造、世界现存最高大的纯木结构楼阁式建筑这类背景信息。

实时视觉理解被做成「通话」而非「上传识图」，意味着延迟预算压到了对话级别。 这背后就是 3.4 节那组 W4A4 的延迟数字。

▲ 官方截图：首屏六个功能入口，LongCat 的品牌口号是「不止更快」

▲ 官方截图：联网问答会标注「已阅读 4 个网页」，结论句带引用角标

▲ 官方截图：音视频通话形态的实时视觉理解，页面提示「说话或者点击打断」

联网问答的设计也有个细节：回答里标注「已阅读 4 个网页」，关键结论句挂引用角标。把信源透明做成产品默认项，这在 C 端 AI 助手里不算普遍，说明团队清楚可信度是搜索场景的胜负手。（推断，置信度高；对照同类产品普遍不展示阅读量的现状。）

2.4 价值主张：成本曲线是 C 端体验的隐藏变量

模型推理成本直接决定免费额度能给多大、响应能做多快。2.5 在 W4A4 量化后，线上压测的输入处理和逐 token 生成吞吐都提升了约四成，首字等待时间缩短约 16%，后续每个 token 的生成耗时缩短约 20%。这些数字对用户不可见，但它们决定了「音视频通话可通话 30 分钟」这类产品承诺的可行性。

PM 视角的总结：LongCat-2.5 的产品故事不在模型榜单上，而在「模型效率 → 产品承诺 → 商业闭环」这条传导链上。

三、开发视角

3.1 架构底座：1.6T MoE 加一套统一 token 空间

先看骨架。1.6 万亿总参数、每 token 激活约 480 亿，MoE 稀疏激活，基于 2.0 迭代而来。真正有信息量的是多模态的实现方式。

主流做法是外挂一个视觉编码器（常见 ViT），把图像转成连续特征再对齐到语言模型。LongCat-2.5 走的是另一条路：视觉信号被表示为多层级离散 token，和文本共用一套主干处理格式。具体分三步——先用语义对齐编码器（SAE，沿用 LongCat-Next，arXiv 2603.27538）提取原生分辨率特征，再用残差向量量化（RVQ）把特征离散化以克服视觉离散化的信息瓶颈，最后由 visual de-tokenizer 负责重建。

▲ 视觉离散 token 与文本 token 在主干侧无差别处理，码本 embedding 与主干联合学习

这个设计有两个工程上的连带好处。其一，tokenizer 固定之后，视觉 token ID 可以离线预计算并缓存，主干只处理预 tokenize 后的序列，长序列的 packing 与分布式切分因此简化，各 DP rank 的模态比例还能保持近似均匀。其二，官方在约 3B 激活参数的小 MoE 上做了验证，t-SNE 显示视觉与文本嵌入在共享语义空间里交织，说明「统一 token 空间」不只在输入格式上成立，在表征层面也有交代。

多模态这块的结论：离散化换来了训练管线的大幅简化，代价和收益都在表征质量上，Vision2Web 78.6、VideoMME 85.2 的成绩可以当作这份答卷的期中分数。

3.2 关键实现：长程 RL 的任务合成、防作弊与异步采样

Agentic RL 是这轮升级里密度最高的部分，拆开是四个环节。

任务从哪来。 团队搭了一条数据合成流水线：筛选 GitHub PR 及其关联 issue，用 agent 标注任务并合成可交互环境，再用 F2P（fail-to-pass）和 P2P（pass-to-pass）测试验证任务的有效性，不通过的不进任务池。内部真实编码任务用来扩展日常工程需求的覆盖面。这条链路的关键在于「可验证」——没有可自动判分的测试用例，RL 的奖励信号就无从谈起。

采样怎么提速。 长程任务的 rollout 长尾极重，少量跑不完的轨迹会拖住整个 batch。做法是异步 partial rollout：一个完整 batch 收齐后，在途轨迹被中断、保存、恢复，按预计算通过率提高超采样比例，全成功或全失败的零梯度组直接过滤。

陈旧性怎么处理。 异步采样必然带来一个问题：同一条轨迹里的 token 可能来自不同的历史 checkpoint。对策是对采样策略与当前策略的 log-prob 差异做裁剪，并按累积历史差异重新缩放每个 token 的梯度贡献。这套处理和业界主流的异步 RL 框架思路一致，但官方把它写进了博客，说明在自家任务分布上调过参。

作弊怎么堵。 reward hacking 在 agent 任务里是头号敌人：模型可能改测试、翻缓存、查答案。官方的环境侧防护有三层——任务环境禁用网络访问、移除 git 历史与缓存文件、用 LLM judge 审计轨迹中的漏洞利用行为；行为侧再加两项：重复推理与重复工具调用额外惩罚，正样本之间重新分配奖励以抑制过度思考和响应长度膨胀。

▲ 合成、验证、采样、过滤、矫正、防作弊：每个环节都对应一类失效模式

此外还有跨任务、跨 scaffold 的混合训练：训练时混合对齐不同 benchmark 的任务，按不同比例扩展对应 scaffold，让任务间的性能增益互相强化。以及保留了 2.0 的多教师方案（MOPD）：专家群覆盖 agent 能力、推理、交互三个域，学生在线采样，教师通过全词表 KL 散度施加约束，教师响应切成定长片段形成 per-cut 前缀，同一轨迹的前缀共享 prefill 计算与 KV cache，用 Tree Attention 一次前反向完成整组训练。

RL 链路的结论：LongCat-2.5 的 agent 能力提升不是「喂了更多数据」，而是把任务构造、采样效率、信号可信度三个环节都工程化了。 Terminal Bench v4.0 从 2.0 的 3.0 分涨到 38.5，DeepSWE 从 9.7 涨到 64.6，幅度之大侧面说明上一代的瓶颈在训练链路，在基座本身。

3.3 技术难点：国产算力显存不够，拓扑来凑

这是整篇发布里最「基建」的部分。约束条件很具体：国产 AI 加速器单卡显存不到 80GB，而中训练阶段要用最长约 1M token 的序列做长上下文训练，累计训练量达数万亿 token。

核心思路是让并行分组对齐硬件拓扑：FSDP 度数与专家并行（EP）度数取超节点内加速器数，这样参数 all-gather、专家 token 的 all-to-all、KV all-gather 这三类重通信全部留在超节点内的高速互联上完成，不跨节点。跨超节点靠双分片 FSDP（HSDP 副本）把 FP32 主权重和优化器状态进一步分片摊开。

▲ 超节点感知并行：通信路径跟着硬件拓扑走，而不是让数据迁就并行策略

细节上还有一串：混合词表并行把 base embedding、LM head、N-gram embeddings 在 DP×CP 域分片；基于阈值的动态专家复制只在 EP 负载不均衡达到阈值时启用，避免通信开销反噬；零拷贝 AllGather/ReduceScatter、AIV 通信缓解 AI-CPU 任务扩展瓶颈、ScMoE 让 EP 通信与 dense 分支计算重叠。结果落在纸面上：长上下文 SFT 任务中，单卡吞吐较 DDP 基线提升 86%，相当于一张卡干完原来约 1.86 张卡的活。

配套的还有训推数值一致性：解耦训练、prefill、decode 的并行配置，同时保持逐 token log-prob 位级一致（沿 IsoExec、GLM-5、XoRL 一脉的方法），TP 用 full-K GEMM 替代分段求和，DCP 用稀疏注意力 kernel 复现 decode 的 KV 分区与归约顺序。位级一致的意义在于大规模 RL 可以放心用推理引擎跑 rollout，不用怀疑训练与推理的数值漂移。

基建部分的结论：这套优化没有引入任何新硬件，它证明的是「万亿 MoE 的训练瓶颈可以靠并行策略与通信路径的重排来消化」。

3.4 W4A4 推理：位宽砍一半，吞吐抬四成

推理侧的问题同样具体：1.6T 的 MoE，如果位宽下不去，线上成本会把能力优势吃回去。

方案是 W4A4：专家权重和激活同时量化到 4 比特，在国产加速器的原生 INT4 矩阵单元上跑矩阵乘。精度方面基于 FlatQuant 的可学习等价变换做改进；系统方面有个聪明的设计——跨专家共享输入变换，让 token 在复制与 dispatch 之前就完成量化，同一份 INT4 表示贯穿专家通信与计算，省掉来回反量化的开销。

线上压测对比 W8A8 INT8 基线的结果：

指标	相对 W8A8 基线
Prefill 吞吐	+43.3%
Decode 吞吐	+42.77%
首字等待 TTFT	-15.91%
每 token 生成耗时 TPOT	-19.72%
GMM 算子平均加速	1.73×

▲ 五项指标全部向好；官方称已评测的下游任务表现与量化前相当

W4A4 这步棋的动机不难推：国产卡上算力跟得上、显存和带宽吃紧，把位宽打下来等于同时缓解访存与容量两个瓶颈。（推断，置信度高；与单卡显存不足 80GB 的约束互为印证。）

rollout 侧还有一组配合动作：prefill-decode 分离、LSA 跨层预取（偶数层 top-k 索引复用给下一奇数层，奇数层全量 KV 卸载到 host，decode KV 容量近乎翻倍且不增加 TPOT）、HiCache 与 Mooncake 的权重与缓存管理，压测里 P/D 实例比 3:2 表现最佳。这些合起来支撑的就是大规模长程 RL 的 rollout 吞吐。

3.5 评测表怎么读：自测口径与两处短板

官方给了一张很长的评测表，覆盖代码 Agent、通用 Agent、视觉三类。挑几行有信息量的：

Benchmark	LongCat-2.5	对比参照
Terminal Bench v2.1	88.4	Opus 5 为 89.1，GPT-5.6-Sol 为 88.8
Terminal Bench v4.0	38.5	Opus 5 为 53.9*，明显领先的是 Opus 5
BrowseComp	91.9	超过 GPT-5.6-Sol 的 90.4*
SWE Atlas Refactoring	55.2	高于 GPT-5.5 的 44.8
VideoMME	85.2	低于 kimi-k3 的 90.0*

注：带 * 的是其他模型的公开报告数据，其余为官方自测。

读这张表有两个纪律。第一，自测与公开报告混合口径，横向对比只能看趋势，不能抠小数点。第二，短板是真实的：VideoMME 落后于 kimi-k3 与 GPT-5.6-Sol，Terminal Bench v4.0 与 Opus 5 差距不小。一份把短板也印出来的评测表，比只挑赢的行更值得信任，但信任不等于免除复核。

开发视角的总评：这是一篇「系统工程密度」远超「模型叙事密度」的发布——参数没涨，涨的是任务合成、通信路径、量化位宽这些不起眼地方的数字。

四、总结性思考

把两边的观察合起来看。产品侧，美团的路径是把模型嵌进自己的主业：妙手对接商家，龙猫对接用户，API 对接开发者，三条线的共同点是都要模型「干活」而不只是「聊天」。技术侧，支撑这个定位的恰好在那些不性感的地方：离散视觉 token 换来的训练管线简化、超节点拓扑对齐换来的 86% 吞吐、W4A4 换来的四成推理吞吐。

▲ 稀疏激活的隐喻：1.6 万亿参数里，每一步只有约 3% 在工作

「国芯国模」这个词容易被读成情怀叙事，但 LongCat-2.5 给了它一个工程解释：当单卡显存、卡间互联这些物理约束无法绕开时，把它们写进并行策略和量化方案的设计输入里，约束本身就成了技术路线。这套打法对后续要在国产算力上训大模型的团队有直接的参考价值。

遗留的问题也有三个。一是权重开源时间表未定，第三方复测要等 GitHub 与 HuggingFace 权重上线之后才能展开；二是评测表的自测口径需要时间沉淀为社区共识；三是「部分评测超过 Opus 5」的成色，要等真实开发者把它接进 Claude Code 或 Codex 的日常工作流之后，才见分晓。

如果只记一句话：LongCat-2.5 把竞争的计分板从「参数有多大」换成了「单位成本下能干完多少长程任务」，这个计分板的切换比任何单点分数都重要。

---

附录：信源分级

级别	内容	出处
A	发布时间、1.6T/48B 参数、原生多模态实现（SAE/RVQ/离线预计算/3B 验证）、RL 链路细节（F2P/P2P、partial rollout、staleness 处理、防作弊三层、MOPD）、基建数字（+86%、W4A4 五项压测、LSA、P/D 3:2）、评测表全部数值	LongCat-2.5 官方技术博客（longcat.ai/blog/longcat-2.5，2026-11-01/11-02）
A	API 同步上线、官网开放体验、「成绩介于 Opus 4.8 与 Opus 5 之间」口径、王兴财报电话会引述、妙手服务古茗/徐升记/益禾堂、经营分析案例（GMV +23.2%/利润 -1.7%）	上海证券报、证券时报、证券日报、环球网 2026-11-02 报道，均转述官方口径
A	龙猫 App 版本与功能截图	App Store（trackName「LongCat-美团旗下AI助手龙猫」，sellerName「Beijing Sankuai Online Technology Co., Ltd.」，bundleId com.meituan.longcat，v1.11.0，2026-09-17 更新）
B	GitHub 与 HuggingFace 权重「即将上线」	AIbase / 站长之家 2026-11-02 报道，官方博客未提及，待官方确认
B	龙猫 App 当前版本由 LongCat-2.5 驱动	App 截图仅证明产品形态，官方未逐项标注 App 内模型版本
C	「成本曲线决定 C 端产品承诺的可行性」；「评测短板来自离散视觉 token 的表征取舍」	作者推断，置信度中；前者依据 W4A4 数字与产品形态的对应关系，后者为对 VideoMME 落后现象的一种候选解释，未经官方证实

另：正文中的官方截图均为龙猫 App 的 App Store 官方截图，是 LongCat 系列的 C 端客户端形态，非模型本身的界面；矢量示意图与概念图为本篇根据官方技术博客整理绘制，不作为独立证据使用。