一段宣传视频里，AI根据几张图片生成网页，已经很难让开发者感到惊讶。真实的软件项目远比演示复杂：一个看起来很简单的按钮变更，可能牵涉路由、权限、数据库、前端状态与自动化测试；一个模型在前十分钟表现完美，到了第四次修改时却忘掉最初的限制条件。企业关心的正是这种长程执行能力。11月2日，美团正式发布LongCat-2.5，定位为面向长时间智能体任务的原生多模态模型。官方给出的模型规模是总参数1.6万亿、每Token约激活480亿参数；训练全程使用国产算力，长上下文训练、强化学习、视觉理解和编程能力被放在一条技术路径上推进。[1][2]
在中国互联网企业自研模型的竞争中，这次发布有两个尤其值得研究的看点。其一，模型团队把真实智能体失败轨迹转换成可复现的训练任务，试图从“模型会写代码”走向“模型能够完成一个复杂软件任务”。其二，美团公开了一组罕见的工程效率数据：在相关长上下文训练测试中，优化后单卡吞吐量较DDP基线提升86%；采用W4A4方案的推理系统相对于W8A8基线，输入处理与逐Token生成吞吐量提升约四成。这些指标来自厂商测试，仍需第三方按照相同任务条件核验，但它们让模型能力与基础设施的关系变得更清楚。[1]
一、总参数与单Token激活参数如何区分
LongCat-2.5采用稀疏激活路线：模型总容量很大，但每个Token只调用其中部分参数。按官方公布的1.6万亿总参数和480亿激活参数粗略相除，单Token参与计算的参数约占3%。这个比例只是一种帮助读者理解架构的简化计算，不代表推理设备只需存放3%的模型权重；专家权重仍要在显存、内存或其他存储层中组织，路由、缓存和跨卡通信也会产生开销。对于多专家模型，激活参数规模、专家负载均衡、批处理、跨卡带宽和KV缓存管理都会影响吞吐量。总参数决定一定程度上的表达容量，激活参数更接近单步主要计算负担，两者都需要放到具体系统里观察。
开发者购买API时通常感知不到这些底层细节，但会直接体验到首字等待时间、连续生成速度、并发限制与服务费用。智能体任务与普通问答相比，成本结构尤其复杂。一条“帮我修好这个页面”的请求，可能先读取数十个文件，再调用搜索、运行测试、定位异常、修改代码、重新测试，每轮都会把部分历史结果带入上下文。即使模型单步推理速度有所提高，失败重试和长上下文读写仍可能成为总费用的主要来源。稀疏激活的系统设计会影响软件产品的端到端完成时间。企业可以同时记录每项可验收任务的完成成本与人工干预时间；每百万Token报价只能反映其中一部分。
二、长程强化学习：把失败经历变成下一次训练的起点
美团官方技术介绍提到，团队增加了长轨迹训练数据，并把真实智能体工作中的失败路径转化为可复现、可验证的任务，再用于补充训练。[2] 这项工作比多收集一些好看的代码示例更复杂。一次软件开发失败可能并不发生在最终输出，而是发生在中途：模型误判当前代码结构，调用工具读取错文件，修改接口却没有更新测试，或者在依赖安装失败后进入无意义循环。只有把失败发生的位置、环境状态、可用工具和期望结果保存下来，模型训练才有机会学习为什么这一行动序列没有完成目标。否则，把整个失败对话送回模型，常常只能得到一段事后解释。
长程强化学习也给评测方式提出要求。假设一个任务需要30个步骤，每一步独立成功率都是98%，且只要任何一个关键步骤错误就导致任务失败，粗略相乘后的全链路成功率约为55%。这是为了说明误差累积而构造的数学示意，现实步骤并不独立，有些错误可恢复，有些错误会连锁传播。它仍然揭示了长任务研发的难点：某个模型在短题上接近满分，并不保证它能稳定完成几十次工具调用。更重要的训练目标包括识别自己是否偏离任务、在证据不足时继续收集信息、优先选择可逆操作、保留修改前后状态，以及发现失败时及时回滚。能够把失败轨迹变成训练资产的团队，往往也在建设一套高质量的软件任务评测基础设施。
三、让视觉进入行动回路
LongCat-2.5使用多层级离散Token表示视觉信号，让视觉和文本进入统一的Token处理流程。这样的设计让模型有机会在同一条任务链中关联界面截图、代码文件、交互操作与用户的自然语言要求。设想产品经理发来一张活动页截图，要求把布局调整成两栏并保留移动端适配。一个完整的开发过程，需要识别页面视觉层级，理解现有组件结构，推断哪些样式规则影响呈现，再修改代码、启动本地预览并检查截图。难点是把视觉差异转化成可执行、可验证的修改步骤。单纯识别出“这里是一张网页”，还无法完成改版。
原生视觉与语言处理还有一个工程上的收益：视觉信息不必完全先交由独立OCR或描述模型压缩成文字，再送给代码模型。这有机会减少传递过程中的信息丢失，但具体效果取决于分辨率、视觉Token数量和训练数据覆盖度。若页面包含细微的布局错位、复杂图表或隐藏交互状态，仅凭单张截图仍不足以判断程序行为，智能体需要结合DOM、浏览器调试协议、运行日志与自动化测试。美团将Visual Coding、交互网页和3D展示页面列为能力方向，是一个有市场指向的选择：越来越多的软件项目从视觉草图开始，却最终要交付可维护的系统。行业未来会更加看重视觉结果的重复生成质量、浏览器行为一致性和跨终端验收能力。
四、1M Token长序列训练，是一次系统工程考试
官方披露，在中训练阶段，LongCat-2.5采用最长可达100万Token的序列，累计相关训练量达到数万亿Token。[1] 这里的“训练时使用最长100万Token序列”，与用户在所有在线接口上都能稳定调用100万Token上下文，属于不同层次的信息。长序列让模型有机会学习跨文件关联、历史任务记忆和延迟反馈，但训练成本并不随上下文长度线性、简单地下降或上升。注意力计算、KV缓存存储、跨卡通信和训练样本拼接方式，会共同决定系统能承受多长的轨迹。数据本身也要经过精心组织：如果一条轨迹中混杂大量与任务无关的日志，长窗口可能只是让模型读到更多噪声。
美团与国产算力供应商围绕超节点进行协同优化，把参数和任务数据的主要通信尽可能限制在高速互联范围内。官方报道指出，在所测长上下文监督微调任务中，优化后的单卡吞吐较DDP基线提升86%。对1.86倍这一相对结果应使用准确口径：它是特定训练任务、软硬件与基线下的吞吐比较，不代表所有训练步骤、所有国产卡、所有模型均会自动提高86%。对研发团队有启发的是方法论。模型架构、并行切分、显存容量与互联拓扑必须联合设计；当任务从短文本扩展为大规模视觉加长轨迹时，算力规划也应该围绕真实工作负载开展，而不是只用浮点运算峰值比较硬件。
五、W4A4推理把算力效率带回产品定价
LongCat-2.5采用W4A4方案，让权重和激活以4比特格式表示，并针对国产AI加速器进行推理优化。[1] 如果只从理论存储看，4比特是8比特的一半，但实际模型服务不会因此自动得到两倍吞吐。量化比例、缩放参数、反量化开销、算子融合、内存访问与硬件指令支持都会影响结果；长程智能体还受到网络和外部工具执行时间影响。美团公开的线上压测结果是，相比W8A8 INT8基线，输入处理和逐Token生成吞吐量均提升约四成，首Token等待时间缩短约16%，后续单Token生成耗时缩短约20%。这几个数字描述了不同维度，不能把它们相加当作总任务耗时降幅。更合理的做法是把一次真实任务拆成模型推理、工具执行、等待、重新执行和人工审批等阶段，逐项观察优化收益。
对于长期运行的AI工作台，推理效率提升有机会产生连锁效应：在相同设备规模下增加同时服务的用户数，或者在相同并发下缩短排队时间。假设一个内部系统每天执行1万次模型调用，每次平均输出2000Token，仅输出部分就是2000万Token；如果每个Token实际推理成本下降20%，长期运营费用会出现可观变化。但模型不能只为了压缩计算而牺牲任务可靠性。量化模型如果在工具参数、JSON结构或精细代码修改上产生更多错误，节约的推理成本很容易被重试抵消。企业进行选型时，最好以相同任务集比较W4A4与高精度方案的验收通过率、端到端时间和总费用，并针对结构化输出单独测试。
六、为什么一家做本地生活的平台，要持续投入通用模型
美团围绕模型投入并非完全脱离主业。在其发布材料中，LongCat-2.5被放入商家经营分析、软件开发和智能体协同场景；公司还介绍了基于LongCat系列打造的AI经营工作台“妙手”，面向连锁商家提供经营分析、门店管理与增长获客支持。官方列举了古茗、徐升记、益禾堂等使用案例。[1] 对经营平台来说，商家每天都会面对订单、活动、库存、毛利、履约和客户评价，这些数据既有结构化表格，也有截图、商品图片与业务文本。多模态模型如果能读取数据并按授权调用工具，便有机会从“给商家出一份分析”延伸到“帮助商家完成部分重复的经营动作”。
发布材料还有一个具体案例：模型分析某品牌多渠道业务时，发现支付GMV增长23.2%，而渠道利润下降1.7%，进而检查库存、复购和促销效率。这里的23.2%与1.7%来自厂商展示案例，并不能推导出所有商家都会出现同样指标。[1] 但这个场景非常真实。对于商家，销售额增长并不保证净收益改善；促销成本、渠道抽佣、退货和库存积压可能吞掉收入增加带来的收益。一个业务助手若能从利润表出发，找到数据间的矛盾，再给出可执行的调整建议，它在经营组织中的价值可能远高于一个通用聊天入口。平台积累的业务规则、商家授权体系以及工作流接口，也可能成为通用模型能力之外的重要竞争基础。
七、从单项指标评测到任务交付评测
LongCat-2.5公布的基准成绩涉及与国际闭源模型和开源模型比较，官方称部分任务表现具有竞争力。[1] 读者在理解这些排行榜时，还需要知道是否使用了相同工具、相同思考预算、相同图像分辨率、相同提示模板和重复运行次数。单个代码题完成与整套软件项目交付之间，存在集成、性能、安全、测试、日志和回滚等大量工作。一个模型若善于生成样式，却在修改数据库迁移时不够谨慎，也难以被直接授权操作生产环境。真实产品选型越来越需要跨任务评测：从打开一个未知代码仓库开始，能否定位问题、修改文件、通过测试、生成变更说明，并在必要时等待人工批准。
更有价值的长期评测应该保留失败类型。例如代码确实能运行但破坏现有接口，截图看起来一致但移动端溢出，单元测试通过但部署环境缺少密钥；这些问题都与实际工程能力密切相关。对开发团队而言，记录模型每次操作、提交可追溯的补丁以及让用户随时接管，比宣传模型“拥有工程师水平”更有实际意义。LongCat-2.5把失败轨迹转为训练数据的路线，正好对应这一需求。后续如果能看到公开权重、可复现的长任务集、不同国产算力平台上的结果和真实部署中的稳定性指标，技术社区就能更全面地评价这次升级。
八、国产算力与大模型协同，争夺的是完整的软件栈
国产算力训练1.6万亿参数模型，对外界最直观的意义是验证了大型模型能够在新的硬件生态中完成训练。但工业化交付需要一套远比“跑通一次训练”复杂的软件栈，包括算子库、并行框架、量化工具、推理服务、指标采集、故障恢复和模型版本管理。美团公开的长序列吞吐与W4A4数据，显示模型团队正在把这些环节放到共同优化的框架中。对芯片公司而言，能够适配真实大模型的系统性能，比实验室里单个算子的峰值更容易形成长期客户关系；对模型供应商而言，软硬件协同能够缓解对单一计算平台的依赖。
LongCat-2.5把多模态能力、长程任务训练和推理成本放进同一套经营指标。1.6万亿参数只是这套系统的一部分。行业已经积累了足够多“模型能做”的演示，现在更需要“模型能稳定做完”的交付。它是否会成为开发者长期选择的产品，后续要看API价格、在线延迟、工具调用准确率、权重开放情况，以及复杂代码库任务的独立复现。美团有现实业务场景检验模型，其他行业企业则可以从这次发布中得到一个清晰启示：在智能体时代，模型训练策略与业务工作流、硬件适配和工程治理，必须一起设计。
参考资料
- 美团新闻中心／经济观察报｜《美团发布LongCat-2.5大模型，“国模国芯”实现新突破》，2026-11-02。模型参数、国产算力、1M训练序列、86%吞吐、W4A4性能及妙手案例。https://www.meituan.com/news/NN261102280001343
- LongCat官方技术博客｜《Introducing LongCat-2.5: Native Multimodality for Agentic Tasks》，标示2026-11-01、2026-11-02发布期查阅。长程轨迹、失败任务转训练样本及视觉Token路线。https://longcat.ai/blog/longcat-2.5
- IT之家｜《美团龙猫发布LongCat-2.5原生多模态AI模型：1.6T参数，面向长程智能体任务》，2026-11-02。参数及产品功能交叉核查。https://www.ithome.com/1/020/873.htm
- 美团LongCat开放平台｜官方API服务，2026-11-03查阅。用户体验与开发者接入渠道。https://longcat.chat/platform/product
编辑说明： 吞吐量、基准成绩、业务分析案例均来自美团或其发布材料；正文的成功率、调用量和费用案例为说明工程机制而设定，不属于厂商实验结果。