智東西
作者 茄子
編輯 程茜

智東西7月6日?qǐng)?bào)道，美團(tuán)今日宣布開源萬億參數(shù)大模型LongCat-2.0，同步開放針對(duì)國產(chǎn)算力芯片深度優(yōu)化的推理代碼。該模型總參數(shù)達(dá)1.6萬億，平均激活約480億參數(shù)，是業(yè)界首個(gè)在五萬卡國產(chǎn)算力集群上完成全流程訓(xùn)練與推理的萬億參數(shù)模型。

▲LongCat-2.0開源（圖源GitHub）

從官方公布的數(shù)據(jù)看，LongCat-2.0具有較強(qiáng)的綜合能力。在考察深層工程能力的SWE-bench Pro種得分59.5，領(lǐng)先Gemini 3.1 Pro（54.2）、GPT-5.5（58.6）及Claude Opus 4.6（57.3）；在考察編程語言的SWE-bench Multilingual中得分77.3，與Claude Opus 4.6（77.8）持平；在真實(shí)終端指令交互評(píng)測Terminal-Bench 2.1中得分70.8。

▲LongCat-2.0與各模型的評(píng)分對(duì)比（圖源LongCat）

而在真實(shí)場景任務(wù)方面，LongCat-2.0在搜索智能體評(píng)測RWSearch得分78.8，生產(chǎn)力場景評(píng)測FORTE得分73.2，BrowseComp得分79.9，均達(dá)到或接近前沿閉源模型水平。

據(jù)智東西實(shí)測，LongCat-2.0在長文本輸出方面能夠較好地理解用戶的意思，并且能根據(jù)用戶要求生成可閱讀的長文本。在編程方面，該模型代碼的生成速度較快，但有時(shí)不穩(wěn)定，畫面會(huì)出現(xiàn)問題。

并且，該模型還具有較好的創(chuàng)意能力和3D動(dòng)畫場景生成能力，能在理解用戶的意思并立即作出反應(yīng)。此外，LongCat-2.0還具備較強(qiáng)的邏輯推理能力，在推理題目時(shí)步驟清晰簡明。

LongCat-2.0采用MoE（混合專家）架構(gòu)，原生支持100萬token超長上下文輸入。該模型在Agentic Coding（智能體編程）任務(wù)設(shè)計(jì)，在代碼理解、生成與執(zhí)行方面進(jìn)行了針對(duì)性強(qiáng)化。

LongCat-2.0有3項(xiàng)創(chuàng)新：一是LongCat稀疏注意力機(jī)制（LSA），將傳統(tǒng)平方級(jí)計(jì)算開銷優(yōu)化為線性級(jí)，有效加速百萬級(jí)長上下文的訓(xùn)練與推理；二是在MoE專家之外引入N-gram Embedding作為新的參數(shù)擴(kuò)展路徑。三是在后訓(xùn)練階段，該模型采用多教師在線蒸餾，將專家分為Agent、推理和交互三類，分別聚焦自主執(zhí)行、自適應(yīng)推理和安全對(duì)齊等核心能力。

智東西圍繞真實(shí)任務(wù)執(zhí)行與高難度推理兩個(gè)方向?qū)ongCat-2.0進(jìn)行了實(shí)測。

開源鏈接：
Model Weights:
HuggingFace:
https://huggingface.co/meituan-longcat/LongCat-2.0
Github:
https://github.com/meituan-longcat/LongCat-2.0
ModelScope:
https://www.modelscope.cn/collections/meituan-longcat/LongCat-20

Inference Code:
GPU:
https://github.com/sgl-project/sglang/pull/30042
NPU:
https://github.com/meituan-longcat/SGLang-FluentLLM/tree/npu

API Platform:
https://longcat.chat/platform/product

一、寫長文本網(wǎng)文、解AIME真題、一次生成3D像素世界

在真實(shí)任務(wù)執(zhí)行方面，我們首先測試了該模型的長文本生成與上下文一致性能力，讓模型生成一本種田文小說，并為其構(gòu)建人物設(shè)定、100章大綱及開篇導(dǎo)入，總字?jǐn)?shù)近3萬字。

可以看到，該模型對(duì)任務(wù)的理解并未出現(xiàn)偏差。無論是人物設(shè)定、世界觀，還是主要事件與高潮節(jié)點(diǎn)的把握，都較為準(zhǔn)確到位。正文的導(dǎo)入也比較抓人，開篇直接是主角穿越面臨被賣的場景，迅速進(jìn)入主題，符合網(wǎng)文的撰寫邏輯。

▲LongCat-2.0生成的長文本

接著我們對(duì)該模型在創(chuàng)意與邏輯能力上進(jìn)行了實(shí)測，讓其生成兒童訓(xùn)練游戲。第一次生成訓(xùn)練反應(yīng)力的“點(diǎn)擊消泡泡”游戲時(shí)，雖然生成的游戲可以玩，但是在畫面上出現(xiàn)了方塊和問號(hào)的錯(cuò)誤。

▲LongCat-2.0生成的有問題的“消泡泡”游戲

第二次，該模型生成了“數(shù)字華容道”的益智游戲。這次實(shí)測中，其生成代碼的速度較快，且全部代碼一次產(chǎn)出。并且，該游戲操作流暢、畫面清晰，在實(shí)測過程并未出現(xiàn)卡頓或其他錯(cuò)誤情況。

▲LongCat-2.0生成的“數(shù)字華容道”游戲

我們還對(duì)該模型在創(chuàng)建3D場景上的能力進(jìn)行了測試。讓其制作一個(gè)“在公園長椅上玩風(fēng)車的小朋友”的3D像素藝術(shù)作品。該模型的理解能力較好，第一次生成便成功完成了3D像素藝術(shù)場景的搭建，構(gòu)建了天空、樹木、長椅、風(fēng)車、小朋友等完整元素。

▲LongCat-2.0生成的3D動(dòng)畫場景

為了驗(yàn)證其邏輯推理能力，我們選擇了一道AIME 2026真題。題目如下：

▲AIME 2026真題

這道題考察的是對(duì)數(shù)還原、指數(shù)方程、根與系數(shù)關(guān)系以及質(zhì)因數(shù)分解，適合考察模型的推理能力。LongCat-2.0的思考過程在1分鐘以內(nèi)，并用四個(gè)步驟就解答了這個(gè)問題，得到了正確結(jié)果441。該模型在這一案例中表現(xiàn)非常穩(wěn)定，說明其在標(biāo)準(zhǔn)數(shù)學(xué)競賽題上的推理鏈路和計(jì)算執(zhí)行較為可靠。

▲LongCat-2.0對(duì)AIME真題的解題步驟

二、數(shù)據(jù)查詢、代碼遷移、游戲開發(fā)、3D演示、小說創(chuàng)作——一個(gè)模型全搞定

在官方內(nèi)測期間，美團(tuán)征集了大量一線用戶任務(wù)需求，LongCat-2.0在多個(gè)實(shí)際場景中展現(xiàn)出完整的閉環(huán)交付能力：

通過LongCat-2.0搭建AI SQL Agent：業(yè)務(wù)人員可以直接用自然語言查詢數(shù)據(jù)。LongCat-2.0可以自動(dòng)完成全鏈路閉環(huán)，包括理解問題意圖、規(guī)劃查詢步驟，并將數(shù)據(jù)結(jié)果轉(zhuǎn)化為清晰的業(yè)務(wù)洞察。

▲LongCat-2.0的內(nèi)測（圖源LongCat）

代碼庫遷移：給定舊版插件代碼庫與新SDK文檔，LongCat-2.0能夠自行分析架構(gòu)、梳理邏輯，將整個(gè)插件重構(gòu)為新API實(shí)現(xiàn)，保留全部功能、修復(fù)隱患，編譯一次通過。

▲LongCat-2.0的內(nèi)測（圖源LongCat）

完整應(yīng)用開發(fā)：在該模型中輸入“兒童AI游戲訓(xùn)練場”創(chuàng)意，模型逐步生成技術(shù)選型、頁面架構(gòu)、游戲邏輯與視覺細(xì)節(jié)，從首頁到三個(gè)完整可玩游戲全部代碼一次產(chǎn)出。

▲LongCat-2.0在內(nèi)測中生成的兒童訓(xùn)練游戲（圖源LongCat）

3D交互演示：LongCat-2.0通過一句話描可以生成完整Three.js 3D演示，透明燒瓶、熒光液體、泡沫噴發(fā)、液面下降與堆積效果全部可交互呈現(xiàn)，所有代碼封裝在單個(gè)HTML文件中。

AI小說工廠：基于LongCat-2.0構(gòu)建的多Agent寫作流水線，輸入靈感后自動(dòng)完成世界觀構(gòu)建、并行章節(jié)生成、質(zhì)量評(píng)估與回流修訂。依托長上下文能力保障百萬字級(jí)設(shè)定一致性，內(nèi)容可自動(dòng)適配多平臺(tái)發(fā)布，實(shí)現(xiàn)持續(xù)穩(wěn)定的連載輸出。

三、稀疏注意力、N-gram嵌入與多教師蒸餾三項(xiàng)優(yōu)化并行

LongCat-2.0沿用了LongCat-Flash的整體設(shè)計(jì)，并圍繞長上下文、代碼與智能體場景做了三項(xiàng)關(guān)鍵優(yōu)化：

面向智能體任務(wù)中動(dòng)輒百萬Token的長輸入場景，LongCat-2.0引入了稀疏注意力機(jī)制（LSA），通過流感知索引、跨層索引和層級(jí)化索引三項(xiàng)策略，有效減少了碎片化訪存和重復(fù)計(jì)算，在模型質(zhì)量不降級(jí)的前提下，讓百萬級(jí)長上下文的訓(xùn)練與推理速度大幅提升。

▲LongCat稀疏注意力設(shè)計(jì)總覽（圖源：LongCat）

LongCat-2.0在MoE專家之外新增了一條參數(shù)擴(kuò)展路徑——N-gram Embedding。之所以做這個(gè)選擇，是因?yàn)槟Ｐ偷腗oE稀疏度已接近 97%，繼續(xù)堆專家的收益十分有限。相比之下，將135B參數(shù)投入N-gram Embedding，收益明顯更高。該模塊占總參數(shù)比例控制在10%以內(nèi)，在參數(shù)效率與結(jié)構(gòu)穩(wěn)定性之間取得了平衡。

▲N-gram Embedding總覽（圖源：LongCat）

在后訓(xùn)練階段，LongCat-2.0通過多教師在線蒸餾，將專家劃分為Agent、推理和交互三類，各司其職，分別主攻自主執(zhí)行、自適應(yīng)推理和安全對(duì)齊。最終借助MOPD架構(gòu)在國產(chǎn)算力集群上將三類能力無縫融合，使模型同時(shí)具備深度推理能力、自主執(zhí)行能力和精準(zhǔn)交互能力。

▲基于MOPD的多專家后訓(xùn)練架構(gòu)總覽（圖源：LongCat）

結(jié)語：萬億參數(shù)開源背后，Agent模型開始走向真實(shí)生產(chǎn)力

在此之前，國內(nèi)雖已有基于國產(chǎn)芯片開展模型推理、微調(diào)后訓(xùn)練的相關(guān)方案，但LongCat-2.0是國內(nèi)首個(gè)完全依靠國產(chǎn)算力完成訓(xùn)練與推理全流程的萬億參數(shù)模型，峰值訓(xùn)練規(guī)模超過5萬張國產(chǎn)算力卡，是迄今為止國產(chǎn)算力平臺(tái)上規(guī)模最大的訓(xùn)練任務(wù)。

當(dāng)前，大模型競爭正逐漸從參數(shù)規(guī)模轉(zhuǎn)向真實(shí)生產(chǎn)力。未來，Agent執(zhí)行能力、工程能力以及軟硬件協(xié)同優(yōu)化，或許將成為下一階段開源模型競爭的新焦點(diǎn)，而LongCat-2.0已經(jīng)率先給出了自己的答案。

來源：美團(tuán)