美团发布LongCat-2.5:1.6万亿参数全程国产算力训练,部分评测超过Claude Opus 5

11月2日,美团把新模型 LongCat-2.5 挂上了官网 longcat.ai,API 同步开放。官方给它的定义是「面向长程智能体任务的原生多模态模型」,总参数 1.6 万亿,最特别的一点是:训练全程由国产算力完成。评测结果也给了底气——多项主流基准的成绩介于 Claude Opus 4.8 与 Opus 5 之间,部分评测直接超过 Opus 5。半年前 LongCat-2.0 刚在国产算力上跑通万亿参数的全流程训练与推理,这一次,「国芯国模」四个字又往前挪了一格。
原生多模态加智能体编程,冲着最难替代的两块去
先看能力面。LongCat-2.5 把视觉输入转成模型统一处理的 token,视觉理解是原生能力而不是外挂组件,官方演示里它能直接处理交互网页和 3D 展示页面;智能体编程则靠大规模长程强化学习,重点提升端到端的工程任务能力,也就是让模型真正能把一个复杂软件项目从头做到尾,而不是只写漂亮的一段函数。对开发者来说,这两块恰恰是现在智能体产品最吃模型底子、也最难替代的部分。
一百万token长序列:单卡吞吐提升86%是怎么来的
再看工程面,这部分是整场发布里信息量最大的。长上下文训练阶段用了最长 100 万 token 的序列,累计训练量达到数万亿 token;多张算力卡协同处理这种长序列时,显存容量和卡间通信就是瓶颈。美团选择和国产算力厂商一起改:围绕超节点优化任务分工,让参数与任务数据的主要通信留在超节点内部的高速互联里完成。技术博客给出的数字是——长上下文监督微调任务中,优化后的单卡训练吞吐量比分布式数据并行基线提升 86%,相当于一张卡干出原来 1.86 张卡的活。
承认硬件约束,再围绕约束重写整个软件栈
这套优化对行业的意义不小。国产芯片单卡显存偏小是公开的现实,过去大家用集群规模硬堆;LongCat-2.5 给出的思路是承认硬件约束,然后把软件栈、通信拓扑和任务调度全部围绕它重新设计。训练效率接近翻倍意味着同样规模的算力可以训出更大的模型,或者更便宜地训出同等模型——对算力预算紧张的公司和研究机构,这是能直接折算成成本的东西。
对AI应用团队和GEO意味着什么
把视角放宽一点,美团这条路线的价值在于验证了「不用最先进的海外芯片,也能把万亿参数模型训到第一梯队」。当模型能力和算力自主这两件事不再互斥,国内做 AI 应用的团队会多出一个现实可选项。至于 GEO 侧的影响也很直接:每当一个新模型进入主流评测视野,它背后的检索与引用偏好就会重排一次,企业内容的 AI 可见性也要跟着重新校准——模型迭代越快,这种校准就越是一次持续性工程,而不是一次性优化。(文 / AI30媒体部 | 最后更新:2026年11月2日)
延伸阅读:LongCat官网收录页 | 昇腾社区收录页



