美团的 1.6 万亿参数模型：对 Opus 5 是 10 胜 17 负，卡是国产的
11 月 2 日上午，美团技术团队发布了新一代模型 LongCat-2.5。官方博客的第一段写得很短：这是一个面向长程智能体任务的原生多模态模型，总参数 1.6 万亿，每个 token 激活约 480 亿参数，在 LongCat-2.0 的基础上，加强了原生视觉理解和智能体编程。
目前可以在线体验，也可以调 API。博客顶部 GitHub 和 Hugging Face 两个按钮写的都是“Coming soon”，权重还没放出来。
这条新闻当天被很多媒体转载，标题大多落在两个词上：“1.6 万亿”和“国产算力”。网易智能的报道里还有一句：它“是目前国产算力上完成的最大训练任务”。
我花了一个晚上读美团的官方博客，把评测表里 31 个项目逐行过了一遍。这篇想讲清三件事：这份成绩单该怎么读，“国产卡上训练”这件事官方到底说了什么，以及一家做外卖的公司为什么要自己训这么大的模型。
成绩单：对 Opus 5 是 10 胜 17 负
美团在博客末尾放了一张很大的评测表，横向比了 9 个模型：LongCat-2.5、LongCat-2.0、GPT-5.5、GPT-5.6-Sol、Claude-Opus-4.8、Claude-Opus-5、GLM-5.3、kimi-k3 和 DeepSeek-V4.1-Flash。纵向是 31 个评测，分成代码智能体、通用智能体和视觉三类。
网易智能的概括是：LongCat-2.5 的成绩“介于 Claude-Opus-4.8 与 Claude-Opus-5 之间，并在部分评测中超过 Claude-Opus-5”。我按表格逐项数了一遍，这个概括基本站得住：
- 对 Claude Opus 5：10 胜 17 负。 两边都有成绩的 27 项里，LongCat-2.5 赢 10 项，输 17 项。输的大多是写代码最硬的几项：Terminal Bench v4.0 是 38.5 比 53.9，Program Bench 是 25.5 比 37.0，NL2Repo 是 60.5 比 75.3，SWE Atlas 的写测试一项是 47.8 比 62.2。
- 对 Claude Opus 4.8：18 胜 6 负。 代码类基本全赢，输在 NL2Repo、写测试、Claw-Eval，以及三项视觉题。
- 对 GPT-5.6-Sol：20 胜 7 负。
- 对 DeepSeek-V4.1-Flash：12 胜 14 负。 这一组最值得看。DeepSeek 这个模型名字里带着“Flash”，在 DeepSWE（74.2 比 64.6）、Terminal Bench v2.1（90.6 比 88.4）、AutomationBench、SkillsBench、MCP Atlas 上都比 LongCat-2.5 高。
所以“追到了 Opus 4.8 和 Opus 5 之间”大体属实，但放在国产模型里，它并不是一骑绝尘。
读这张表还要注意一个细节。表格底下有一行小字：别的模型的分数，带星号的取自公开技术报告、博客或官方榜单；不带星号的是美团自己跑的，原文是“indicative only”，仅供参考。
用这个标准再看对 Opus 5 赢下的 10 项，有 6 项 Opus 5 的分数没有星号，是美团自己测的：PaperBench、SWE Atlas 重构、ResearchRubrics、SpreadsheetBench 2、3DCodeBench，以及美团自建的 LongCatClawBench。剩下 4 项是对着 Opus 5 的公开成绩赢的：BrowseComp（91.9 比 90.8）、AutomationBench（51.8 比 50.3）、SkillsBench（63.3 比 60.4）和 CharXiv-RQ（90.2 比 89.3），每一项的差距都在 3 分以内。
我不是说美团自测的分数有问题。自己跑对手模型、并且老实标出来，是比较规矩的做法。但读者应该知道，“部分评测超过 Opus 5”这句话里，大半是在美团自己的测试环境里得出的；还有，带星号的公开成绩和美团自测的成绩，用的测试框架未必相同，严格说不完全可比。
另一个有意思的细节是测法。按博客的说明，Terminal Bench、Program Bench、NL2Repo 这些编程评测，美团用的是 Claude Code 作为测试框架，上下文开到 512K。国产模型在 Anthropic 的工具里跑分，这本身说明了一件事：开发者实际在用什么工具，模型就得在什么工具里好用。
从 2.0 到 2.5：同样的参数，换了一种练法
比和对手的差距更醒目的，是和自己上一代的差距。表格里 LongCat-2.0 也有一列，同样是美团自己跑的，口径一致：
- Terminal Bench v4.0：3.0 到 38.5。
- Program Bench：2.5 到 25.5。
- DeepSWE v1.1：9.7 到 64.6。
- AutomationBench：15.8 到 51.8。
有几项是从个位数涨到几十分。要知道，按美团在 GitHub 上的说明，LongCat-2.0 本身也是 1.6 万亿总参数、约 480 亿激活，预训练用了超过 35 万亿个 token、“数百万加速卡·天”。两代模型的参数规模一样。
我的理解是，这次的提升主要来自后训练，而不是把模型做大。博客里花篇幅最多的也是这部分，有几处写得很具体：
任务从哪里来。 美团从 GitHub 上筛选拉取请求和关联的 issue，让智能体给任务做标注、搭运行环境，再用“修复前失败、修复后通过”和“修复前后都通过”两类测试来验证。他们也加入了美团内部真实的编程任务和验收标准。
失败也是训练数据。 博客原文的说法是：“我们将真实 Agent 的失败轨迹转化为可复现、可验证的训练任务，针对模型能力短板持续补充训练数据。”模型在真实环境里卡住的地方，被做成下一轮要练的题。
防着模型钻空子。 这一段我觉得最实在。训练环境里关掉网络，删掉 git 历史和缓存文件，再用一个大模型当裁判，检查每条轨迹里有没有投机取巧的行为。原因很简单：模型如果能联网搜到答案，或者从 git 历史里翻到原来的修复，它学会的就是作弊，而不是写代码。另外还有惩罚项，压制重复推理和重复调用工具；对“想太多”、回答越写越长的倾向，也专门调了奖励。
在不同的框架里混着练。 博客说，强化学习阶段会把对应不同评测的任务和不同的智能体框架按比例混在一起训练，跨任务、跨框架的提升会互相加强。
这些做法本身不新，海外几家实验室和国内的同行都在这个方向上。值得注意的是，美团把细节写得相当公开，连防作弊的手段都列了出来。对想自己做智能体训练的团队来说，这一节比评测表更有参考价值。
国产卡：官方说了什么，没说什么
“国芯国模”是这两天媒体报道里最常见的标签。我对照官方博客，把能确认的和不能确认的分开说。
官方确认的：
- 在国产 AI 加速卡上做了长上下文训练和 W4A4 推理。 博客原话是“we optimize long-context training and W4A4 inference on domestic AI accelerators”。
- 每张卡的显存不到 80GB。 博客说，正因为单卡显存小于 80GB，训练系统优先考虑省显存，并让并行策略对齐“超节点”架构，把通信尽量留在超节点内部的高带宽互联里。
- 几个具体数字。 长序列 SFT 任务里，新的 FSDP 配置比 DDP 基线单卡吞吐高 86%。W4A4 推理是把专家权重和激活都量化到 4 位，跑在原生 INT4 计算单元上；和 W8A8 相比，线上压测预填充吞吐提高 43.3%，解码吞吐提高 42.77%，首 token 时延降低 15.91%，每 token 时延降低 19.72%。博客说量化后的模型在所有评测过的下游任务上和未量化版本“表现相当”。
要往前一代找的：
“全程国产”的说法，其实是美团在上一代时说的。8 月 28 日发布的二季度业绩里，美团介绍 6 月推出的 LongCat-2.0，据新浪科技转述，是“业内首个在全国产算力集群上完成训练与推理全流程的万亿参数模型”；新华财经的转述更具体，写的是“五万卡国产算力集群”。LongCat-2.5 是在 2.0 的基础上继续训练的，所以底座的预训练在国产卡上完成，这一点有美团自己的说法支撑。
官方没说的：
- 没有点名芯片厂商。 博客通篇只写“domestic AI accelerators”。LongCat-2.0 的 GitHub 说明也只写训练和部署建立在“AI ASIC superpods”上，没有写是哪家的芯片。
- 没有说 2.5 这一轮后训练的规模。 用了多少卡、跑了多久，博客没写。
- “最大训练任务”是媒体的说法。 网易智能报道里“是目前国产算力上完成的最大训练任务”这句，我在美团官方博客里没有找到。“业内首个”是美团的自我表述，我也没有找到独立的核实。
我的看法是，按官方确认的部分算，这件事已经有分量。单卡显存不到 80GB，意味着训练一个 1.6 万亿参数的模型，工程上要处处为省显存让路；4 位量化推理能把吞吐提高四成，直接关系到这个模型以后卖 API 的成本。国产卡能不能训出接近前沿水平的大模型，过去一两年一直是个问号。LongCat-2.5 的成绩说明，答案越来越接近“能”。
但也不要说过头。芯片型号没公开，五万卡这样的规模也不是谁都调得动，外人没办法判断这个“能”付出了多大代价，别的公司能不能照着做。
一家做外卖的公司，为什么要自己训
这是我读完发布稿后最想弄清的问题。
先说美团自己的说法。据网易智能报道，美团基于 LongCat 系列模型推出了 AI 经营工作台“妙手”，帮商家理解行业指标和品牌规则，并在商家授权范围内调用工具和系统，完成经营任务。
“妙手”不是今天才有的。据人人都是产品经理 10 月 20 日刊发的一篇专栏文章，它原名 CatPaw，9 月启用中文名，定位从通用办公工具转向餐饮、酒店、即时零售的经营工作台。10 月 22 日的美团外卖产业大会上，美团又发布了“妙手外卖版·袋鼠管家”，据证券市场周刊报道，美团外卖总经理薛冰宣布向全国餐饮商家免费提供一个“AI 店长”；报道说已有数万中小商家在日常经营中使用，和古茗、益禾堂、兰湘子等 200 多家连锁餐饮品牌有合作。更早的“智能掌柜”，据界面新闻 9 月的报道，已覆盖全国约 130 万餐饮商家。
再看钱。美团二季度收入 1046 亿元，同比增长 14.4%；研发投入 77 亿元，同比增长 22.5%，占收入的 7.3%。据新华财经和新浪科技报道，王兴在业绩发布时说：“我们会坚定加大生态与科技投入，推动 AI 融入真实业务场景，以提升用户、商户体验和公司经营效率。”据时代财经报道，美团管理层在业绩会上表示不会去做“Token 工厂”，也就是不打算靠卖模型调用量赚钱；同一篇报道还援引王兴的话说，全国产化的训练和推理能力，“帮助我们在长期成本以及基础设施可控性上建立了更强优势”。
我理解美团的逻辑有三层：
- 它的 AI 场景是“干活”，不是“聊天”。 美团的核心业务是交易、经营和配送。帮商家看数据、改菜单、排活动，都是要调工具、改系统的长任务。LongCat-2.5 这次重点加强的长程智能体和编程能力，正好对着这类任务；评测表里的 JobBench、SpreadsheetBench、FinSearchComp，也都是偏办公和经营的题。
- 调别人的模型，成本和数据都不在自己手里。 上百万商家、每天大量的经营任务，如果都按 token 付费给外部模型，账单会很可观；商家的经营数据交给谁处理，也是平台必须自己回答的问题。
- 国产卡是一张保险。 高端 GPU 的供应不由美团说了算。能在国产卡上把训练和推理都跑通，就少了一个被卡脖子的环节。
但我也有一个疑问。按评测表，在最硬的编程任务上，LongCat-2.5 还落后 Opus 5 一截，和 DeepSeek-V4.1-Flash 互有胜负。如果美团最主要的场景是商家经营，那么最该公开的，其实是模型在这些场景里的效果：商家用“妙手”之后，哪些任务真的交给 AI 做完了，出错率多少。这些数字目前还没有。
写给要选模型的人
如果你在考虑用 LongCat-2.5，或者要在几家国产模型之间做选择，我有几条建议：
- 先看星号。 读任何一家的评测表，先分清哪些对手成绩是公开的、哪些是发布方自己跑的。LongCat 这张表标得很清楚，别家未必。
- 用自己的任务、在自己的框架里测。 美团是在 Claude Code 里跑的编程评测。如果你的团队用的是别的智能体框架，结果可能差得不少。挑 20 到 50 个你们真实的任务，跑三遍取平均，比看任何榜单都可靠。
- 等权重和许可证。 LongCat-2.0 的权重是 MIT 许可证开放的，但 2.5 的权重还没放出来，许可证也没公布。如果你打算私有化部署，等这两样落地再做决定。
- 算 token 账，而不只是单价。 长程智能体任务一跑就是几十万 token。前不久 Kimi K3.1 Pro 降了单价，用户的账单反而涨了，原因就是同样的任务消耗的 token 多了。选模型时，用同一批任务比“完成一个任务花多少钱”。
- 关心部署在哪种卡上。 如果你所在的单位有国产化要求，W4A4 在国产卡上的这组优化数据值得认真看；但要找美团确认具体支持哪些芯片，博客里没写。
写在最后
LongCat-2.5 最让我在意的，不是 1.6 万亿这个数字，而是两件更朴素的事。
一件是同样大小的模型，换一种练法，几项最难的编程评测从个位数涨到了几十分。这说明眼下大模型的差距，越来越多地体现在后训练的工程细节上：任务从哪里来、怎么防作弊、失败了怎么变成下一轮的题。
另一件是美团把评测表里自测和公开的成绩分开标了出来。读成绩单的人，应该多注意这种细节；写成绩单的公司，也应该多一些这样的老实。
一家做外卖的公司，在国产卡上训出了接近前沿水平的模型。我觉得这件事值得记下来。但它最终好不好，要看那个打烊后还在对账的面馆老板，有没有因此少熬一会儿夜。
参考资料
- 美团 LongCat 团队, Introducing LongCat-2.5（含评测表与技术说明）, 2026-11-01（页面标注日期）
- 美团 LongCat 团队, LongCat-2.0（GitHub 说明）, 2026-07
- 网易智能（新浪转载）, 美团发布 LongCat-2.5 大模型, 2026-11-02
- 砍柴网（新浪科技转载）, 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
- 动点科技, 美团发布 LongCat-2.5，强化看图编程和复杂项目开发能力, 2026-11-02
- 每日经济新闻（新浪转载）, 美团技术团队发布 LongCat-2.5, 2026-11-02
- 新浪科技, 王兴最新发声！（美团 2026 年二季度业绩）, 2026-08-28
- 新华财经, 美团2026年二季报：营收增长14.4%至1046亿元，推动AI融入真实业务场景, 2026-08-29
- 时代财经, 美团二季度营收超千亿，王兴谈AI：不做“Token工厂”，融入真实业务场景, 2026-08-31
- 界面新闻（东方财富转载）, 美团：AI工具“智能掌柜”已覆盖全国约130万餐饮商家, 2026-09-20
- 巨潮WAVE（人人都是产品经理）, 美团 AI 业务专栏文章, 2026-10-20
- 证券市场周刊, 美团发布商家AI助手“妙手外卖版”，将向全国外卖商家免费提供“AI店长”, 2026-10-23
- 网易科技, K3.1 Pro 发布才两天，Kimi 道歉补额度！, 2026-10-27