美团 1.6 万亿参数新模型：国产算力跑通了长程任务，成绩单先打个折扣读

核心判断先说清楚：LongCat-2.5 真正的新信息不是“又一个万亿参数模型”，而是美团第二次用全程国产算力训完了它，并且这次瞄准的是最难的那类活——让 agent 在一个复杂项目里连续干很久、中间不出岔子。成绩单上写着“介于 Claude Opus 4.8 与 Opus 5 之间、部分超过 Opus 5”，但这份成绩单目前只有美团自己公布的版本，没有独立第三方复核，读的时候先打个折扣，再谈意义。

先把模型本身说清楚。11 月 2 日发布的 LongCat-2.5 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，MoE 架构下每次推理激活约 480 亿参数，训练全程由国产算力完成，厂商名字美团没有公开（外界普遍猜是华为昇腾，但这只是推测，不是美团的披露）。中训练阶段用了最长 1M token 的序列、累计数万亿 token，并引入了更多长程轨迹数据和大规模长程强化学习，目标是复杂代码库开发、完整项目构建这类“端到端把活干完”的场景，而不是单轮问答。API 已经同步上线，官网可以体验，GitHub 与 Hugging Face 的权重发布按官方说法是“随后”，截至发稿还没上架。

成绩单要逐项拆开读，不能只看“超过 Opus 5”那半句。美团公布的口径是：AutomationBench 51.8 分，高于 Claude Opus 5 的 50.3；BrowseComp 91.9，同样略胜；但在终端操作基准 Terminal-Bench v4.0 上是 38.5，超过 GPT-5.6-Sol，却仍落后于 Claude Opus 5。合起来就是官方那句“介于 Opus 4.8 与 Opus 5 之间、部分超过 Opus 5”——“部分”这个词是关键，它不是全面超越。而且这些基准都是美团自己选、自己跑、自己公布的，独立评测还没出来；LongCat-2.0 时期的技术细节（比如 5 万卡国产集群、35 万亿 token）也被不少转述混进了 2.5 的报道里，读二手消息时要分清哪句是 2.5 的、哪句是 2.0 的旧账。

国产算力这条线，真正硬核的部分不在参数量，而在训练系统怎么绕过单卡显存不足 80GB 的短板。美团的打法是围绕超节点重排并行策略：把视觉编码移出训练计算图，用混合词表并行、动态专家复制、双重分片等手段，让参数和任务数据的主要通信留在超节点内的高速互联里；在所测的长上下文监督微调任务里，优化后的单卡吞吐量比 DDP 基线提升了 86%。推理侧则用 W4A4 方案，把专家权重和激活同时量化到 4 比特，并针对国产加速器的硬件特性优化。这组数字同样是厂商自报，但它指向的方向是实的：国产算力的瓶颈正在从“能不能训”转向“训得贵不贵、跑得顺不顺”。

对使用者，我的判断是分两步走。第一步，现在就能用的是 API 和官网体验：长程任务、商业分析、软件开发这类场景值得拿自己的真实任务去测，尤其是“一次任务要跑很多步、中间不能断”的活，别只看单轮问答的分数。第二步，本地部署先别急：权重还没上架，许可证也没公布，2.0 时期的 serving 参考是至少 8 张 B300 或 16 张 H200 级别的卡、FP8 权重约 2TB——这不是个人电脑的活，是集群的活。等权重、许可证、实测文件体积三件套齐了，再算本地账。

这个结论在什么情况下要改：如果独立第三方评测复现了“介于 Opus 4.8 与 Opus 5 之间”的定位，或者权重如期上架且许可证条件清晰，那 LongCat-2.5 就从“值得关注的国产进展”升级为“可以直接选型的国产选项”。在那之前，更准确的表述是：美团第二次证明了国产算力能训万亿参数模型、且这次瞄准了长程 agent 任务；至于它到底比 Opus 5 强还是弱，等独立评测说话。