美团LongCat-2.5开源：1.6万亿参数，团队变动后研发未停

2026年夏天，美团旗下大模型团队LongCat的名字，多次出现在人事变动的报道里。

7月下旬到8月底这段时间，多家媒体先后提到，LongCat有若干名核心研发技术人员已经离职，或者正打算走。

消息传开，业内议论了一阵，外界也开始盯住LongCat后面的研发会怎么走。

说到底，大模型行业里人才流动本就频繁，研究人员换公司、离开大厂自己创业，都不算稀奇。

可对于一支还在做基础模型、还在前沿技术里拼的团队，短时间内传出这么多类似消息，难免让人对它的研发节奏打个问号。

更何况，这些新闻冒出来的时间点挺特别。

往前一个月，6月30日，美团刚发布LongCat-2.0。

这个模型总参数1.6万亿，平均激活参数约480亿，训练和推理全程跑在国产算力上。

为了这次发布，美团之前已经连着投入三年，搭国产算力训练基础设施，慢慢形成了一套覆盖模型训练、推理部署和Agent应用的技术体系。

这样一来，LongCat核心团队的人事变动，就更容易被放大来看。

当时看到那些新闻，我也下过一个判断：美团或许会慢慢放缓基础模型研发，把更多资源挪到AI应用和实际业务上。

毕竟美团主营本地生活服务，要一直参与万亿参数模型的前沿竞争，资金、算力、研发资源都得大把往里投。

结果后来的走向，跟我预想的不太一样。

9月25日，LongCat-2.5Preview上线。

11月2日，美团正式发布LongCat-2.5，昨天又把它开源了。

新模型保持了1.6万亿的总参数规模，重点加强的是长程Agent、复杂软件工程和原生多模态能力

当然，这些数字来自官方评测，不同模型的测试配置也可能不一样。但只看公布的数据，LongCat-2.5的Agent能力已经相当有竞争力。

比起这些榜单，我更在意它在真实任务里跑得怎么样。

所以我们用LobeHub基于真实Agent使用场景搭的Lobe Bench，给LongCat-2.5做了一轮测试，重点看它能不能理解复杂需求、调用工具、把多步骤任务做完。

最后跑出来的结果，比我事先想的好不少。

这也让我回头重新翻美团过去三年的模型研发历程，想弄明白它到底攒下了哪些技术能力，又为什么非要坚持把基础模型做下去。

美团在基础模型上砸下的投入，得从三年前说起，这也是看懂LongCat-2.5这次升级的前提。

2023年，美团迈出了在国产算力上训练大模型的第一步。

那会儿国产AI芯片的软硬件生态还没建全。要从千卡扩到数万卡，算子兼容、跨卡通信、显存管理、训练数值稳定性这些工程难题一个都躲不掉。

数万卡规模训练时，硬件故障和通信异常基本没法完全躲开。模型常常得连着跑几周甚至几个月，故障怎么及时恢复、算力怎么少浪费、训练结果又怎么保证正确，整套系统面临的要求相当高。

这条路，美团走了三年。

2026年6月，LongCat-2.0正式发布。它是美团第一个在万卡级国产算力集群上跑完全流程训练与推理的万亿参数模型。

按当时的技术报告，LongCat-2.0从零开始预训练，喂了超过30万亿Token的数据，原生支持百万Token上下文。

架构层面，团队用上了MoE、LongCat Sparse Attention、动态专家激活和多专家在线蒸馏这几项技术。

稀疏注意力机制负责压低长上下文的计算开销；动态专家激活则按不同Token的计算需求来分配资源，推理效率因此进一步优化。

这些设计跟Agent的实际使用场景直接挂钩。模型要读大型代码仓库、理清多个文件之间的依赖关系、还得持续执行复杂任务，长上下文处理能力和推理效率都会牵动最终表现。

底层训练系统上，美团也做了不少工程优化。

官方披露的数据显示，靠自动故障恢复、弹性扩缩卡、通信优化和数值精度控制等手段，LongCat的月均日故障率降了70%以上，训练MFU提到原来的1.5倍，稳态训练吞吐超过每天1万亿Token。

技术报告里这些数字只占寥寥几行，可背后是大量算子适配、故障排查、数值验证和性能调优。做过大规模模型训练的人，大概都清楚这些工程要耗掉多少时间和精力。

一点点攒下来的成果，最后搭成了一套能撑住万亿参数模型稳定训练的基础设施。

之后美团又把LongCat-2.0的模型权重、国产卡推理代码和相关技术文档开放出来，同时跟国产算力厂商推进适配，国内开发者也有机会在国产算力环境里部署和研究万亿参数模型。

另一边，美团在推着模型能力进真实工作流程。

今年7月，美团公布了Agent平台Cat Paw的进展。官方信息显示，当时Cat Paw已覆盖美团内部约9万名员工，累计搭出超过3万个Agent，用在内部研发和业务流程等场景。

到这一步，美团的技术链路已经串起国产算力、模型训练、推理部署和Agent应用。

来到LongCat-2.5，团队开始在这套基础设施上把长程强化学习再做大规模，同时加强复杂任务执行与原生多模态能力。

三年的工程积累，到底能让新一代模型提升多少？

正因如此，我们这次才下决心用Lobe Bench对LongCat-2.5做一次认真测试。

参数规模几乎没动，长程Agent能力却上了一个台阶，这是LongCat-2.5最该被盯住的变化。

官方披露的数字显示，Terminal Bench v2.1从上一代的70.8升到88.4，已经贴近Claude Opus5的89.1；Terminal Bench v4.0由3.0涨到38.5，DeepSWEv1.1从9.7升到64.6，Paper Bench也由45.2提高到82.1。

这几项评测盯的是模型在复杂工程环境里干活的本事，终端操作、改代码、配环境、修故障都算在内。

各家模型的测试配置并不一样，但把LongCat两代的数据摆在一起看，这回的升级幅度确实不小。

官方Benchmark之外，我更想知道LongCat-2.5放到真实的Agent场景里到底怎么样。

所以，我们拿LobeHub自建的Lobe Bench给它跑了一轮。

这套Lobe Bench出自我们在实际产品里看到的用户需求，考的是模型能不能读懂复杂指令、把工具调起来、把多步骤任务走完，最后交出成品。

用的是Hard50困难版本，50道题，横跨生活健康、电商、营销与内容、金融、生产力、软件开发与运维、研究与职业发展七个领域。

稳定性方面，每道题都重复跑三次，主要看三次全对的题有多少。

结果，LongCat-2.5在默认参数下有22道题三次全过，通过率44%；打开推理模式后涨到26道，通过率52%。

放进我们的排行榜，LongCat-2.5与Hy4打平，离DeepSeek V4.1 Flash的56%、GLM 5.3Flash和MiniMax-M3推理模式的54%都不远。

榜首GPT-6.1 Terra是64%，差着六道题。

整套评测只有50道题，模型之间一两道题的出入还得谨慎看待。

可在这套覆盖多个真实场景的困难任务里，LongCat-2.5的成绩已经和部分主流模型挨得很近。

这也是我愿意为LongCat-2.5认真写一篇的原因。

另外，开了推理之后，LongCat-2.5平均每题耗时从3.1分钟拉长到4.5分钟，多花的时间换来了额外四道题的稳定通过。

对Agent产品而言，完成率、执行时间、使用成本三样都得算账。

LongCat-2.5在这轮测试里，综合任务执行能力已经表现得不错。

带着这些结果回头翻技术报告，我发现美团这次在长程AgenticRL上下了不少功夫。

团队在长序列训练里塞进了更多Agent执行轨迹，还搭起一套从任务生成、执行环境、结果验证到强化学习的训练体系。

里面有个设计我尤其感兴趣。

它想把Agent在真实任务里失败的轨迹，变成能复现、能验证的训练任务。

比方说，Agent改代码仓库时执行失败了，系统会去分析错误证据、把执行环境恢复出来，再照这次失败造一个新训练任务，让模型有机会对着以前处理不好的问题接着学。

另一边，美团把GitHub仓库里的PR和Issue拿来搭建训练数据，靠fail-to-pass和pass-to-pass测试判断两件事：模型有没有真正把问题修好，原本正常的功能有没有被牵连。

这种做法，和近来被反复谈起的Agent自进化关系很近。

模型接手越来越多的真实工作之后，执行过程中留下的轨迹、报错和验证结果，都可能变成下一轮训练的数据来源。

数据和环境搭建之外，美团还动了Reward Hacking和长程训练效率这两处：清掉环境里的多余信息、把验证机制补全，再加上异步partial rollout，让无效训练和算力浪费降下来。

这些工作指向同一个目标——模型要能在更复杂的环境里把任务做完，并且从执行反馈中不断把能力往上推。

LongCat-2.5还把原生多模态能力做了一轮加强。

团队把图像编码成多层级的离散Token，文本和视觉输入放进同一套表示体系里处理，视觉理解与编程能力进一步打通，可交互网页、3D场景、创意设计这类任务都能接。

技术升级背后，还有美团前几年在国产算力上攒下的基础设施。

国产卡的显存和通信都有上限，LongCat-2.5针对长上下文训练继续打磨参数管理、任务调度和跨卡通信。

技术报告显示，在所测的长上下文监督微调任务里，优化后的单卡训练吞吐量比DDP基线高出86%。

推理端用的是W4A4量化方案，专家权重和激活都被压到4bit。

官方线上压测中，Prefill和Decode吞吐量较W8A8基线分别提升43.3%和42.77%。

从LongCat-2.0走到LongCat-2.5，美团在模型参数规模几乎没变的前提下，靠训练方法、任务环境和底层基础设施的持续打磨，把模型能力推了上去。

我们的Lobe Bench实测，也从真实Agent使用场景给出了一份补充观察。

看完这些进展，另一个问题冒了出来：

一家主营本地生活服务的互联网公司，为什么把Coding、长程Agent和国产算力看得这么重，甚至愿意长期投入自己的万亿参数基础模型？

要找答案，或许得回到王兴此前几次公开讲话里。

2026年3月26日美团财报电话会上，高盛分析师RonaldKeung向王兴发问：AI开始争抢用户入口之后，美团在移动互联网时代攒下的流量优势会不会被削弱？

这个问题指向的，其实是美团未来商业模式的一处关键变化。

十多年来，美团搭起了一张本地生活服务网络，商户、消费者、交易、评价、履约都在其中。用户要找餐厅、订酒店，一般得打开App，搜一搜、比一比，再下单。

可AI Agent一天天成熟起来，往后这类需求或许会直接交给智能体去办。

用户只要说出自己想要什么，AI就能去调用不同平台的服务，把搜索、决策、交易一并做完。

也就是说，用户需求的入口有可能挪地方；谁掌握了需求理解与任务分发，谁就可能左右未来的商业流量。

那场电话会上，王兴把话说明白了：AI带来的变化，美团得主动去接。

接着他讲了个挺有意思的例子。

假设他在北京望京上班，朋友在中关村，两人中午只有两个小时吃饭，想找一家位置在双方中间、口味偏辣、停车方便的川菜馆。

这个需求看着简单，AI却要同时弄明白位置、交通、菜品、营业情况和实时接待能力，还得保证推荐的那家店真能订上。

美团十几年攒下的商户信息、用户评价、交易数据和履约网络，恰好能给这类任务提供大量现实世界的信息与服务。

在我看来，这也是美团坚持自研模型的一个重要原因。

往后，AI Agent可能慢慢变成用户获取服务的新入口。

美团想做的，是把自己手里的商业数据和服务能力，跟模型在需求理解、工具调用、任务执行上的本事接起来。

自研模型让美团能围绕自身业务设计训练任务，拿真实场景里的反馈不断迭代，同时把大规模部署时的推理成本压下来。

当然，我猜美团也会接着用第三方模型，两条路子可以一起服务实际业务。

今年9月，美团推出面向商家经营的AI工作台「妙手」，跟古茗、徐升记、益禾堂等品牌一起试水AI在经营管理中的用法。

据媒体报道，徐升记以前要8名运营人员，每周花一天半时间统计340多家门店的50多项经营数据。

接上相关AI工具之后，这些分析按天就能做完，管理人员还能用自然语言提需求，让系统生成经营报表和巡检报告。

这类场景的商业价值很明确。

Agent得懂业务规则、读实时数据、调用工具，一步一步连续执行，最后交出能直接用的结果。

LongCat-2.5这次重点加强的长程任务执行能力，跟这类业务需求在技术上直接对得上。

回头再看王兴今年两次财报会上的发言，他的思路其实相当清楚。

早在3月，王兴就说过，美团从2023年起就在AI研发上持续砸钱，自研模型占用了其中很大一块资源。这些投入给公司现金流带来了压力，但他还是把话撂得很明白。

“但我们仍将坚定推进自研大语言模型LongCat的研发。”

时间走到8月，王兴又抛出一个说法：“我们不会成为Token工厂。”

按照他的构想，模型和AI产品早晚要落进美团的主营业务里，一边改善用户和商家的体验，一边抬升公司的经营效率。基础模型、Agent平台、国产算力基础设施这几块之所以一直在投，原因也在这里。

本地生活服务的入口和交互方式，有可能被AI改写；另一头，美团手里握着一张庞大的现实商业网络，把模型能力落到具体业务上有现成的条件。

王兴坚持投LongCat，看的是美团未来十年技术和商业竞争所需的能力储备。

从LongCat-2.5这回的技术进展，加上在LobeBench上跑出的实测结果看，长期的投入已经开始拿出看得见的东西。

写到这里，今年夏天看到的那些LongCat新闻又浮现在眼前。

那阵子，预训练、后训练和Agent等关键方向接连传出核心人员变动的消息，我确实为LongCat的研发捏过一把汗，担心此前的节奏能不能保住。

几个月过去，LongCat-2.5正式亮相。

这回我们又拿出自家的Lobe Bench，挑了50道来自真实Agent使用场景的困难任务，老老实实测了一轮。

结果是这样的：开启推理模式的LongCat-2.5，有26道任务连续三次都成功完成，另外12道至少成功完成过一次。

放在同一套评测里比，它和多款主流模型的成绩已经拉得很近。

这套评测看的是模型在实际任务中的执行能力，也让我们在官方榜单之外，多了一个认识LongCat的角度。

回头看这三年的研发历程，美团在国产算力、训练基础设施、模型架构和Agent强化学习上都已经投入了大量工作。

这些技术积累的价值，正在新一代模型上慢慢显现出来。

LongCat过去几个月里到底经历了怎样的内部调整，我不清楚。但这次发布让我看到，团队仍在认真推进研发，而且拿出了有竞争力的技术成果。

对中国的大模型行业来说，我一直希望这样的团队能多一些。

愿意投入基础模型，愿意在国产算力上做长期工程，也愿意把模型与训练系统的成果开放给更多开发者。

这些工作要靠持续积累，也得有人愿意为未来的技术方向承担投入和风险。

我还记得王兴今年3月的一次公开发言，他明确表示美团仍将坚定推进LongCat的研发。

那时候LongCat-2.0还没发布，今天的LongCat-2.5更是没有出现在大家面前。

半年多过去，新的模型已经摆在我们眼前，它在真实Agent任务中的表现也一并看到了。

对我来说，这比任何宏大的战略表态都更有说服力。

一家主营业务已经成熟的互联网公司，依然愿意把基础模型长期做下去，而且确实做出了有竞争力的东西。

我觉得这件事值得尊重。

瑞思拜王兴，也瑞思拜每一位还在认真做模型的研究员和工程师。