美团 LongCat 团队 11 月 1 日发布 LongCat-2.5，比 9 月 25 日上线的预览版多了完整技术报告和评测表。官网已经能试用，API 也已接入，开源版本暂时没有放出，页面上 GitHub 和 HuggingFace 的入口都是“敬请期待”。这和 6 月底 LongCat-2.0 的路径不同，那一版发布时就开了源。
模型规模没变，总参数 1.6 万亿，每个 token 激活约 480 亿。变的是能力方向：一是原生多模态，二是面向长程任务的智能体编程。
跟 2.0 比涨得猛，跟头部比有高有低
官方表格列了 30 多项评测，我们挑出几项有代表性的：
| 评测 | LongCat-2.5 | LongCat-2.0 | GPT-5.6 Sol | Opus 5 | GLM-5.3 | Kimi K3 | DeepSeek V4.1 Flash |
|---|---|---|---|---|---|---|---|
| Terminal Bench v4.0 | 38.5 | 3.0 | 37.3 | 53.9 | 41.8 | 12.6 | 31.2 |
| Program Bench | 25.5 | 2.5 | 23.0 | 37.0 | 19.0 | 17.5 | 20.3 |
| DeepSWE v1.1 | 64.6 | 9.7 | 72.7 | 68.8 | 66.9 | 67.5 | 74.2 |
| NL2Repo | 60.5 | 40.9 | 56.8 | 75.3 | 58.0 | 58.0 | 65.4 |
| BrowseComp | 91.9 | 79.9 | 90.4 | 90.8 | 81.0 | 91.2 | 91.5 |
| 3DCodeBench | 55.4 | - | 52.3 | 54.3 | 53.4 | 49.3 | 53.3 |
几个信号比较明显。在需要长时间跑完整工程的项目上，它相对 2.0 进步最大，Terminal Bench v4.0 和 Program Bench 都涨了十倍以上。BrowseComp、ResearchRubrics、ALE 和 3DCodeBench 上，它是官方表格里的最高分。写代码类的多数项目仍落后 Opus 5，DeepSWE 的 64.6 分在上表几个对手里最低。
读这张表要留意三点。一是对比模型里没有 GPT-6 系列、Opus 5.5 和 Fable 5.1，也就是说它没有和这些更新的模型同台。二是带星号的对手分数取自公开报告，未带星号的是美团自测，官方自己也标了“仅供参考”。三是不同项目用的 harness 和参数并不一致。目前没有看到独立机构的复现结果，这些分数暂时只能当作美团的自述。
视觉怎么进主干
多模态的做法是把图像编码成多层级的离散 token，让主干模型用同一种 token 形式处理视觉和文本。视觉 tokenizer 固定，可以提前算好并缓存 token ID，所以训练计算图里不再有视觉编码器。团队说这样简化了长序列打包，也改善了分布式训练的负载均衡。
官方把这套能力和编程放在一起讲，叫 Visual Coding，演示有实时流体模拟、3D 文物展示和城市沙盘。
长程任务靠强化学习堆上去。训练任务从 GitHub 公开仓库和内部代码场景合成，真实 Agent 跑失败的轨迹也会转成可复现的训练题。为防止模型投机取巧，环境里会断网、清除 git 历史和文件缓存，再用一个 LLM judge 盯轨迹，对重复思考和重复调用工具额外扣分。
算力侧的数字
报告花了大量篇幅讲国产加速卡，单卡显存不足 80GB 是它反复提到的限制。公开的两组优化效果是：
- 长序列训练：改用面向超节点设计的 FSDP 配置后，单卡吞吐比 DDP 基线提升 86%；
- W4A4 推理：专家权重和激活都量化到 4 bit，线上压测相对 W8A8 基线，prefill 吞吐提升 43.3%，decode 提升 42.77%，TTFT 和 TPOT 分别降低 15.91% 和 19.72%。
报告没有写具体用了哪家的卡、多少张、训练花了多少钱。技术博客也没有列正式版的 API 价格，预览版当时给的是限时价，新价格要以开放平台公告为准。开源时间同样没有给出，权重放出后，外界才能自己验证这张评测表。
参考来源：LongCat 官方技术报告与评测表、CocoLoop、IT之家；评测分数均为官方公布口径，对手分数部分取自公开报告、部分为美团自测。