美團 LongCat 團隊 11 月 1 日發表 LongCat-2.5，相較 9 月 25 日上線的預覽版，多了完整的技術報告與評測表。官網已可試用，API 也已接入，開源版本暫時沒有釋出，頁面上 GitHub 與 HuggingFace 的入口都顯示「敬請期待」。這與 6 月底的 LongCat-2.0 路徑不同，那一版發表時就同步開源了。
模型規模沒變，總參數 1.6 兆，每個 token 啟用約 480 億。改變的是能力方向：一是原生多模態，二是面向長程任務的代理式程式開發。
相較 2.0 進步明顯，與頂尖模型相比互有高低
官方表格列了 30 多項評測，我們挑出幾項具代表性的：
| 評測 | 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 |
有幾個訊號相當明顯。在需要長時間跑完整個工程的專案上，它相較 2.0 進步最大，Terminal Bench v4.0 與 Program Bench 都成長了十倍以上。在 BrowseComp、ResearchRubrics、ALE 與 3DCodeBench 上，它是官方表格中的最高分。撰寫程式碼類的多數項目仍落後 Opus 5，DeepSWE 的 64.6 分在上表幾個對手中最低。
解讀這張表有三點要留意。一是比較對象中沒有 GPT-6 系列、Opus 5.5 和 Fable 5.1，也就是說它並未與這些更新的模型同場較量。二是帶星號的對手分數取自公開報告，未帶星號的是美團自行測試，官方自己也標註「僅供參考」。三是不同項目所用的 harness 與參數並不一致。目前尚未看到獨立機構的重現結果，這些分數暫時只能視為美團的自述。
視覺如何進入主幹
多模態的做法，是把影像編碼成多層級的離散 token，讓主幹模型以同一種 token 形式處理視覺與文字。視覺 tokenizer 是固定的，可以事先算好並快取 token ID，因此訓練的運算圖中不再有視覺編碼器。團隊表示，這樣簡化了長序列打包，也改善了分散式訓練的負載平衡。
官方把這套能力與程式開發放在一起介紹，稱為 Visual Coding，展示範例有即時流體模擬、3D 文物展示與城市沙盤。
長程任務靠強化學習堆疊上去。訓練任務由 GitHub 公開儲存庫與內部程式碼場景合成，真實 Agent 跑失敗的軌跡也會轉成可重現的訓練題。為避免模型投機取巧，環境會斷網、清除 git 歷史與檔案快取，再由一個 LLM judge 盯著軌跡，對重複思考與重複呼叫工具額外扣分。
算力端的數字
報告花了大量篇幅談國產加速卡，單卡顯示記憶體不足 80GB 是它反覆提到的限制。公開的兩組最佳化成效如下：
- 長序列訓練：改用為超節點設計的 FSDP 配置後，單卡吞吐量比 DDP 基準線提升 86%；
- W4A4 推論：專家權重與啟用值都量化到 4 bit，線上壓測相較 W8A8 基準線，prefill 吞吐量提升 43.3%，decode 提升 42.77%，TTFT 與 TPOT 分別降低 15.91% 與 19.72%。
報告沒有寫明具體用了哪一家的卡、用了多少張，訓練又花了多少錢。技術部落格也沒有列出正式版的 API 價格，預覽版當時給的是限時價，新價格要以開放平台公告為準。開源時間同樣沒有給出，權重釋出之後，外界才能自行驗證這張評測表。
參考來源：LongCat 官方技術報告與評測表、CocoLoop、IT之家；評測分數均為官方公布口徑，對手分數部分取自公開報告、部分為美團自行測試。