返回探索
资讯VibeFix 内容整理更新于 2026年11月20日

1.6 万亿参数、MIT 协议随便商用:美团 LongCat-2.5 开源了,但你的电脑根本跑不动它

美团把 1.6 万亿参数的 LongCat-2.5 用 MIT 协议开源了:商用、修改、二次训练都不用再要授权,Terminal-Bench v2.1 拿到 88.4 分,BrowseComp 91.9 分全表最高。但 BF16 权重足有 3.56TB,部署目前只给了 NPU 路线,评测表里自测分和公开分的星号也不能混着读。

AI 算力集群机房实拍:成排黑色机柜亮着蓝色指示灯,左侧机架印有 NVIDIA 标志,走廊尽头亮着 AI CLUSTER 灯牌。

先把话说清楚,免得和最近两篇容易混淆的文章串了:10 月我们发过 Kimi K3.1 Pro 的开放权重,那是另一家公司(月之暗面)的编码模型;11 月 10 日我们发过 MiniMax H3-Image 的权重开源,那是文生图模型。今天这篇的主角是美团的 LongCat-2.5,一个面向长程 Agent 任务的原生多模态编码模型。公司不同,模型类型不同,值得关注的理由也不同——Kimi 讲的是编码能力追平闭源,MiniMax 讲的是出图速度和许可证里的地域排除,LongCat-2.5 讲的则是另一件事:一个 1.6 万亿参数的大家伙,用 MIT 协议彻底放开,然后留下一个所有人都绕不开的问题——你的电脑根本跑不动它。

时间口径先交代明白,因为这篇的日期很容易写错。模型本身是 2026 年 11 月 2 日发布的;权重在 11 月 9 日上架 Hugging Face(按美西时间算),美团在北京时间 11 月 10 日正式宣布开源。三个日期说的不是三件事,是同一件事在三个时区、三个环节留下的三道痕迹。本文以下所有事实,除非特别注明来源层级,均以 Hugging Face 官方模型卡 meituan-longcat/LongCat-2.5 为准,2026 年 11 月 16 日亲读核对。

标题里的两个数字先拆开看。1.6 万亿是总参数,每次推理实际激活的大约是 480 亿——这是 MoE(混合专家)架构的老规矩:参数全摆在那儿,但每次只叫醒一小部分干活。480 亿这个激活量是什么概念?大致相当于一个顶级 dense 模型的体量。也就是说,LongCat-2.5 不是靠“每次都用全部脑子”取胜,而是靠“脑子够大、每次只用对的那一块”取胜。这个设计选择直接决定了它后来的全部优点和全部麻烦:优点是能力上限高,麻烦是权重文件大得吓人。

这到底是个什么模型

模型卡第一句话就把定位钉死了:原生多模态 MoE,面向长程 Agent 任务(long-horizon agentic tasks)。“长程”这个词值得停一下。市面上大多数编码模型擅长的是短平快的活儿:补一个函数、修一个报错、回答一个问题。长程 Agent 任务是另一档:给模型一个含糊的目标,让它自己拆步骤、自己查资料、自己写代码、自己跑测试、中间出错了自己回头改,一口气干几个小时。模型卡说 LongCat-2.5 结合了视觉理解和 Agent 编码,能做复杂代码库开发、整项目构建、创意设计和 3D 任务。注意这个组合:视觉理解加编码,意味着它不只读代码,还能看图、看界面、看渲染结果——做前端、做 3D、做设计类任务时,这比纯文本模型多了一只眼睛。

美团在模型卡里列了四条技术卖点:原生视觉建模(把原生分辨率的视觉特征转成离散 token,和文本放在同一个语义空间里对齐)、长程 Agent 强化学习(用真实工程任务和可复现的 Agent 失败案例做训练,还加了防奖励作弊的保护)、多教师学习(Agent、推理、交互三个方向的教师模型分别带路)、高效长上下文训练(号称在长序列微调任务里,单设备吞吐比 DDP 基线高 86%)。这四条里,前三条是能力叙事,第四条是工程叙事。普通读者不用深究每个术语,只需要抓住一个判断:美团想讲的故事不是“我又训了一个大模型”,而是“这个模型是为干长活儿、干整活儿专门训出来的”。这个定位如果属实,它的对手就不是通用聊天模型,而是 Claude Code、GPT-5.6 那种已经在 Agent 场景里站住脚的选手。模型卡的大表也正是这么排的:对照组里没有一个纯聊天模型,全是 Agent 场景里的硬茬。

模型支持思考模式开和关两种用法。开着思考模式、保留全部推理内容,性能更好;关掉则 token 更省。官方聊天入口在 longcat.ai,想先试试手感的人不用下载权重,直接上网页聊两句,比读十页评测都管用。

MIT 协议:真大方,但有两条线

这次开源最值得说道的其实不是参数规模,而是许可证。模型权重用 MIT License 发布。MIT 是开源许可证里最松的那一档:商用可以,修改可以,拿去二次训练也可以,都不需要再找美团要一份额外授权。对于一个 1.6 万亿参数的模型来说,这个决定不常见。过去几个月,大模型权重开源常见的做法是挂一个带限制的社区许可证:商用要看规模、改完要署名、某些地区干脆排除在外。美团这次没玩这些,直接给了 MIT。

但大方归大方,模型卡的许可证一节里有两条线必须看清。第一,MIT 只覆盖模型权重;第二,许可证不授予美团商标与专利的权利。翻译成人话:你可以拿权重去赚钱、去改、去训自己的版本,但不能顶着美团的牌子去卖,也别默认自己拿到了相关的专利授权。这两条线写得很短,却是整篇模型卡里最有法律分量的一段。打算商用的团队,下载之前先把 LICENSE 文件全文读一遍,别只看徽章上的“MIT”三个字母。

还有一个细节值得留意:模型卡说,对这个仓库的任何贡献,除非另有说明,也按 MIT 许可。这意味着美团把后续社区共建的规则也定下来了——提 PR、报问题、交改进,都是同一个许可证框架。这对想参与的开发者是好消息,规则简单就没那么多扯皮。

先看成绩单,再看星号

模型卡附了一张很大的评测表,横跨编码 Agent、通用 Agent 和视觉三类任务。先说最抓眼球的几项:Terminal-Bench v2.1 上 LongCat-2.5 拿了 88.4 分;BrowseComp 91.9 分,是全表最高;DeepSWE v1.1 拿了 64.6 分;PaperBench 82.1 分;MCP Atlas 83.1 分;Vision2Web 78.6 分;3DCodeBench(文本转 3D)55.4 分。单看数字,这是一份相当能打的成绩单。

但是——这篇文章里最重要的一个“但是”就在这里——模型卡在表格上方用一句话划了线:带星号的分数引自公开技术报告、博客文章或官方榜单;不带星号的分数是美团自测,仅供参考。LongCat-2.5 自己的分数,几乎全是不带星的自测分;而对照组里 Opus 5、GPT-5.6-Sol、DeepSeek-V4.1-Flash 那些分数,很多是带星的公开分。同一张表里,两种分数的含金量并不一样。读这张表的时候,必须同时读星号,否则就是拿美团自己出的卷子、按美团自己定的条件,去和别人公开榜单上的成绩比高低。

Terminal-Bench v2.1 得分对照柱状图:DeepSeek-V4.1-Flash 90.6 分、Claude Opus 5 89.1 分、GPT-5.6-Sol 88.8 分、LongCat-2.5 88.4 分;带星号的分数引自公开报告或官方榜单,不带星的 88.4 分为美团自测

以 Terminal-Bench v2.1 为例,这张图把差距摊得很清楚:DeepSeek-V4.1-Flash 90.6 分(带星)、Claude Opus 5 89.1 分(带星)、GPT-5.6-Sol 88.8 分(带星)、LongCat-2.5 88.4 分(美团自测)。四者挤在 2.2 分的窄带里,名次上 LongCat-2.5 排第四,但这 2.2 分的差距在不同测试条件下可能毫无意义。模型卡的脚注写明了自测条件:思考模式开启,temperature 设为 1.0,top_p 设为 0.95,Terminal-Bench v2.1 的结果是三次独立运行取平均。条件写得算透明,可问题在于,对照组的公开分数未必是在同一套条件下跑出来的。同一张表、不同尺子,这是所有厂商自发评测表的通病,不是美团一家的问题——但读者必须知道这把尺子有两把。

BrowseComp 那个 91.9 分值得单独说一句。它确实是全表最高,比 Opus 5 的 90.8 分(带星)还高 1.1 分。BrowseComp 考的是深度网络调研能力:给一个刁钻问题,让模型自己上网翻资料、交叉验证、给出带依据的答案。这个项目对长程 Agent 能力是个很直接的检验——因为它考的正是“自己找路、自己验证、别瞎编”这一套本事。LongCat-2.5 在这项上登顶,和它“长程 Agent”的定位是互相印证的。当然,同样的提醒仍然成立:91.9 是美团自测,脚注里写了用的是自定义轻量评测框架,只开放了搜索和按目标浏览两个工具,最多 1024 轮探索。分数高是好事,但等第三方用同一套公开条件复测一遍之前,先把它当作“有希望的信号”,而不是“已经盖棺定论的第一名”。

进步最大的地方不在总分,在代差

这张表里真正让人坐直身子的,其实不是 LongCat-2.5 和 Opus 5 差几分,而是它和上一代 LongCat-2.0 的差距。Terminal-Bench v2.1 从 70.8 分涨到 88.4 分;DeepSWE v1.1 从 9.7 分涨到 64.6 分,翻了六倍多;Terminal-Bench v4.0 从 3.0 分涨到 38.5 分,翻了十几倍;PaperBench 从 45.2 分涨到 82.1 分;BrowseComp 从 79.9 分涨到 91.9 分;MCP Atlas 从 61.8 分涨到 83.1 分。

DeepSWE 和 Terminal-Bench v4.0 这两项最说明问题。上一代在这两项上几乎是交白卷——9.7 分和 3.0 分,意思是在真正难的软件工程任务上基本干不成事。这一代直接冲到 64.6 分和 38.5 分。就算把“自测可能偏乐观”的折扣打进去,这个幅度的代际跃升也很难只用“测试条件友好”来解释。更可能的解读是:上一代的 Agent 训练管线有短板,这一版把长程强化学习、多教师蒸馏这些环节补上了,模型才真正学会了“把一件长活儿从头干到尾”。

反过来,Terminal-Bench v4.0 的 38.5 分也值得冷静看待。v4.0 是比 v2.1 更新、更难的版本,Opus 5 在上面拿了 53.9 分(带星),LongCat-2.5 的 38.5 分和它还有 15 分以上的差距。也就是说,在最难的那档任务上,LongCat-2.5 已经挤进了第一梯队附近,但还没到并驾齐驱的地步。v2.1 的 88.4 分看着像“追平了”,v4.0 的 38.5 分才说出了真实的距离。读评测表要同时看这两档,这才是完整的判断。

视觉那几项也别漏掉。Vision2Web 78.6 分,考的是看图写网页;3DCodeBench 55.4 分,考的是文字生成 3D。这两项在编码模型里不常见,恰恰对应了模型卡开头说的“创意设计和 3D 任务”。3DCodeBench 的 55.4 分在表里也是最高的(Opus 5 是 54.3 分,GPT-5.6-Sol 是 52.3 分)。分数差距不大,但它至少说明:视觉理解加编码这个组合不是摆设,在需要“看懂样子再写代码”的任务上,LongCat-2.5 确实有东西。

3.56TB:开源不等于能跑

好消息说完了,现在说这篇标题里的后半句。BF16 精度的完整权重约 3.56TB,分成 208 个 safetensors 文件。3.56TB 是什么概念?一块常见的 4TB 移动硬盘,装下它之后只剩几百 GB;一台配了 2TB 固态硬盘的主流高配电脑,连下载都放不下。就算你有地方放,跑起来需要的显存和内存也不是消费级硬件能碰的。W4A4 量化版大约 1.34TB,小了一大圈,但依然不是“下载下来就能玩”的体量。

所以“MIT 协议随便商用”和“你的电脑根本跑不动它”这两句话并不矛盾,它们说的是同一件事的两面:许可证上的门槛,美团这次降到了最低;物理上的门槛,仍然高得离谱。真正能把这个模型跑起来的人,是有集群、有预算、有运维团队的机构和公司,而不是个人开发者。这不是在泼冷水,而是把“开源”这个词拆开看:权重开源解决的是“能不能用”的问题,不解决“跑不跑得起”的问题。对大多数人来说,LongCat-2.5 的正确用法是去 longcat.ai 的网页上聊天,或者等云厂商把它接进 API,而不是自己下载权重。

量化那部分倒是给了机构用户一个实实在在的台阶。模型卡说,LongCat-2.5 对专家权重和激活值做了 W4A4 量化(4 比特),能在国产 AI 加速器上做原生 INT4 计算。在线压力测试里,和 W8A8 的 MoE 基线比,预填充吞吐高 43.3%,解码吞吐高 42.77%,首次 token 延迟低 15.91%,每 token 延迟低 19.72%;再叠加 KV 缓存量化,W4A4KV8 的解码吞吐比 W8A8KV16 高 92%。这些数字是美团自己的在线测试结果,不是第三方复测,引用时要带上这个定语。但方向是清楚的:美团在认真做一件事,就是让这个 1.6 万亿参数的模型在推理时少花钱、跑得快。毕竟,一个跑不起来的开源模型,再开放也没人用。

部署只写了 NPU,NVIDIA 用户先等等

模型卡的部署一节只有两行:LongCat-2.5 可以部署在 NPU 平台上;NPU 部署请参考美团的 SGLang-FluentLLM 分支(longcat-2.5-npu 分支)。没有 NVIDIA 路线,没有 vLLM,没有 Transformers,没有 llama.cpp。截至 11 月 12 日,这四家主流推理框架均无该架构的官方支持。实机部署指南用的是 194 张 Atlas A2(昇腾)卡——注意,这个数字出自部署指南,不是模型卡正文,来源层级要分清。

这意味着什么?意味着今天的 LongCat-2.5 是一个“有门槛的开源”:权重给你了,许可证松到不能再松,但能把它跑起来的路,目前只铺了一条,而且铺在 NPU 上。用 NVIDIA 卡的团队、用 vLLM 的团队、想在 Transformers 里直接加载的团队,现在都只能等——等社区适配,等美团补路线,或者自己动手啃架构。社区适配通常不会太慢,热门模型出来后总有人接这个活儿,但“总有人”不是“已经有了”,两者之间差的是一段时间和一堆调试。

这个局面和它的训练背景是连在一起的,下一节就说这个。

“国产芯片上训练”这句话只能引述

模型卡在介绍里写道,LongCat-2.5 的能力有赖于“国产 AI 加速器上的基础设施优化”,在另一处又说是在“国产芯片上完成训练”。这两句都是美团自己的说法,模型卡里没有给出第三方验证,也没有公开训练集群的细节。写这篇报道的时候,这句话只能引述,不能当作已经验证的结论来写。为什么特意强调这一点?因为“在国产芯片上训出 1.6 万亿参数模型”如果属实,是一个相当重要的工程信号;但正因为它重要,才更需要独立的证据,而不是只凭模型卡上的一句话就把它写成事实。

同样的谨慎也适用于 W4A4 量化那一节里的表述。模型卡说量化“能在国产 AI 加速器上做原生 INT4 计算”,这个说法和 NPU 部署路线是自洽的——整个部署故事就是围绕国产加速器讲的。自洽不等于已验证。自洽只能说明美团的叙事是完整的,验证需要的是第三方在真实硬件上跑出来的数字。目前这些数字还没有,读者先记下这个待验证项,等社区的实测报告出来再补结论。

这并不是对美团的苛求,而是对所有厂商模型卡都该有的态度:厂商说自己强,是广告;第三方跑出来也强,才是新闻。LongCat-2.5 的评测表已经按这个标准标了星号,训练硬件的说法也该按同一个标准对待。

两个数字对不上,一个说法没写进模型卡

读模型卡的时候,有两个出入必须交代清楚,不能装作没看见。第一,模型卡说总参数是 1.6 万亿,但按 Hugging Face 上权重张量求和,得到的数字大约是 1.78 万亿。两者差了约 0.18 万亿,至今没有官方解释把这个口子合上。可能的原因有几种:统计口径不同(比如嵌入层、共享专家算不算),或者模型卡的 1.6 万亿是个约数。但“可能”不是“就是”,在美团出来说明之前,本文只能把两个数字并列摆出来,告诉读者它们对不上。标题里的 1.6 万亿用的是模型卡的官方口径,正文这里补上 1.78 万亿这个未调和的数字,读者自己判断。

第二,网上流传的两个说法——1M 上下文和 API 限时价每百万 token 输入 0.30 美元、输出 1.20 美元——模型卡本身一个字都没写。1M 这个数字倒是在模型卡的脚注里出现过一次:DeepSWE v1.1 的评测条件里写着最大序列长度 1M。但那是评测时的设置,不是模型卡宣称的上下文窗口,两者不能混为一谈。至于 API 价格,它只见于二级来源,模型卡里没有,longcat.ai 的定价页面才是核实它的正确地方。在二级来源被核实之前,本文只记录“有这个说法、模型卡没写”,不把它当作事实来传播。

这两处出入都不影响 LongCat-2.5 本身的价值判断,但它们影响阅读姿势:这是一次值得关注的开源,但围绕它的很多数字,目前还处在“厂商说法”和“社区传闻”之间,没有完全落到“已验证的事实”上。好报道的做法不是把这些缝隙藏起来,而是把它们指出来,让读者知道哪些已经实锤、哪些还在等。

谁现在就该试,谁可以先观望

如果你是个人开发者,最划算的动作是去 longcat.ai 上直接用。网页版不用下载 3.56TB,不用配 194 张卡,几分钟就能试出它在你的任务上到底什么水平。重点试两类活儿:一是长程的、多步骤的编码任务,比如“把这个旧项目重构一遍,顺带补测试”;二是带视觉的活儿,比如“照着这张设计稿写个页面”或者“按这段描述生成个 3D 模型”。这两类正是 LongCat-2.5 宣称的长处,也是最容易试出真假的地方。

如果你是技术负责人,正在给团队选 Agent 编码模型,LongCat-2.5 值得放进候选名单,但别急着替换现有的主力。理由有三条:第一,基准分里自测占比高,等第三方复测出来再下结论更稳妥;第二,部署路线目前只有 NPU,你的现有基础设施是不是 NPU,直接决定了接入门槛;第三,MIT 许可证确实友好,法务层面的阻力很小,但这只是万里长征第一步,真正的成本在部署和运维上。可以先拿 API 或者网页版做小规模对照测试,拿自己的任务、自己的代码库去跑分,比看任何评测表都可靠。

如果你是做推理框架或者做硬件适配的开发者,LongCat-2.5 反而是最值得立刻动手的人。1.6 万亿参数、MIT 协议、社区关注度,这三样加在一起,意味着谁先把 vLLM、Transformers 或者 llama.cpp 的支持做出来,谁就能吃到第一波流量和口碑。模型卡里那个 NPU 分支已经摆在那儿了,架构细节不是黑盒,缺的只是有人把它搬到更多硬件上。

最后回到标题那句话。美团把一个 1.6 万亿参数的模型用 MIT 协议放出来,这件事本身值得肯定——许可证越松,开源的诚意越足,社区能玩出的花样也越多。但诚意不等于可用性,3.56TB 的权重、194 张昇腾卡的部署指南、至今没有 NVIDIA 官方路线,这些现实条件决定了:这次开源首先是给有集群的机构准备的,其次才是给所有人的。普通开发者的正确姿势不是去下载权重,而是先去网页上试用,等社区把部署门槛打下来,再决定要不要把它请进自己的工具箱。模型已经开源了,热闹才刚刚开始,真正的好戏在第三方复测和社区适配出来之后。

阅读 10评论 0

评论 (0)

ME
0/1000
评论加载中...

原始来源

浏览项目广场发布你的项目

相关文章

一名戴眼镜的开发者深夜坐在木桌前敲笔记本电脑,身后大显示器上是彩色代码,窗外是模糊的城市夜景灯光
资讯
把中间层多跑三遍,小模型也能打大模型:Inkling 2 Mini 让 26B 的模型住进笔记本

2026 年 11 月 20 日,Thinking Machines Lab 发布 Inkling 2 Mini:26.4B 参数的循环 Transformer,中间 12 层每 token 跑三遍,整机只有约 20GB,能在笔记本上离线跑。DeepSWE 48.2%、SWE-bench Verified 79.2%,在同体量开源模型里领跑——但知识短板和监控问题也写在官方博客里。

产品发布模型动态AI 编程实践
一名戴眼镜的开发者坐在木桌前敲笔记本电脑,左边外接显示器上是深色背景的 C 语言代码,桌上有绿植
资讯
微软的编程模型终于不当配角了:MAI Code 2 拿 96% 的分数、只收 5% 的钱,但先看清三处“但是”

2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。

开发工作流产品发布模型动态
黑色背景上,一名指挥家背对镜头高举指挥棒,脚下环绕着旋转的光轨,像一支乐队正在被指挥
资讯
一个接口接 45 个模型,坏了自动换一家接着跑:Perplexity 的 Orchestrator 想当模型界的‘总机’

2026 年 11 月 17 日,Perplexity 推出 Orchestrator API:一个接口接通 OpenAI、Anthropic、Google、xAI 与 GLM、Kimi、DeepSeek 等开源权重模型,按回答模型的公开价计费、不收平台费。同一模型挂了就换一家部署接着跑,路由功能还能按任务把请求分给不同的模型。

开发工作流产品发布模型动态