美团在 2026 年 11 月 2 日上线技术博客、11 月 10 日正式以 MIT 协议开源了面向自主编程与智能体任务的混合专家模型 LongCat-2.5，开放了主仓库与专家层 4-bit 量化的两个 Hugging Face 仓库，但未发布独立 PDF 技术报告或 arXiv 论文。外媒随后打出了全程未碰英伟达 GPU、性能追平 Claude Opus 5 的醒目定论，但这层滤镜遮住了真正值得算清的工程账本：美团确实在国产算力限制下跑通了 1.6 万亿参数巨型模型的训练与推理，可无论全链路硬件边界还是高阶编程能力，距离无缝替代顶尖闭源模型都还有一段硬骨头要啃。
零英伟达叙事的边界与 194 张昇腾卡的真实角色
海外报道将国产硬件训练与 194 张华为昇腾 Atlas A2 加速卡并置，很容易让人误以为美团仅靠这不到两百张卡就从头训出了万亿大模型。翻开一手技术记录就会发现，两者的分工与边界截然不同。
在训练端，美团 11 月 2 日的技术文章仅披露使用了单卡显存小于 80GB 的国产 AI 加速卡，针对长序列中期训练与监督微调做了专门优化，并未点名具体芯片厂商或型号，也没有公布训练卡时与资金成本。至于外媒提到的 50,000 卡国产集群，其实是美团在 2026 年 6 月 30 日发布前代 LongCat-2.0 时披露的底座规模，彼时模型卡记录消耗了数百万加速卡天与超过 35 万亿预训练 Token，并在 OpenRouter 上以 Owl Alpha 的匿名代号测试过。
更关键的是，LongCat-2.5 在训练中蒸馏了多个专职处理智能体、推理和对话的教师模型，官方并未提供这些教师模型、早期预训练及合成数据管线完全排除英伟达硬件的审计证据。况且其底层推理框架 SGLang-FluentLLM 的主分支文档里，至今仍保留着在英伟达 H800 与 H20 上测试的说明，所谓全生命周期零英伟达更多是外部传播的过度演绎。
那 194 张昇腾 Atlas A2 加速卡，实际上是美团为推理端提供的高吞吐部署示例。LongCat-2.5 总参数达 1.6 万亿，每处理一个 Token 激活约 480 亿参数，API 支持最高 100 万 Token 输入与 12.8 万 Token 输出，支持文本、图像与视频理解及推理开关，并借鉴 LongCat-Next 将图像按原生分辨率直接转化为离散 Token 处理。为了在显存受限的国产卡上跑通这套庞然大物，美团仅针对 MoE 专家权重与激活值做了原生 INT4 矩阵计算量化（即 W4A4，并非全模型或训练阶段均跑在 4-bit），并将 194 张卡拆成 2 张处理图像、64 张负责提示词摄取（Prefill）、128 张负责响应生成（Decode）的三段式分离集群。
压测数据显示，W4A4 版本在保持精度的同时，相比 W8A8 基线将提示词处理吞吐量提升了 43.3%、生成吞吐量提升了 42.77%，首 Token 延迟（TTFT）降低 15.91%，每输出 Token 延迟（TPOT）降低 19.72%；若采用 W4A4KV8 配置，相比 W8A8KV16 的生成吞吐量增幅更达到 92%。
用激进量化与百卡分离对冲单卡短板，这才是国产算力跑通大模型的真本事。
跑分表的 AB 面与评测脚手架里的门道
为锤炼自主编程能力，美团收集真实 GitHub PR 任务并复现智能体失败案例，在屏蔽联网、移除 Git 历史与构建缓存的沙盒里做强化学习，再用语言模型审查作弊。这套管线让模型在真实代码库修 Bug 的 DeepSWE v1.1 测试中从前代的 9.7 分跃升至 64.6 分，超越了 Claude Opus 4.8，同时在自建环境的网页搜索基准 BrowseComp 上拿到了全场最高的 91.9 分。在命令行测试 Terminal Bench v2.1 上，LongCat-2.5 跑出 88.4 分，紧咬 Claude Opus 5 的 89.1 分与 GPT-5.6 Sol 的 88.8 分。
但如果只看这几个单点高分，就会漏掉同一张官方评测表里的另一面。在难度更高的测试集以及同代竞品面前，差距依然扎眼。
| 评测基准 | LongCat-2.5 | Claude Opus 5 | DeepSeek-V4.1-Flash |
|---|---|---|---|
| Terminal Bench v2.1 | 88.4 | 89.1 | 90.6 |
| Terminal Bench v4.0 | 38.5 | 53.9 | 未列 |
| DeepSWE v1.1 | 64.6 | 未列 | 74.2 |
| Program Bench (Almost Resolved) | 25.5 | 37.0 | 未列 |
| NL2Repo | 60.5 | 75.3 | 未列 |
| SWE Atlas (Refactoring) | 55.2 | 51.9 | 56.7 |
把完整的评测表摊开，除了上述表格中的差距，LongCat-2.5 在 SWE Atlas 的代码库问答（58.3 对 63.2）和编写测试（47.8 对 62.2）两项上也明显落后于 Claude Opus 5，在 Terminal Bench v4.0 上虽然以 38.5 分略高于 GPT-5.6 Sol 的 37.3 分，却比 Claude Opus 5 低了超过 15 分；即便在唯一反超 Claude Opus 5 的代码重构单项上，也依然被国内竞品 DeepSeek-V4.1-Flash 压制，更近期的 Claude Opus 5.5 与 GPT-6.1 Sol 则未列入表中。
更值得技术团队留意的是评测条件的不统一。美团并未公布业界通用的 SWE-bench Verified 跑分，且官方榜单混用了外部公开报告引用分与内部重测分：在测 Terminal Bench、Program Bench 和 NL2Repo 时，团队用 Claude Code 脚手架配合 512K 序列限制；到了测 DeepSWE v1.1 时，又换成了 mini-swe-agent 配合 1M 序列限制。缺乏统一固定脚手架与第三方独立验证，意味着纸面跑分还不能直接等同于生产环境里的稳定表现。
算力集群的工程门槛与开发者的现实选择
对于华为昇腾等本土芯片商而言，美团用 194 张卡跑通 1.6 万亿参数模型，证明了靠超大总参数、低激活比的 MoE 架构加上激进低比特量化，完全能对冲单卡显存和互联带宽的短板。此前美团还开源过仅 60 亿参数的文生图模型 LongCat-Image，同样走的是用数据质量与效率换取体量克制的路子，这与 Kimi K3.1、GLM-5.3 等近期国产模型靠系统工程追赶海外前沿的逻辑一脉相承。
但对打算私有化部署的企业研发和开源社区来说，从拿到 MIT 协议权重到真正跑起来，中间横着一道不低的软件工程墙。美团的自托管指南并没有提供英伟达 GPU 的 W4A4 适配方案，而是依托于 SGLang-FluentLLM 仓库的特定昇腾分支，要求环境严格对齐 CANN 9.0、PyTorch 2.9、torch_npu 与 torchair 版本，还得手动编译 flash_ops 和 flash_npu_kernel 两个自定义算子包（其中一处构建脚本甚至只生成安装包而不自动安装），并按固定顺序拉起独立视觉服务与 Prefill、Decode 节点。
- 风险.1.6 万亿参数的庞大体量加上严苛的底层算子编译链路，决定了中小团队几乎不可能在本地低成本复现其官方吞吐表现。
- 建议.普通开发者和业务团队现阶段不必折腾私有化集群，直接通过官方网页端或兼容 OpenAI 与 Anthropic 格式的 API 接入 Claude Code、Codex 及 Hermes 即可，趁首发促销价（每百万输入 Token 约 0.27 欧元、输出约 1.07 欧元）用真实代码库验证成色。
接下来真正决定 LongCat-2.5 行业分量的变量只有两个：一是 SWE-bench 等独立第三方能否在统一脚手架下复现其编程得分，二是开源社区会不会逆向为这套万亿权重补齐通用的英伟达 GPU 量化推理分支。