11 月 1 日,美团 LongCat 团队发布 LongCat-2.5 并放出完整技术报告,次日模型在 LongCat API 平台可用(官方发布页)。规格表几乎没动:总参数维持 1.6T,每 token 激活约 48B,1M 上下文、128K 输出,和 9 月的 Preview 一致。变的是训练目标——2.0 学会写代码,2.5 要「完成项目」:跨代码库、终端、浏览器、表格和设计画布,而且它看得见。
参数不动,分数跳变
官方对比表里最说明问题的是这几个数字:Terminal Bench v2.1 从 70.8 到 88.4,v4.0 从 3.0 到 38.5,DeepSWE v1.1 从 9.7 到 64.6,PaperBench 从 45.2 到 82.1,BrowseComp 从 79.9 到 91.9。同一副骨架,最难的多步任务分数翻了几倍——官方把话说透:起作用的是长程智能体 RL,不是预训练规模。报告也没回避短板:对比集里 Terminal Bench v4.0 最优是 Claude Opus 5 的 53.9,高出约 15 分;DeepSWE v1.1 与 Terminal Bench v2.1 头名是 DeepSeek V4.1-Flash;纯视觉基准中游(VideoMME 85.2 对 Kimi K3 的 90.0)。官方结论很直白:广度有竞争力、带视觉编码特色,但最难的工程任务尚未登顶。
视觉进主干
「原生多模态」不是外挂视觉编码器:图像表示为多级离散 token(RVQ 量化原生分辨率 SAE 特征,LongCat-Next 路线),文本与视觉共享一套 token 流和训练目标。视觉 token 离线预计算并缓存,视觉编码器干脆不进训练图。在约 3B 激活参数的探针模型上,t-SNE 显示视觉与文本嵌入交织而非分簇。落地形态叫「视觉编码」:读截图、图表、UI 或 3D 视口,在同一个推理循环里写代码。
国产加速器与 W4A4
基础设施侧,长上下文训练和 W4A4 推理都在国产加速器上优化。1.6T MoE 的推理把专家权重和激活压到 4bit,靠 FlatQuant 的可学习等价变换恢复精度,官方称全部评测任务与未量化模型持平;线上压测对 W8A8,prefill 吞吐 +43.3%,decode +42.77%,TTFT 降低 15.91%。训练侧 FSDP 配置在长序列 SFT 上比 DDP 基线每卡吞吐高 86%。
开源停在 2.0
最值得玩味的是发布方式:未宣布开放权重。这打破了 LongCat 家族的默认模式——Flash-Chat、Flash-Thinking、2.0(MIT)、Next、Video-Avatar 都放过权重。对自托管用户,2.0 仍是可用的最新开放权重;2.5 是托管服务,带相应的延迟、数据驻留与计价依赖。第三方报道(TechNode 经 AI Weekly 转述)确认 11 月 2 日上线与国产芯片训练口径;权重放不放,等下几次发布给答案。
所以呢:当参数不再增长、Terminal Bench v4.0 还能从 3.0 跳到 38.5,「堆预训练 token」的叙事就该让位了——下一轮比拼的是谁能在真实环境里把 RL 跑通。你是继续等开放权重,还是先换个 base URL 试试 API?