美团 LongCat-2.5 发布:1.6 万亿参数全跑在国产算力上,长程智能体把写代码和做分析端到端干完
2026 年 11 月 2 日,美团发布新一代大模型 LongCat-2.5:总参数 1.6 万亿、训练全程由国产算力完成、原生多模态、主攻长程智能体与智能体编程。本文拆解它为什么把筹码压在「国芯国模」上,长上下文与超节点协同怎么把单卡效率抬升 86%,以及它给中小企业留下的真问题——算力门槛在降,但数据底座要先立。

- LongCat-2.5 总参数规模
- 1.6 万亿
- 训练与推理全程依托国产 AI 芯片
- 100% 国产算力
- 中训练阶段最长长上下文序列
- 1M token
- 单卡训练吞吐较 DDP 基线提升
- +86%
要点速览
2026 年 11 月 2 日,美团发布 LongCat-2.5:总参数 1.6 万亿、训练全程由国产算力完成,是「国芯国模」路线的最新样本。
它不再只是聊天模型,而是面向长程智能体任务的原生多模态模型:视觉输入被统一成 token,能处理交互网页与 3D 展示页面。
长上下文是关键底座:中训练阶段用最长 1M token 的序列开展长上下文训练,累计训练量达数万亿 token,让模型能记住更长的工作链路。
国产算力上的效率被显著优化:美团与国产算力厂商协同优化显存与卡间通信,单卡训练吞吐较 DDP 基线提升 86%,接近翻倍。
智能体编程被重点强化:通过大规模长程强化学习提升端到端工程任务能力,让模型更好地支撑复杂软件开发。
两条落地主线很务实——商业分析与软件开发:例如品牌多渠道经营分析,模型能自主构建全渠道利润分析表、识别结构性问题并给出优化建议。
评测坐标务实:多项主流基准介于 Claude-Opus-4.8 与 Opus-5 之间,部分专项超过 Opus-5,整体比肩国际成熟闭源模型。
黄鹂鸟视角:算力门槛在降,但数据底座要先立——长程智能体要跑得起来,前提是业务流程与数据先在线化、结构化。
本期三大主角
LongCat-2.5、国产超节点、长程编程范式——国芯国模的三块拼图
LongCat-2.5(美团)
美团 · 国芯国模的长程智能体
- 1.6 万亿参数、原生多模态
- 最长 1M token 长上下文训练
- 强化智能体编程与端到端工程任务
国产算力超节点集群
美团 + 国产算力厂商 · 把万亿模型跑得稳又省
- 超节点优化显存与卡间通信
- 单卡吞吐较 DDP 提升 86%
- 长序列训练效率接近翻倍
长程智能体编程范式
软件工程场景 · 从写片段到走完流程
- 大规模长程强化学习
- 面向复杂软件开发
- 端到端交付可用工程成果
从国芯到国模
2026 年美团大模型国产算力路线的时间线
- 2026 年 6 月
美团发布 LongCat-2.0,首次在国产算力上完成万亿参数模型的全流程训练与推理
- 2026 年 11 月 2 日
美团发布新一代大模型 LongCat-2.5,总参数 1.6 万亿,训练全程由国产算力完成
- 2026 年 11 月 2 日
LongCat-2.5 同步上线官网 longcat.ai 体验与开发者 API 调用
- 2026 年 11 月 2 日
技术博客披露:单卡训练吞吐较 DDP 基线提升 86%,优化后效率接近翻倍
- 2026 年 11 月 7 日
本文整理:国产算力跑通万亿参数长程智能体的脉络与中小企业落地路径
国产算力第一次跑通万亿参数
过去谈到「万亿参数模型」,默认答案往往是海外高端显卡堆出来的集群。2026 年 11 月 2 日美团发布 LongCat-2.5,把这个默认答案改写了一次:总参数 1.6 万亿,训练全程由国产算力完成。
这不是一次简单的参数堆砌。今年 6 月,美团发布 LongCat-2.0,首次在国产算力上完成万亿参数模型的全流程训练与推理;到 2.5,模型不仅在国产芯片上跑通,还把原生视觉理解、智能体编程和国产算力的长上下文效率一起往前推了一步。
对行业而言,真正的信号是「可行性」三个字。当国产算力能够稳定承载万亿级训练与推理,企业就不再被迫在「用国产」和「用得上」之间二选一,国产模型与国产硬件开始形成正反馈。
对中小企业,这层意义更实在:算力供给的多元化,意味着未来你接大模型能力时,不必只盯着单一来源,成本与可用性都有了更多腾挪空间。
LongCat-2.5 到底是什么
如果说上一代模型更像「会聊天的知识库」,LongCat-2.5 的定位是「面向长程智能体任务的原生多模态模型」。差别在于,它从设计之初就把任务执行放在中心,而不是把对话放在中心。
所谓原生多模态,是指视觉输入被统一转化为模型可处理的 token,而不是把视觉作为一个外挂模块事后拼接。这让它能处理交互网页、3D 展示页面这类需要「看懂界面、操作界面」的任务。
所谓长程智能体,是指模型能沿着一条较长的工作链路连续推进,而不是每步都要人重新交代背景。它更像一个被授权走完流程的同事,而不是一个只回答单句的客服。
这两条加在一起,指向一个清晰的产品方向:让模型从「生成一段内容」升级为「办完一件事」。研发团队也明确把商业分析与软件开发作为两条主攻落地线,这比炫技更接近企业的真实账单。

长上下文:长程智能体的真正底座
长程任务能不能跑通,一半取决于模型聪不聪明,另一半取决于它能不能「记得住、接得上」。LongCat-2.5 在中训练阶段采用最长 1M token 的序列开展长上下文训练,累计训练量达数万亿 token。
1M token 意味着模型一次能「看见」的上下文相当于一本很厚的书。对于需要翻阅大量代码、文档、历史对话才能决策的任务,这个长度直接关系到它能否不丢失前因后果。
但长序列真正的难点不在长度,而在成本。多张算力卡协同处理 1M token 这样的长序列时,显存容量和卡间通信直接决定效率。序列越长,对通信带宽和显存调度的压力越大。
所以长上下文不是单纯把窗口拉大,而是和后面的算力优化绑在一起的系统工程。没有后者的配合,再长的窗口也只是把昂贵写在了账单上。
超节点协同:把单卡效率抬升 86%
LongCat-2.5 技术博客里最值得企业关注的,不是参数规模,而是一组工程数字:在长上下文监督微调任务中,优化后的单卡训练吞吐量较 DDP 基线提升 86%。
DDP 是分布式数据并行的缩写,是业界常见的多卡训练方式。基线提升 86%,意味着按单卡吞吐折算,一张卡在同样时间内能完成原来约 1.86 张卡的工作量,处理效率接近翻倍。
背后的做法是围绕国产算力单卡显存偏小的现实,与国产算力厂商协同优化显存使用、卡间通信以及计算与传输效率,并通过超节点架构重新规划任务分工,让参数与任务数据的主要通信在超节点内的高速互联网络中完成。
这组数字对行业的价值在于:它证明国产算力上的效率是可以被工程化「抠」出来的。当单卡效率接近翻倍,万亿模型的训练与推理成本曲线就会被显著压低,更多企业才敢真正用起来。

智能体编程:从写片段到走完流程
长程智能体在软件场景里最直观的落地,是智能体编程。LongCat-2.5 采用大规模长程强化学习,提升端到端工程任务能力,更好地支持复杂软件开发。
传统代码模型大多停在「补全下一行」或「写一个小函数」;长程强化学习训练出来的智能体,目标是把一个完整任务拆成步骤、调用工具、读报错、改代码,直到跑通。
这对企业研发意味着两件事:一是把重复性工程劳动下沉给智能体,人专注架构与评审;二是让「需求到可运行成果」的链路变短,原型与验证的节奏更快。
当然,端到端不等于零监督。关键动作仍需要人工确认,模型产出要进版本管理与代码评审流程。把智能体接进研发规范,比单纯追求生成速度更重要。
商业分析:从数据里长出利润洞察
除了写代码,LongCat-2.5 另一条落地主线是商业分析,而且选得很贴美团自身:本地生活服务里的商家经营。
一个被公开举例的场景是品牌多渠道经营分析。模型能自主构建全渠道利润分析表,精准识别增长中的结构性问题,并据此生成具有针对性的优化建议,而不是只给一堆图表。
这一步的关键在「自主构建」四个字。过去做经营分析,人要先把各渠道数据导出来、对齐口径、搭表,模型才敢分析;现在模型沿着目标自行组织数据,把人从重复的取数搭表劳动里解放出来。
对中小企业,这条线最有借鉴意义:你不一定需要万亿模型,但你需要让模型读得懂你的经营数据,并围绕「利润从哪来、问题在哪里」给出可执行建议,而不是只做漂亮的报表。
评测坐标:务实,不喊口号
权威评测显示,LongCat-2.5 在多项主流基准测试中表现稳定,综合能力位于 Claude-Opus-4.8 与 Claude-Opus-5 之间,部分专项测试结果已超越 Claude-Opus-5。
这个坐标的好处是「可对照」:它把国产模型放进国际成熟闭源模型组成的刻度尺里,而不是只在自家榜单上 self-talk。介于两者之间、局部超过,是一个相对诚实的表述。
更值得记下的,是美团负责人的一句话:人工智能技术的价值在于深度融入真实业务流程、切实解决实际问题,而非单纯追求参数规模或生成吞吐量。
这句话其实给所有追新模型的企业泼了一盆温和的冷水:参数再大,落不到业务里,也只是一次发布会上的掌声。模型能力的真价值,永远写在业务结果那一栏。
对中小企业的真问题
LongCat-2.5 释放的最积极信号,是算力门槛在系统性下降:国产算力能跑万亿模型、单卡效率接近翻倍、开源与 API 同步开放,意味着未来接大模型能力的成本会更低、来源会更多。
但门槛下降不等于万事俱备。长程智能体要「跑得起来」,前提是你的业务流程与数据先在线化、结构化。模型再聪明,喂进去的是互相打架的脏数据,出来的结论也没人敢用。
很多企业的真实状态是:数据散在表格、邮件、老系统里,口径还没统一,流程还在人脑子里。这种情况下直接上长程智能体,等于给混乱装上长期记忆,只会把错误固化得更深。
所以中小企业在兴奋之余,最该补的课不是「选哪个模型」,而是「我的业务数据和流程,准备好被智能体读写了没有」。这堂课不上,再便宜的算力也白搭。
黄鹂鸟视角:把长程智能体接进真实业务
作为长期服务企业的技术团队,我们对 LongCat-2.5 的判断很明确:它证明国产算力 + 长程智能体的组合已经走到可规模化落地的门口,但门口到车间还有一段路。
我们的做法一直是先到一线把业务流程摸透:销售怎么谈、研发怎么排期、经营数据怎么取,把这些弄清楚,智能体才有落点。模型是放大器,业务逻辑才是地基。
我们建议中小企业从一个高频、痛点明确的单点场景切入——比如经营分析表自动生成、研发中的重复工程劳动——用最小成本验证价值,再决定是否横向复制。
一句话:算力在降价,场景在靠近。真正拉开差距的,是谁先把业务数据与流程准备成「智能体读得懂、改得动」的样子。这件事,今天就该开始做。
把趋势落成系统
文中反复强调的前提——数据在线化、流程结构化——正是下面这些系统在解决的事
常见问题
关系在算力供给的多元化。当国产算力能稳定承载万亿级训练与推理,企业未来接大模型能力时不必只依赖单一来源,成本与可用性都更有腾挪空间。但对单家企业而言,更直接的抓手仍是从一个具体场景切入试点,而非追参数规模。
看懂了趋势,下一步是选对系统
告诉我们你的行业、团队规模和最想自动化的环节,我们从 866 条产品线里帮你匹配合适的管理系统, 或按需求定制开发——并为 AI 接入预留好规范的数据接口。
7×24小时在线

把文章里的思路,落成你的系统方案
留下行业与业务规模,我们免费给出针对性的选型建议与实施路径
服务保障
- 免费需求分析
- 按行业匹配系统
- 实施方案透明
- 7×24 技术支持



