AI工具导航

语言 / Language

返回模型列表

LongCat-2.5 – 美团 LongCat 推出的原生多模态模型深度评测

AI科技编辑部
RSS 订阅
#AI Agent#多模态#AI编程
LongCat-2.5 – 美团 LongCat 推出的原生多模态模型深度评测 官方截图
（图片来源官方截图）

导读摘要：

LongCat-2.5是美团LongCat团队推出的原生多模态模型，总参数达1.6万亿，每token激活约480亿参数。该模型面向长程智能体任务设计，将视觉信号离散化为多层级token与文本统一处理，显著强化了Visual Coding能力。依托大规模Agentic强化学习、数据合成流水线以及国产算力上的长上下文训练与W4A4量化优化，LongCat-2.5在终端编程、浏览检索、视觉理解等多项评测...

1. LongCat-2.5是什么

LongCat-2.5是美团LongCat团队推出的原生多模态模型，总参数达1.6万亿，每token激活约480亿参数。该模型面向长程智能体任务设计，将视觉信号离散化为多层级token与文本统一处理，显著强化了Visual Coding能力。依托大规模Agentic强化学习、数据合成流水线以及国产算力上的长上下文训练与W4A4量化优化，LongCat-2.5在终端编程、浏览检索、视觉理解等多项评测中与GPT-5.5、Claude-Opus-5同处第一梯队，代表了国产大模型在多模态智能体领域的重要进展。

longcat-2-5-longcat 官网截图
（图片来源官方截图）

技术定位与领域： 属于多模态大语言模型（Multimodal LLM）与智能体（Agent）交叉领域，定位于长程复杂任务的端到端自动化执行，涵盖终端编程、网页生成、视觉理解与专业办公分析等方向。其核心创新在于将视觉信号与文本在同一token空间内统一建模，实现真正意义上的原生多模态理解与生成。

研发背景： 由美团LongCat团队研发，该团队在LongCat系列模型上积累了深厚的技术经验。从LongCat-Next到LongCat-2.0，再到当前的LongCat-2.5，团队持续迭代视觉表征建模、强化学习训练与分布式系统工程能力。此次发布正值国产大模型竞争白热化阶段，LongCat-2.5选择以智能体能力为核心突破口，展现了差异化的技术路线。

核心价值： LongCat-2.5解决了现有模型在长程多模态智能体任务中表现不佳的问题——大多数模型在需要多步推理、工具调用与视觉交互的复杂场景中难以保持稳定性能。该模型通过原生多模态token统一建模、大规模智能体强化学习与训推一致性工程优化，实现了从简单对话到复杂代码库开发、从静态图像理解到高帧率动态网页生成的跨越，为AI从"对话工具"走向"生产力平台"提供了技术支撑。

技术特点： 模型采用MoE（混合专家）架构，1.6万亿总参数配合每token仅激活480亿参数的设计，在保证能力上限的同时控制推理成本。支持W4A4量化在国产AI加速器（如华为昇腾）上高效训练与推理，并通过FSDP/EP并行度对齐超节点卡数、双重分片FSDP、零拷贝通信等系统工程优化，实现了训练与推理逐token logprob bitwise一致，为大规模长程强化学习的稳定运行奠定了基础。

2. 主要功能

  • 端到端智能体编程： 能够从需求理解到代码实现、测试用例生成、代码库级修改全流程自动化。在SWE Atlas-Codebase QnA上达到58.3分、Refactoring达到55.2分、Test Writing达到47.8分，均显著超越GPT-5.5（分别为45.4、44.8、42.6分），展示了在真实代码库环境中的工程能力。模型可完成完整项目构建，而非仅生成代码片段。

  • 原生多模态视觉理解： 视觉信号通过残差向量量化编码为多层级离散token，与文本token在同一语义空间中统一处理，无需额外的视觉编码器桥接。这一设计使模型能够天然地完成涉及图像与文本交叉推理的任务（Visual Coding），在VideoMME上达到85.2分，在Vision2Web上达到78.6分，证明了其在动态视频理解与视觉到网页生成方面的能力。

  • 大规模智能体强化学习： 构建了可扩展的数据合成流水线，能够自动生成任务、模拟环境和可验证的测试用例，并用真实Agent的失败轨迹持续补充训练数据。训练中采用partial rollout异步策略缓解长尾问题，通过logprob裁剪抑制样本陈旧性带来的梯度偏置，并通过断网、清缓存加LLM judge的组合策略防御reward hacking。跨任务、跨Harness混合训练显著提升了模型的泛化能力。

  • 长上下文Rollout优化： 在PD分离部署架构下，通过QCP/KVP与HiCache机制扩大有效KV缓存，利用LSA层间索引复用实现跨层KV预取，使Decode阶段的有效缓存接近翻倍。容量感知调度策略避免了长轨迹交替推进引发的重算雪崩，保障了大规模长程RL训练的效率与稳定性。

  • 国产算力适配与训推一致性： 采用FSDP/EP并行度对齐超节点卡数，使通信集中在高带宽域内，混合词表并行降低显存占用。双重分片FSDP跨域分片FP32主权重与优化器状态，配合零拷贝通信与计算重叠，SFT单卡吞吐较DDP提升86%。统一batch-invariant算子并扩展TP与DCP支持，确保训练、Prefill、Decode三个阶段的逐token logprob完全bitwise一致。

  • 多专家在线蒸馏（MOPD）： 领域专家模型基于学生模型在线采样的全词表KL散度来训练学生模型。将教师回复按固定长度拆分为per-cut prefix并限制学生采样长度，有效控制分布偏移。配合Tree Attention实现单次前向反向传播完成训练，大幅降低计算与存储成本，使得1.6T级模型的知识蒸馏在工程上变得可行且高效。

  • 创意与3D内容生成： 支持实时流体模拟、3D数字展览、城市沙盘、微缩场景等复杂的网页生成任务，能够基于自然语言描述直接生成可交互的高帧率动态网页，将视觉理解与编程能力融合为可直接落地的创意工具。

3. 应用场景

  • 软件开发与代码库维护： 开发团队可将LongCat-2.5接入CI/CD流程，用于自动完成Issue修复、功能模块开发、代码库重构与测试用例补全。在DeepSWE v1.1基准上达到64.6分，模型能够端到端理解大型代码库结构与业务逻辑，适合作为辅助开发工具处理重复性编码任务，也可在人工review下参与架构级重构。

  • 视觉驱动的网页与应用生成： 产品经理或设计师提供草图、参考图辅以自然语言描述，LongCat-2.5可直接生成对应的动态网页或应用原型。在Vision2Web上达到78.6分，模型能够将视觉设计意图转化为高保真的交互页面，支持实时流体模拟、3D交互展示等高级视觉效果，显著缩短从设计到实现的原型验证周期。

  • 专业办公与经营分析： 企业分析师可将多渠道经营数据（销售、营销、库存、客户反馈等）输入模型，自动生成利润核算、驱动因素分析、营销与库存建议等结构化报告。模型能够整合非结构化数据源并输出可交互的HTML分析报告，适用于管理层周报、季度经营复盘等高频分析场景。

  • 客户反馈智能处理： 客服与用户研究团队接入LongCat-2.5处理海量客户反馈，模型能自动识别重复反馈、按严重程度排序、提炼核心痛点并生成交互式HTML可视化报告，在JobBench上达到65.4分，展现了对非结构化信息的理解、归纳与呈现能力。

  • 活动运营与营销素材生成： 运营人员上传场地照片并结合自然语言需求（如"科技感""容纳50人""设置签到处"），模型生成可报名的活动邀请网页，支持名单导出。在AutomationBench上达到51.8分，该场景验证了模型在真实业务工具链中的多步骤操作能力，适合市场与活动团队快速产出高质量运营物料。

4. 如何使用

  1. 环境准备： LongCat-2.5提供两种接入方式。快速体验用户无需任何环境配置，直接通过浏览器访问在线体验页面即可使用对话界面。需要API接入的开发者需准备可联网的开发环境，并注册LongCat平台账号以申请API密钥。

  2. 快速体验： 访问在线体验页面 https://longcat.chat ，进入对话界面后直接用自然语言描述需求。例如上传一张图片并提问"分析这张门店照片的陈列问题"，或输入"帮我生成一个包含实时流体模拟效果的品牌宣传页"。体验环境支持图文混合输入，适合功能验证与效果评估。

  3. API接入： 开发者进入 https://longcat.chat/platform/product 页面申请API密钥，审核通过后获得访问凭证。将密钥配置到自有应用的请求Header中，按官方文档的接口规范发送对话请求。API支持多模态输入（文本+图像）与长上下文任务，适合将模型能力集成到现有业务系统中。

  4. 模型部署（企业级）： 对于数据敏感或需要本地化部署的企业，LongCat提供私有化部署方案。部署环境建议使用国产AI加速器集群（如华为昇腾），利用模型内置的W4A4量化优化降低显存需求；1.6T总参数的MoE模型需要多节点分布式推理架构，部署时需参考官方提供的FSDP/EP并行度对齐建议。

  5. 关键配置说明： 使用长程智能体任务时，建议根据任务复杂度设置合理的最大生成长度与超时时间；API调用中可通过参数控制采样温度（编程任务建议低温0.2-0.4，创意生成任务可调至0.8-1.0）。长上下文任务场景建议启用官方提供的上下文缓存机制以降低重复请求成本。

  6. 注意事项与最佳实践： 在线体验环境适用于功能验证，生产环境应通过API接入。调用编程类任务时建议提供清晰的仓库结构说明与验收标准；视觉理解任务中，图像分辨率会影响token消耗与响应速度；涉及敏感数据时优先选择私有化部署方案，并遵循官方数据安全规范。

5. 优缺点分析

优点
原生多模态统一架构： 视觉信号通过残差向量量化编码为多层级离散token，与文本在同一语义空间中统一建模，无需额外桥接模块，Visual Coding能力突出，在VideoMME上达到85.2分。
长程智能体能力突出： 基于大规模Agentic RL与数据合成流水线训练，在SWE Atlas全系基准上领先GPT-5.5约10分，BrowseComp上达91.9分，能够稳定执行跨多步骤的复杂任务并保持高成功率。
国产算力自主可控： 支持昇腾等国产AI加速器上的高效训练与推理，W4A4量化与FSDP/EP并行对齐等优化使国产硬件上训练1.6T级模型成为可能，SFT单卡吞吐较DDP提升86%。
工程实现扎实： 训推逐token logprob完全bitwise一致，PD分离下的长上下文Rollout优化使Decode缓存接近翻倍，容量感知调度避免重算雪崩，为大规模长程RL的稳定运行提供了可靠保障。
数据合成与蒸馏技术领先： 自动生成任务、环境与可验证测试用例的流水线，配合多专家在线蒸馏（MOPD）与Tree Attention技术，大幅降低了高质量训练数据的获取成本与知识蒸馏的计算开销。

6. 同类工具对比

对比维度 LongCat-2.5 GPT-5.5
核心架构 MoE架构，总参1.6万亿，每token激活约480亿，原生多模态（视觉离散token与文本统一处理） 未完整公开参数规模与架构细节，确认为多模态模型
多模态能力 原生统一token空间，VideoMME 85.2分，Vision2Web 78.6分，Visual Coding能力为设计核心 支持多模态输入，具体架构未公开，视频理解能力无公开基准数据
智能体评测表现 SWE Atlas-Refactoring 55.2、Test Writing 47.8、Codebase QnA 58.3；BrowseComp 91.9；HLE w/tools 63.1 SWE Atlas-Refactoring 44.8、Test Writing 42.6、Codebase QnA 45.4；BrowseComp 84.4；HLE w/tools 52.2
终端编程能力 Terminal Bench v2.1 88.4，Terminal Bench v4.0 38.5 Terminal Bench v2.1 83.2，v4.0未参评
部署方式 支持国产加速器私有化部署（昇腾等），W4A4量化优化，也提供API接入 仅官方云端API，不支持本地化部署
开源协议 未开源模型权重，仅提供API与私有化部署方案 闭源商业模型
性价比 W4A4量化降低推理资源需求，国产算力部署成本可控 按token计费，长上下文任务成本较高
社区生态 背靠美团技术体系，平台与文档持续完善中，生态尚在建设 全球最大AI开发者生态，插件/教程/集成资源最为丰富

选型建议： 在需要长程智能体自动化编程与视觉理解融合的研发团队场景下，LongCat-2.5在SWE Atlas与BrowseComp上展现出明显优势，尤其适合已采用国产AI算力基础设施的企业——其W4A4量化与昇腾优化的深度适配是闭源国际模型无法提供的。但需注意其评测数据以官方自测为主，建议在关键任务上先进行小规模验证再全量接入。

对生态依赖度高、需要快速集成到现有工具链且不涉及数据合规问题的团队，GPT-5.5与Claude-Opus-5仍是更稳妥的选择——它们拥有成熟的API文档、丰富的第三方集成与可预期的性能表现。若任务集中在深度代码推理（如DeepSWE场景）且预算充足，Claude-Opus-5的67.0分略高于LongCat-2.5的64.6分，可作为优先考量。

7. 编辑总结

LongCat-2.5是国产多模态大模型在智能体方向上的一次重要技术实践。从技术创新性来看，该模型在视觉表征层面采用残差向量量化的多层级离散token方案，实现了视觉与文本真正意义上的原生统一建模——这不是简单的接口拼接，而是从底层token设计出发的架构融合。同时，其大规模智能体强化学习框架包含多项值得关注的工程创新：partial rollout异步训练策略缓解长尾效率问题、logprob裁剪抑制陈旧样本梯度偏置、断网与清缓存配合LLM judge防御reward hacking、跨任务跨Harness混合训练提升泛化——这些组合方案让1.6T级模型的长程RL训练从理论走向了可落地的工程实践。

在国产算力适配方面，LongCat-2.5展现出了具有实际参考价值的系统工程能力：FSDP/EP并行度对齐超节点卡数使通信留在高带宽域内、双重分片FSDP跨域分片FP32主权重与优化器状态、零拷贝通信与计算重叠使SFT单卡吞吐较DDP提升86%，训推逐token logprob完全bitwise一致更是大规模强化学习场景中罕见的技术保障。

从实用价值来看，LongCat-2.5在SWE Atlas、BrowseComp、JobBench等真实业务仿真基准上的成绩直接指向了可量化的生产力提升场景——代码库级编程、信息检索聚合、客户反馈处理、活动运营物料生成等，都是企业高频、高成本的真实需求。对于已布局国产AI算力基础设施的企业，LongCat-2.5提供了一个将自主可控算力转化为实际业务价值的契机。需要客观指出的是，当前评测数据以官方自测为主，第三方独立验证仍未完成，部分基准尚未参评，性能优势的最终确认有待更广泛的社区验证。

该模型适合三类人群：一是需要国产化AI基础设施落地的企业技术决策者，二是从事复杂软件开发与视觉内容生成的开发者，三是关注多模态智能体技术路线演进的研究人员。随着LongCat平台生态的持续完善与第三方评测的补充，LongCat-2.5在国产大模型竞争格局中的位置将进一步清晰。

8. 常见问题FAQ

Q：LongCat-2.5与LongCat-2.0的主要区别是什么？
A：LongCat-2.5相较于2.0版本在多个维度实现了显著迭代。核心提升包括：总参数从较小规模扩充至1.6万亿（每token激活480亿）；引入了大规模智能体强化学习与数据合成流水线，使模型具备端到端完成复杂代码库开发的能力；长序列训练与失败轨迹转化训练任务的引入，使模型在长程任务稳定性上有大幅度改善。官方表示，这些改进使得2.5版本较2.0版本在智能体相关评测中提升巨大。

Q：LongCat-2.5支持本地化部署吗？需要什么硬件条件？
A：支持。LongCat-2.5针对国产AI加速器（如华为昇腾）进行了深度优化，包括FSDP/EP并行度对齐超节点卡数、W4A4量化、双重分片FSDP等，使1.6T级MoE模型在国产算力上可训练可推理。但需要注意的是，1.6万亿总参数的模型完整部署需要多节点分布式集群，具体硬件配置建议联系美团LongCat团队获取官方部署方案。个人开发者无法在消费级硬件上运行完整模型，更适合通过API接入使用。

Q：LongCat-2.5的API如何申请？支持哪些接口能力？
A：开发者可通过 https://longcat.chat/platform/product 页面申请API密钥。API支持多模态输入（文本+图像混合）、长上下文对话、流式输出等能力，可集成到自有应用中实现智能体编程、视觉理解、报告生成等功能。API申请需通过平台审核，具体接口文档与调用规范可访问长猫平台获取。

Q：LongCat-2.5的评测成绩是官方自测的吗？可信度如何？
A：目前公开的评测数据（如Terminal Bench、SWE Atlas、BrowseComp等）均标注为官方自测结果，尚未经过第三方机构独立验证。评测环境、测试集划分与评估流程的透明度有待进一步公开。建议开发者在关键任务场景中自行进行小规模验证测试，以获得基于自身业务数据的客观评估。

Q：LongCat-2.5支持中文任务吗？在中文场景下表现如何？
A：LongCat-2.5作为国内团队研发的模型，原生支持中文输入与输出。当前公开的评测基准以英文任务为主（如SWE Atlas、BrowseComp等），中文专项基准的评测数据尚未公布。在专业办公分析、客户反馈处理等中文业务场景中，官方展示了应用案例，但具体量化效果有待更多实测数据支撑。

Q：LongCat-2.5的Visual Coding能力具体指什么？
A：Visual Coding指的是模型将视觉信息（图像、视频帧）理解为可操作的代码级语义——例如根据一张产品设计图直接生成对应的网页代码，或根据一段视频内容生成交互式可视化页面。由于视觉信号被编码为与文本统一的离散token，模型天然具备跨视觉-代码-自然语言的推理能力，这是其区别于传统"视觉问答"模型的核心差异化能力。

9. 项目地址

版权声明：本文部分内容由 AI 辅助生成并经人工校准，版权归本站所有，未经允许禁止任何形式的转载。