美团LongCat-2.5押注长程Agent：1.6T模型开始啃完整代码工程

美团在今天，也就是2026年11月2日，正式发布了原生多模态模型LongCat-2.5，目标不是再做一个更会聊天的模型，而是让Agent在复杂代码库、完整项目构建、视觉编程和3D设计等长流程任务里持续工作。

LongCat-2.5是美团面向长程智能体任务推出的1.6万亿参数MoE模型，每处理一个token约激活480亿参数。与9月25日上线的LongCat-2.5-Preview相比，今天的动作更接近正式版本交付：官方开始集中解释长程强化学习、失败轨迹训练、原生视觉token和国产算力推理优化，而不只是宣布模型支持看图和接入开发工具。(ithome.com)

这次升级最值得关注的地方，不是1.6T这个数字，而是美团把模型训练目标从「写出一段正确代码」推进到了「把一个持续数小时、涉及多个工具和文件的工程任务做完」。

参数没变，训练目标变了

MoE是混合专家模型架构，它不会在每次推理时调用全部参数，而是根据当前token动态选择一部分专家网络参与计算。

LongCat-2.5拥有约1.6万亿总参数，但每个token平均只激活约480亿参数，相当于用一个巨大的专家库储存能力，再让路由系统按任务选择合适的专家。这个设计的直接好处是，模型容量可以继续扩大，但实际推理成本不必按照1.6T密集模型的规模线性增长。

不过，LongCat-2.5的参数规模并没有比LongCat-2.0继续膨胀。LongCat-2.0在今年6月发布时同样是1.6T总参数、约48B平均激活参数，并原生支持100万token上下文。LongCat-2.5真正增加的是视觉输入、长程轨迹数据和面向真实Agent失败案例的后训练链路。(ithome.com)

| 项目 | LongCat-2.0 | LongCat-2.5-Preview | LongCat-2.5正式版 | |---|---|---|---| | 发布时间 | 2026年6月30日 | 2026年9月25日 | 2026年11月2日 | | 总参数量 | 1.6T | 1.6T | 1.6T | | 单token激活参数 | 约48B，动态范围33B至56B | 约48B | 约48B | | 上下文 | 原生1M token | 1M token | 延续长上下文Agent定位 | | 输入模态 | 以文本为主 | 文本、图像 | 原生多模态，视觉与文本统一token化 | | 核心定位 | Coding、工具调用、通用Agent | 图片理解与Agent编程预览 | 长程Agent、复杂代码工程、Visual Coding、设计与3D | | 模型权重 | 已开源 | 未开源 | GitHub与Hugging Face版本待上线 |

这张表说明，LongCat-2.5不是传统意义上的「堆参数升级」，而是一次训练任务和产品定位的调整。美团显然认为，Agent模型接下来的瓶颈并不是知道得不够多，而是在长链路执行中容易偏航、遗忘目标、错误调用工具，或者修改代码后无法完成验证。

长程Agent不是上下文足够长就行

长程Agent是能够在较长时间和大量步骤中持续规划、调用工具、检查结果并修正错误的智能体系统。

100万token上下文只能解决「能不能把整个代码库放进去」的问题，却不能保证模型知道应该先读哪些文件、修改哪些模块，以及什么时候运行测试。一个模型即使能记住几百个文件，也可能在第十次工具调用后偏离最初目标，或者为了修复一个错误制造三个新错误。

LongCat-2.5的训练重点正是这种连续执行能力。美团在长序列训练中加入更多长程任务轨迹，并通过大规模长程强化学习，让模型经历完整的规划、工具调用、代码修改、运行验证和错误修复过程。

强化学习在这里不是让模型把最终答案写得更漂亮，而是对整个执行过程进行奖励。比如，Agent接到「为一个旧项目增加权限系统」的任务后，需要先理解目录结构，再定位用户模型和路由，修改数据库迁移，补充接口，更新前端页面，最后运行测试。如果模型只完成其中三步，或者代码看似合理却无法编译，就不能算真正成功。

美团还把真实Agent的失败轨迹转换成可复现、可验证的训练任务。失败轨迹是模型在真实执行中出现错误的一整段过程，包括错误判断、无效工具调用、测试失败和后续修复尝试。

这套思路比单纯收集高质量答案更接近工程现场。传统监督微调往往只告诉模型「正确结果长什么样」，失败轨迹训练则进一步告诉模型「哪些看似合理的路径会把项目带进沟里」。对于代码Agent来说，后者可能更重要，因为大型项目中的很多问题不是模型不会写代码，而是不知道一次修改会影响哪些依赖关系。

我的判断是，失败轨迹数据会成为Agent时代比普通指令数据更稀缺的资产。高质量问答可以从文档、论坛和人工标注中获得，但真实项目里的失败、回滚、测试日志和修复路径，只有长期运行Agent的团队才能持续积累。

原生多模态不是外挂一个视觉模型

原生多模态模型是从模型主干层面统一处理文本、图像等不同输入，而不是先用独立视觉模型生成一段图片描述，再交给语言模型回答。

LongCat-2.5将视觉信号表示成多层级离散token，让主干模型用相对统一的token形式处理图像与文本。这种设计的意义是，视觉信息可以更深地参与推理、代码生成和工具操作，而不是停留在「识别图片里有什么」的层面。(ithome.com)

多层级离散token可以理解为给图片建立不同精度的索引。较粗层级用于理解页面结构和物体关系，较细层级保留文字、图标、边缘和局部样式。如果只有粗粒度视觉表示，模型可能看懂这是一个电商页面，却难以准确判断按钮间距、表格列宽或某个控件的位置；如果所有区域都使用最高精度表示，token数量和计算成本又会快速上升。

原生视觉与编程能力结合后，最直接的应用是Visual Coding。Visual Coding是模型根据截图、设计稿或当前软件界面，生成、修改并验证前端代码和交互逻辑的能力。

例如，开发者可以把一张移动端设计稿和现有项目交给Agent，让它识别页面结构、找到对应组件、修改CSS和交互逻辑，再通过浏览器截图检查结果。相比只输入文字需求，这种工作流减少了设计描述中的信息损失，也让模型能够在「观察界面—修改代码—重新观察」的循环中迭代。

但Visual Coding也是最容易被演示视频误导的能力。生成一张外观接近的网页并不难，真正困难的是响应式布局、状态管理、无障碍属性、组件复用和业务数据一致性。LongCat-2.5是否能在复杂前端项目中稳定完成这些环节，仍需等待正式技术报告和可复现实测。

跨Harness训练，是这次容易被忽视的重点

Agent Harness是负责连接模型、工具和执行环境的软件框架，例如为模型提供文件读写、终端命令、浏览器操作、任务状态和错误反馈。

同一个模型放进不同Harness，最终表现可能差距很大。工具描述格式、上下文压缩方式、命令执行权限、重试策略和测试环境都会影响Agent能否完成任务。因此，只针对单一框架训练的模型，很容易在换到另一套开发工具后出现工具调用格式错误或行为退化。

LongCat-2.5强调跨Harness混合训练，并适配Claude Code、Codex、Hermes等开发环境。这说明美团希望模型学到的是更通用的工具使用模式，而不是记住某个框架的固定提示词模板。(longcat.chat)

这一步很务实。开发者不会因为一个模型跑分高，就立即替换自己的整套Agent工作流；一个模型如果能以较低迁移成本进入现有工具，实际采用速度通常比需要专属客户端和专属协议的模型更快。

不过，跨Harness兼容不等于跨Harness表现一致。社区在10月进行的一次Terminal-Bench 2.1测试中，让LongCat-2.5-Preview、Space Bunny和MiMo v2.5各运行3轮、合计执行267个任务。LongCat-2.5-Preview的Pass@1为48.7%，Pass@3为64.0%，低于Space Bunny的52.1% Pass@1，但它的超时次数为48次，是三者中最少的。该测试并非官方评测，模型版本、Harness和执行预算也会影响结果，但至少说明LongCat的优势可能不仅体现在单次解题率，也体现在执行过程的稳定性。(reddit.com)

| 社区Terminal-Bench 2.1测试 | Pass@1 | Pass@3 | 失败次数 | 超时次数 | |---|---:|---:|---:|---:| | Space Bunny | 52.1% | 66.3% | 44 | 75 | | LongCat-2.5-Preview | 48.7% | 64.0% | 86 | 48 | | MiMo v2.5 | 44.2% | 66.3% | 85 | 58 |

这组数据不适合被包装成模型排名，因为它只来自一次社区实验，而且比较对象和运行时间并不完全一致。但它提示了一个重要问题：长程Agent不能只看最终通过率，还要看超时、异常退出、无效工具调用、token消耗和重复尝试次数。

W4A4解决的是能不能把1.6T模型真正跑起来

W4A4是一种将模型权重和激活值都压缩到4比特精度的推理量化方案，其中W代表权重，A代表激活。

对1.6T规模的MoE模型来说，量化不是锦上添花，而是决定部署成本和吞吐量的基础工程。即使每个token只激活48B参数，模型的全部专家权重仍然需要被存储、调度和跨设备传输。权重从16比特压缩到4比特，理论存储占用可以减少约75%，但真正困难的是避免量化误差破坏路由、注意力和长上下文推理。

美团表示，LongCat-2.5针对国产算力优化了长上下文训练和W4A4推理，并通过训推数值一致性与长上下文rollout优化，支撑大规模长程强化学习。(ithome.com)

训推数值一致性是训练环境与实际推理环境在数值精度和算子行为上保持一致。如果模型在高精度环境中完成强化学习，却在低精度推理时频繁改变工具选择或输出格式，训练阶段获得的策略就可能失效。

长上下文rollout则意味着模型需要在强化学习阶段真正运行较长轨迹，而不是只生成几个步骤就结束。轨迹越长，占用的显存、计算时间和环境资源越多，训练过程中任何一个工具或执行环境出错，都可能让整段样本报废。这也是长程Agent后训练比普通聊天模型更昂贵的原因。

价格低，但模型是否省钱要看任务完成率

LongCat-2.5目前的限时价格是每百万token未缓存输入0.30美元、缓存输入0.006美元、输出1.20美元；人民币价格分别为2元、0.04元和8元。

这个价格对长上下文Agent很有吸引力，因为代码库分析、终端日志和工具返回值会快速扩大输入token。但Agent的真实成本不是单次token单价，而是完成一个任务总共消耗多少token、调用多少次工具，以及失败后需要重跑几次。

一个输出价格便宜50%的模型，如果需要三次重试才能完成任务，最终成本仍可能高于更贵但一次完成的模型。LongCat-2.5需要证明的不是「每百万token便宜」，而是「每个成功完成的工程任务便宜」。

LongCat-2.5更像一张工程能力答卷

LongCat-2.5最清晰的产品信号，是美团没有继续围绕知识问答和单项跑分讲故事，而是把复杂代码库、完整项目、Visual Coding和长程Agent放在同一条主线上。

这条路线与美团自身的需求高度一致。搜索、推荐、配送调度、客服、商家运营和内部研发都包含大量跨系统、长流程任务。对于美团来说，一个能连续调用工具、处理异常并完成闭环的Agent，商业价值显然高于一个在聊天界面里回答更流畅的模型。

但截至今天，LongCat-2.5仍缺少足够完整的公开材料。IT之家报道展示了官方评测图片，但模型技术报告、训练细节、完整评测配置以及LongCat-2.5对应的GitHub和Hugging Face权重尚未同步上线。社区也需要确认正式版相较9月Preview版本，在长程任务成功率、工具调用错误率和视觉编程能力上究竟提升了多少。

因此，对开发者最合理的态度不是立刻把LongCat-2.5当成Claude或GPT系列的平替，也不是因为它来自美团就忽略它。它目前更适合作为一个成本较低、上下文很长、工程取向明确的Agent候选模型，在真实代码库里做受控测试。

判断LongCat-2.5是否有用，至少应该观察五个指标：

• 同一任务连续运行3至5次的成功率，而不是最好的一次结果；
• 工具调用格式错误、命令失败和超时的发生次数；
• 修改代码后能否主动运行测试并根据结果继续修复；
• 上下文增长到数十万token后，是否仍能记住最初目标；
• 完成一个任务的总token成本、耗时和人工接管次数。

LongCat-2.5的方向是对的：Agent竞争已经从「模型能不能写代码」转向「模型能不能接手一个项目并把任务做完」。但在技术报告和权重真正公开之前，它依然是一款值得测试、但不该只凭参数表下结论的模型。

参考来源

• IT之家：美团龙猫发布LongCat-2.5原生多模态AI模型 — 2026年11月2日发布信息，包含模型规模、长程强化学习、视觉token与W4A4等核心细节。
• IT之家：美团上线LongCat-2.5-Preview模型 — 记录2026年9月25日预览版上线及1M上下文、多模态和开发工具适配信息。
• IT之家：LongCat-2.0发布与评测数据 — 用于对比LongCat-2.0的架构、国产算力训练和Coding、Agent评测表现。
• Reddit：LongCat-2.5-Preview Terminal-Bench社区测试 — 非官方独立测试，提供Pass@1、Pass@3、失败和超时数据。
• GitHub：美团LongCat官方组织 — LongCat系列模型、评测与技术项目的官方代码组织，LongCat-2.5仓库截至发稿尚待上线。
• Hugging Face：美团LongCat官方主页 — LongCat系列模型与相关资源主页，LongCat-2.5权重截至发稿尚未公开。