基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
9.0
重磅
AI SCORE
模型发布2026-11-15 18:06

美团开放万亿级 Agent 模型权重

The Decoder#智能体#开放权重#国产算力
Editor brief · 编辑速览

美团发布 LongCat-2.5 权重,这款面向 Agent 的模型拥有 1.6 万亿参数,完全使用国产硬件训练。据报道,其 Terminal Bench 得分为 88.4,示例部署使用 194 颗华为昇腾芯片。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

美团开放了 LongCat-2.5 的模型权重:总参数 1.6 万亿,面向能自主完成多步任务的 AI Agent,尤其是编程。原文最醒目的信息是,它完全使用国产硬件训练,部分编程评测接近 Claude Opus 5。

但「接近」需要拆开看:命令行任务、真实仓库修复和更难的长程任务,成绩并不一致。对开发者更有用的,是它如何训练 Agent、怎样接入现有工具,以及为什么开放权重仍然离个人部署很远。

1.6 万亿参数,能给编程 Agent 带来什么

LongCat-2.5 在正式亮相一周后开放权重,采用混合专家架构(MoE)。它把能力分散在多个专家子网络中,每处理一个 token,只调用其中一部分:总参数 1.6 万亿,每个 token 约激活 480 亿参数。

激活参数少,能减少计算量,但不代表整个模型只需要存下这部分参数。

通过 API,它支持最高 100 万 token 上下文、最长 12.8 万 token 输出,接收文本、图片和视频,输出文本,并允许开关推理。对于需要反复读文件、执行命令、检查结果的 Agent,这提供了容纳更多任务材料的空间。但窗口容量不能直接证明它能可靠地利用全部内容。

相比 LongCat-2.0,新模型增加了图像理解。原文强调,它借鉴 LongCat-Next,把图片按原生分辨率拆成离散 token,与文本一起处理,目标是改善视觉编程、设计和 3D 任务。

LongCat-2.5 将原生分辨率图片拆成离散 token,与文本共同处理

前端读者可以把它理解为:模型试图把截图中的视觉信息和代码指令放进同一套处理流程。不过,原文没有给出截图还原页面的具体案例,也没有单独验证这种图像处理方式带来了多少提升。

训练 Agent,为什么要先堵住取巧的路

模型会写代码,与它能独立完成软件任务,是两回事。

美团的强化学习任务来自真实 GitHub 仓库的 pull request,也包括重建的 Agent 失败案例。训练环境禁止联网,移除 Git 历史和缓存文件,再通过测试与语言模型裁判检查结果,识别取巧行为。

这些限制解决的是奖励可信度:如果模型能直接找到现成补丁,或者从历史记录里翻出答案,任务通过也未必说明它学会了修复问题。

LongCat-2.5 从 GitHub 仓库构造任务,在隔离环境中执行并验证结果

团队还把多个专用教师模型在 Agent、推理和对话方面的能力蒸馏到 LongCat-2.5 中,即让一个模型学习多个专门模型的表现。

这套训练设计有道理,但原文没有提供消融实验,无法判断成绩提升分别有多少来自任务构造、环境限制或蒸馏。不能把其中某一个环节单独认定为成功原因。

跑分接近 Opus 5,部署却要看另一组数字

美团公布的评测,呈现的是能力分布,而不是统一领先:

评测 LongCat-2.5 原文给出的对照
Terminal Bench v2.1 88.4 Claude Opus 5:89.1;GPT-5.6 Sol:88.8;Deepseek-V4.1-Flash:90.6
DeepSWE 64.6 Deepseek-V4.1-Flash:74.2;GPT-5.6 Sol:72.7
Terminal Bench v4.0 38.5 GPT-5.6 Sol:37.3;Claude Opus 5:53.9
BrowseComp 91.9 表内最高,但使用美团自己的测试环境

DeepSWE 衡量真实代码仓库的缺陷修复能力。LongCat-2.5 从前代的 9.7 提升到 64.6,进步很大,但在表内仍只超过 Claude Opus 4.8。到了更难的 Terminal Bench v4.0,它与 Opus 5 的差距也明显扩大。

美团公布的 LongCat-2.5、前代模型及其他模型的 Agent 评测对比

这份表没有纳入更新的 Claude Opus 5.5 和 GPT-6.1 Sol。因此,更准确的说法是「部分评测接近表中较早一批模型」,不能据此认定它已经追平最新水平。

部署成本同样不能只看参数激活量。美团将专家权重和激活值量化到 4-bit,利用国产芯片原生支持的低精度计算。其压力测试显示,相比 8-bit 版本,提示处理吞吐提升 43.3%,响应生成吞吐提升 42.77%;美团称准确率与未压缩模型相当。

量化版本放在独立仓库。自托管指南给出的示例需要 194 颗 Huawei Atlas A2 系列 Ascend 加速器:2 颗处理图像,64 颗处理输入,128 颗生成响应,没有提供 Nvidia GPU 部署指导。

权重采用 MIT 许可证,允许商用、修改和再分发。API 兼容 OpenAI 与 Anthropic 格式,可接入 Claude Code、Codex 和 Hermes。发布时的限时促销价约为每百万输入 token 0.27 欧元、每百万输出 token 1.07 欧元,不能当作长期价格承诺。

我的判断

我更看重它把国产硬件、低精度推理和 Agent 训练串起来的工程路径。原文还提到,前代 LongCat-2.0 在 6 月下旬使用超过 5 万颗国产 AI 芯片训练。这说明相关工作有持续投入,但没有训练成本、周期和能耗对照,无法判断整体经济性。

「完全使用国产硬件训练」与「在所有编程任务上达到领先水平」,是两个需要分别验证的结论。

跑分来自美团自己的评估,BrowseComp 又使用自建环境;原文没有提供独立复测。这里有厂商报告的实测数字,也有对这些数字的解释,证据强度需要分清。

与现有闭源 API 相比,它提供了 MIT 权重和自托管可能性;但对普通前端或全栈团队,194 颗加速器的示例很难成为日常选项。更现实的入口是兼容 API,再用自己的仓库任务验证效果。接口格式兼容,也不等于工具调用和长程执行表现完全一致。

能拿来做什么

  • 已经使用 Claude Code、Codex 或 Hermes 的团队,可以尝试接入其兼容 API,用同一批仓库修复任务比较完成率、耗时和费用,尤其关注多轮修改之后能否通过现有测试。
  • 维护内部 Agent 评测时,可以借鉴它清除 Git 历史和缓存的做法,为每个任务准备干净环境,避免把找到现成答案误判成修复能力。
  • 对截图驱动的前端开发,可以拿已有页面截图和明确验收条件试跑,分别检查布局、交互与代码可维护性,验证图像理解是否真正帮助交付。
  • 有国产算力和自托管需求的团队,可以优先评估独立的 4-bit 版本,并把硬件容量、部署复杂度和实际吞吐一起核算,再决定是否替换现有服务。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 The Decoder,原文版权归原作者所有。

阅读原文
上一篇
Qwen4-Max接入网关,主打长程编程任务
下一篇
CI 故障该交给重试机制还是 AI 修码

资讯速览

The Decoder · 2026-11-15 18:06

AI 评分 9.0 / 10

相关标签

#智能体#开放权重#国产算力

继续阅读

  • Datasette新增流式导出并修复查询泄露
  • Qwen4-Max接入网关,主打长程编程任务
  • CI 故障该交给重试机制还是 AI 修码
  • 用 FastAPI 将智能体封装成流式服务
  • 在真实仓库中检验 AI 编程助手