美团 LongCat-2.5 正式开源：全链路国产算力的突围
美团近日发布并开源了新一代大语言模型 LongCat-2.5。尽管与全球顶尖模型尚存差距，但其在部分基准测试中已接近 OpenAI 和 Anthropic 上一代主流模型水平，且迭代速度显著。
值得注意的是，LongCat 系列从训练到推理均基于国产芯片完成。美团技术团队认为，大模型竞争的本质在于基础设施、数据质量及评测体系的完善，算法反而相对标准化。LongCat-2.5 的快速进步印证了这一观点。
数据显示，相比前代 LongCat-2.0，2.5 版本在多项指标上均有明显提升，展现出强劲的加速度。
为何美团坚持自研基础模型？
针对“国内大厂为何纷纷自研模型”的疑问，需厘清一个事实：美国科技巨头如亚马逊、微软、IBM、英伟达、Meta 等均在研发自有模型。斯坦福大学 2025 年 AI Index 报告显示，美国当年发布 59 个 AI 模型，中国为 35 个，表明头部企业自研模型已是全球常态。
美团 CEO 王兴曾在财报电话会上解释，自研 LongCat 旨在充分利用美团海量的真实业务数据，让 AI 更深刻理解现实世界。随着互联网公司向 Agent（智能体）公司转型，模型能力将成为核心壁垒。掌握底层模型的技术栈、成本控制及升级节奏，对维持本地生活服务的竞争力至关重要。
此外，美团连接着庞大的商家与服务体系，具备丰富的 Personal Agent 落地场景。自研模型不仅服务于内部业务优化，未来也有潜力向外输出技术能力。
LongCat-2.5 核心技术解析
LongCat-2.5 保持了与 2.0 相同的参数规模：总参数 1.6T，激活参数 48B，采用 MoE 架构。本次升级重点集中在中后训练阶段优化、原生多模态能力及国产算力适配。
1. 原生多模态：离散 Token 方案
不同于 Kimi 等模型采用的“视觉编码器提取特征”路线，美团将图像转换为多层级离散 Token，使语言模型能像处理文本一样处理视觉信息。该方案支持将图片预处理为 Token 并缓存，大幅降低训练时的计算开销，便于处理大规模图文混合数据。
2. Agent 强化学习优化
美团利用 GitHub 真实 PR、Issue 及内部开发任务构建训练环境，通过 Agent 自动执行并收集失败案例进行针对性训练。为解决长程任务耗时问题，团队优化了异步强化学习机制：已完成任务立即用于训练，未完成任务保存状态后续执行，显著减少了训练等待时间。
3. 全链路国产算力适配
出于长期成本可控及基础设施掌控考虑，美团选择全栈国产芯片。面对非英伟达生态的工程挑战，团队进行了大量底层优化。例如实施 W4A4 量化（将专家权重和激活值压缩至 4 bit），在保持精度的同时，使 Prefill 和 Decode 吞吐量较 W8A8 提升约 43%。
实测案例：前端开发与多模态交互
经团队实测，LongCat-2.5 在可用性上已跨越重要门槛，尤其在复杂前端任务、视觉理解及审美调整方面表现突出。
案例一：汾酒包装 3D 交互式展示
输入出口日本版汾酒照片，模型生成了可交互的 3D 展示页。在初期生成中，模型出现瓶身比例失调、印花位置镜像错误等问题。经多轮反馈，LongCat-2.5 能够：
- 准确识别并校正透视关系，修复左右映射错误；
- 调整绘制层级，确保品牌标识不被遮挡；
- 实现滑条驱动的动态形变，且在连续拖动时通过帧重建优化性能，避免卡顿。
案例二：3D 像素风羽毛球比赛模拟
模型生成了包含裁判入场、选手对战的微观球场场景。针对初期动画缺乏观赏性的问题，LongCat-2.5 进行了如下优化：
- 改进物理逻辑，选手会在挥拍前预判落点移动，增加高远球、网前挑球及扣杀等动作细节；
- 调整摄像机位，避开遮挡物，并在近景中同步捕捉脚步、手部及球拍动作；
- 修正人物比例，以球网高度为参照统一成人比例，并重做转肩、起跳等关键姿态。
案例三：数据可视化后台优化
在优化 AI Maker Summit 大会后台概览页时，模型根据参考视频精准还原了图表交互细节，包括鼠标悬停高亮、数值浮层显示、折线渐变填充及峰值强调等功能。
结语：应用型公司的模型突围路径
当前大模型阵营主要分为三类：AI 创业公司、云基础设施大厂以及拥有丰富场景的应用/硬件公司。美团属于第三类，其优势在于“原汤化原食”——拥有海量真实用户数据和落地场景，模型训练后可直接反哺业务，形成闭环迭代。
鉴于 LongCat-2.5 在全链路国产算力基础上取得的进展，其技术价值值得肯定。虽然通用模型市场格局未定，但垂直场景的深度整合将是此类公司的重要突破口。
