July 3, 2026 · 10:34 AM
LongCat-2.0：美团把万亿模型押在代码 Agent 上
解读美团 LongCat-2.0：它的重点不是单纯堆到 1.6T 参数，而是在国产 AI ASIC 集群上把 1M 上下文、稀疏注意力和多专家后训练组合成面向代码 Agent 的工程路线。文章同时说明官方评测的亮点、开源状态和仍需复测的边界。
LongCat-2.0 的看点不只在 1.6T 参数。更关键的是，美团把这次发布写成了一次完整的工程验证：在国产 AI ASIC 集群上从零训练、部署一个面向代码 Agent 的 MoE 模型，并把 1M 上下文、稀疏注意力、零计算专家和多专家后训练放到同一条路线上。官方中文博客称，它在 2026 年 6 月 30 日发布，总参数 1.6T，平均激活约 48B，动态激活范围 33B 到 56B，并将对外开源。1
这篇解读先把一个边界说清楚：官方材料已经给出了技术博客、Hugging Face 页面、GitHub / API 入口，但 Hugging Face 模型卡截至页面抓取时仍写着「Model weights coming soon」，且没有接入推理服务。2 所以它现在更像一次完整技术路线披露和开放入口预告，真正的开源可复现程度，还要等权重、训练细节和第三方评测逐步落地。
先看结论：LongCat-2.0 押的是代码 Agent
LongCat-2.0 不是通用聊天模型换壳。官方反复强调的目标很具体：让模型在真实 Agentic Coding 任务中完成代码理解、生成和执行。Agentic Coding 可以理解为「模型不只是补全一段代码，而是读仓库、看文档、调用工具、运行命令、改错再提交」这一类长链路软件任务。中文博客列出的内测案例也集中在 SQL Agent、代码库迁移、完整应用开发、Three.js 交互演示和小说工厂等工作流。1
这解释了它为什么同时强调三个能力：
- 长上下文：原生支持 1M 上下文，让模型一次看到更大的项目、文档和任务轨迹。1
- 稀疏计算：MoE、零计算专家、N-gram Embedding 和 LongCat Sparse Attention 都是在控制 1.6T 参数模型的实际计算账。3
- 后训练分工：MOPD 把 Agent、Reasoning、Interaction 三组专家蒸馏到最终模型里，分别处理工具调用、推理和交互对齐。3
如果只看「1.6T」这个数字，很容易误读这次发布。LongCat-2.0 真正想证明的是：万亿级 MoE 不一定只能追求更大的密集计算；它也可以通过更细的路由、更长的上下文和更工程化的部署，让代码 Agent 任务跑得住。
架构：把长上下文的索引成本降下来
LongCat-2.0 的注意力机制叫 LongCat Sparse Attention，简称 LSA。官方说它是在 DeepSeek Sparse Attention 思路上继续改进，重点不是把所有 token 都看一遍，而是用索引器挑出更值得关注的 token。英文技术博客把 LSA 拆成三块：Streaming-aware Indexing 让访问更连续，Cross-Layer Indexing 让相邻层复用一次索引，Hierarchical Indexing 先粗召回再细筛。3
这几个词听起来像系统论文里的缩写，但背后的问题很朴素：1M 上下文下，模型不能每次都按平方级成本处理所有 token。Agent 写代码时，前面几万行仓库、依赖文档和失败日志都可能有用，但每一步生成又只需要其中一小部分。LSA 的作用，是让模型在长上下文里先快速定位，再把计算集中到更可能影响下一步决策的位置。
N-gram Embedding 是另一条省账路线。LongCat-2.0 配置了 5-gram，并放入 135B N-gram Embedding 参数；官方解释说，在 MoE 稀疏度已经接近 97% 时，继续堆专家的边际收益变小，N-gram Embedding 这种稀疏维度能更有效地利用参数预算。3 这不是常见的「参数越多越好」叙事，而是在说参数放在哪里更值钱。
国产算力不是背景板，是这次发布的工程主线
美团中文博客说，LongCat 团队从 2023 年开始探索国产算力，从千卡起步，最后在五万卡集群上完成万亿参数模型的全流程训练与推理；预训练数据规模超过 30T tokens。1 英文博客的表述更偏工程侧：LongCat-2.0 在 50K 以上 AI ASIC 上预训练，围绕确定性、故障恢复、并行策略、显存管理和推理解耦部署做了系统优化。3
这里最有信息量的，不是「国产」两个字本身，而是官方披露的几个工程指标：月均日故障率降低 70% 以上，训练 MFU 提升 1.5 倍，稳态日吞吐超过 1T tokens/day。1 这些数字指向的是大规模训练最难看的部分：掉卡、通信异常、显存压力、算子精度和恢复成本。
换句话说，LongCat-2.0 不只是一个模型发布，也是在展示一套替代硬件平台上的训练和推理栈。对国内团队来说，这比单个 benchmark 更值得盯，因为它关系到后续大模型训练是否能摆脱单一硬件生态的约束。
评测：代码项有亮点，但不是全面压制
官方评测里，LongCat-2.0 在 SWE-bench Pro 得到 59.5，中文博客称高于 Gemini 3.1 Pro 的 54.2、GPT-5.5 的 58.6 和 Claude Opus 4.6 的 57.3；在 SWE-bench Multilingual 上得到 77.3，接近 Claude Opus 4.6 的 77.8；在 Terminal-Bench 2.1 上得到 70.8。1
英文技术博客给出了更完整的表格，也暴露了边界：Terminal-Bench 2.1 上，GPT-5.5 是 73.8，Claude Opus 4.8 是 78.9；BrowseComp 上，Gemini 3.1 Pro 是 85.9，GPT-5.5 是 84.4，而 LongCat-2.0 是 79.9。3 这意味着它在代码修复和多语言软件任务上值得认真测试，但不能直接推导成「所有 Agent 场景都领先」。
评测口径也要留意。英文博客说明，除带星号的外部报告指标外，其余成绩是在官方统一 harness 下测得；SWE-bench 系列还标注了通过 Claude Code 运行、沙箱规格、温度和问题任务修正等条件。3 这些细节很重要，因为 Agent benchmark 对工具环境、超时设置、失败重试和上下文管理高度敏感。同一个底座模型，换一套执行框架，成绩可能会变。
现在该怎么判断它的价值
如果你做的是代码 Agent、仓库迁移、企业内部办公自动化，LongCat-2.0 值得放进测试清单。它的卖点不是单轮回答，而是长上下文、多步骤工具调用和工程执行。官方案例里的 SQL Agent、代码库迁移和完整应用开发，都指向同一个使用方式：把模型当成能读材料、能调用工具、能连续交付的工作节点。1
但真正评估前，至少要补三件事：
- 看权重和许可证是否已经实际可用。Hugging Face 页面写着 MIT license，同时也写着权重即将到来；这两句话放在一起，说明开放状态还没完全闭环。2
- 用自己的代码仓库和工具链复测，而不是只看 SWE-bench。Agentic Coding 的失败往往出在依赖安装、环境理解、命令执行和长日志定位上。
- 分开看「模型能力」和「系统能力」。LongCat-2.0 的很多优势来自上下文、推理服务、专家并行和部署调度；如果只拿裸模型离线跑小任务，未必能复现官方工作流效果。
LongCat-2.0 这次最硬的信号，是美团把国产算力训练栈、万亿 MoE、1M 上下文和代码 Agent 放进了同一个发布包。读者接下来要盯的，不是下一张更漂亮的榜单，而是权重是否按承诺放出、第三方能否复现代码 Agent 成绩，以及这些长上下文工作流在真实仓库里会卡在哪些地方。
More from this channel
Related content
- Sign in to comment.