这次发布为何重要

LongCat-2.0不仅仅是一次常规的大模型发布。它释放了一个信号：即使无法获得受美国出口限制制约的先进GPU，中国的AI研发也能达到接近前沿的能力 。该模型证明，一个1.6万亿参数的系统完全可以从预训练到推理，全部构建在国产芯片之上。

核心技术规格

• 架构： 混合专家（MoE）架构，总参数量达1.6万亿，但每个token仅激活约480亿参数（稀疏度约97%） 。
• 上下文窗口： 100万 tokens，由定制的LongCat稀疏注意力（LSA）机制实现，该机制由DeepSeek的稀疏注意力设计演进而来 。
• 激活参数范围： 每次推理动态激活330亿至560亿参数，通过“零计算专家”路由确保无算力浪费 。
• N-gram嵌入： 在嵌入层额外增加了约1350亿参数，使用2至5个字符的n-gram来提升局部上下文表示，而无需堆叠更多MoE层 。
• 专为以下场景打造： 智能编码（Agentic Coding）——在实际工具使用场景中进行代码理解、生成和执行 。
• 训练基础设施： 从头开始在5万至6万张国产AI ASIC（非英伟达GPU）上训练，消耗超过35万亿 tokens的中文、英文、多语言文本和源代码 。
• 许可证： 在MIT开源许可证下发布 。
• 获取方式： 模型权重和代码已在GitHub、Hugging Face及LongCat官方网站上发布；同时提供API接口和在线演示 。

性能与基准测试

美团声称LongCat-2.0的性能可与谷歌的Gemini 3.1 Pro相媲美 。在正式亮相之前，该模型以匿名身份“Owl Alpha”在OpenRouter上运行，据称其在编码基准测试中位居开发者排行榜首位 。

LongCat团队在X（原Twitter）上发布的关键基准测试分数包括：Terminal-Bench 2.1: 70.8，SWE-bench Pro: 59.5（作为对比，GPT-5.5为58.6），SWE-bench Multilingual: 77.3，以及FORTE: 73.2 。

战略意义

LongCat-2.0的意义远不止于基准测试分数：

• 首个在国产芯片上完成端到端训练的万亿参数模型，从预训练到推理和部署全部使用国产硬件——这是DeepSeek-V4-pro也未能实现的里程碑，后者仅在推理阶段使用国产硬件 。
• 证明了中国无需依赖受美国出口限制的英伟达先进GPU，也能实现接近前沿的AI能力 。
• 标志着中国AI发展可能与美国硬件供应链脱钩，对全球AI芯片市场和地缘科技竞争产生深远影响 。
• 对美团而言，这将其从一家送餐和本地生活服务平台，定位为开源AI基础模型的重要贡献者，类似于阿里巴巴（通义千问）和字节跳动的举措 。

关键架构创新

相比前代LongCat-Flash，LongCat-2.0引入了两项显著的架构改进：

1. LongCat稀疏注意力（LSA）： 作为DeepSeek稀疏注意力（DSA）机制的演进，LSA通过三项独立的效率优化（流感知索引、跨层索引、分级索引）解决了索引器的延迟瓶颈问题，旨在不牺牲模型质量的前提下加速长上下文处理 。

2. MOPD（多目标过程解码）： 该模型将其专家分为三个专门的组——智能体（Agent）、推理（Reasoning）和交互（Interaction）——并通过一个门控路由器根据任务类型将每个token分配到相应的组 。

获取方式

开发者和研究人员可以在宽松的MIT许可证下获取LongCat-2.0。模型权重、推理代码和文档已在GitHub、Hugging Face和LongCat官方网站上提供。同时还提供了API接口和在线交互演示 。

这次发布为何重要

LongCat-2.0不仅仅是一次常规的大模型发布。它释放了一个信号：即使无法获得受美国出口限制制约的先进GPU，中国的AI研发也能达到接近前沿的能力 。该模型证明，一个1.6万亿参数的系统完全可以从预训练到推理，全部构建在国产芯片之上。

核心技术规格

• 架构： 混合专家（MoE）架构，总参数量达1.6万亿，但每个token仅激活约480亿参数（稀疏度约97%） 。
• 上下文窗口： 100万 tokens，由定制的LongCat稀疏注意力（LSA）机制实现，该机制由DeepSeek的稀疏注意力设计演进而来 。
• 激活参数范围： 每次推理动态激活330亿至560亿参数，通过“零计算专家”路由确保无算力浪费 。
• N-gram嵌入： 在嵌入层额外增加了约1350亿参数，使用2至5个字符的n-gram来提升局部上下文表示，而无需堆叠更多MoE层 。
• 专为以下场景打造： 智能编码（Agentic Coding）——在实际工具使用场景中进行代码理解、生成和执行 。
• 训练基础设施： 从头开始在5万至6万张国产AI ASIC（非英伟达GPU）上训练，消耗超过35万亿 tokens的中文、英文、多语言文本和源代码 。
• 许可证： 在MIT开源许可证下发布 。
• 获取方式： 模型权重和代码已在GitHub、Hugging Face及LongCat官方网站上发布；同时提供API接口和在线演示 。

性能与基准测试

美团声称LongCat-2.0的性能可与谷歌的Gemini 3.1 Pro相媲美 。在正式亮相之前，该模型以匿名身份“Owl Alpha”在OpenRouter上运行，据称其在编码基准测试中位居开发者排行榜首位 。

LongCat团队在X（原Twitter）上发布的关键基准测试分数包括：Terminal-Bench 2.1: 70.8，SWE-bench Pro: 59.5（作为对比，GPT-5.5为58.6），SWE-bench Multilingual: 77.3，以及FORTE: 73.2 。

战略意义

LongCat-2.0的意义远不止于基准测试分数：

• 首个在国产芯片上完成端到端训练的万亿参数模型，从预训练到推理和部署全部使用国产硬件——这是DeepSeek-V4-pro也未能实现的里程碑，后者仅在推理阶段使用国产硬件 。
• 证明了中国无需依赖受美国出口限制的英伟达先进GPU，也能实现接近前沿的AI能力 。
• 标志着中国AI发展可能与美国硬件供应链脱钩，对全球AI芯片市场和地缘科技竞争产生深远影响 。
• 对美团而言，这将其从一家送餐和本地生活服务平台，定位为开源AI基础模型的重要贡献者，类似于阿里巴巴（通义千问）和字节跳动的举措 。

关键架构创新

相比前代LongCat-Flash，LongCat-2.0引入了两项显著的架构改进：

1. LongCat稀疏注意力（LSA）： 作为DeepSeek稀疏注意力（DSA）机制的演进，LSA通过三项独立的效率优化（流感知索引、跨层索引、分级索引）解决了索引器的延迟瓶颈问题，旨在不牺牲模型质量的前提下加速长上下文处理 。

2. MOPD（多目标过程解码）： 该模型将其专家分为三个专门的组——智能体（Agent）、推理（Reasoning）和交互（Interaction）——并通过一个门控路由器根据任务类型将每个token分配到相应的组 。

获取方式

开发者和研究人员可以在宽松的MIT许可证下获取LongCat-2.0。模型权重、推理代码和文档已在GitHub、Hugging Face和LongCat官方网站上提供。同时还提供了API接口和在线交互演示 。