美團 LongCat-2.0 開源：1.6 兆參數 AI 模型，全程用國產晶片，唔使 NVIDIA

技術規格一覽

• 架構： 混合專家（MoE）架構，總參數 1.6 兆，但每個 token 只會激活大約 480 億個參數（稀疏度約 97%）。
• 上下文長度： 100 萬個 token，由美團自家研發嘅 LongCat 稀疏注意力機制（LSA）支援，呢個機制係由 DeepSeek 嘅稀疏注意力設計演進而嚟 。
• 動態激活參數： 每個 token 會動態激活約 330 億至 560 億個參數，靠嘅係「零計算專家」（Zero-Compute Expert）路由技術，確保冇浪費運算力 。
• N-gram 嵌入： 額外加入約 1,350 億個參數嘅 N-gram 嵌入模組，用 2 到 5 個字符嘅組合嚟改善模型對局部上下文嘅理解，而唔係一味疊加更多 MoE 層 。
• 主要用途： 專為「代理編程」（Agentic Coding）而設，即係編寫、理解同執行程式碼，特別係喺真實世界嘅工具使用場景 。
• 訓練基礎設施： 由零開始，喺 50,000 至 60,000 塊國產 AI ASIC 晶片（唔係 NVIDIA GPU）上訓練，總共消耗咗超過 35 兆個 token 嘅數據，包括中文、英文、多國語言文本同原始碼 。
• 授權協議： 採用相當寬鬆嘅 MIT 開源授權 。
• 下載途徑： 模型權重同程式碼已經喺 GitHub、Hugging Face 同官方網站開放，同時亦提供 API 同網上體驗版 。

效能同基準測試

美團表示，LongCat-2.0 嘅效能 可以媲美 Google 嘅 Gemini 3.1 Pro 。喺正式公布之前，呢個模型一直以匿名身份 「Owl Alpha」 喺 OpenRouter 平台上畀開發者測試，據報佢喺編程基準測試中佔據咗開發者排名嘅榜首 。

LongCat 團隊喺 X（前稱 Twitter）上公布嘅關鍵基準測試成績包括：Terminal-Bench 2.1：70.8 分；SWE-bench Pro：59.5 分（作為對比，GPT-5.5 係 58.6 分）；SWE-bench Multilingual：77.3 分；FORTE：73.2 分 。

戰略意義

LongCat-2.0 嘅影響遠遠超出基準測試分數本身：

• 第一個由頭到尾都用國產晶片訓練嘅兆級參數模型，由預訓練、推理到部署都係，呢一點連 DeepSeek-V4-pro 都未做到，因為 DeepSeek 只係喺推理環節用國產硬件 。
• 證明咗中國有能力喺冇 NVIDIA 先進 GPU 嘅情況下達到接近前沿嘅 AI 能力，而 NVIDIA 嘅 GPU 正正受到美國出口限制嘅封鎖 。
• 可能預示住中國 AI 發展同美國硬件供應鏈嘅脫鈎，呢個趨勢對全球 AI 晶片市場同地緣政治科技競爭都有深遠影響 。
• 對於美團自己嚟講，呢次發布令呢間以送外賣同本地生活服務聞名嘅巨頭，一躍成為開源 AI 基礎模型嘅重要參與者，類似阿里巴巴（Qwen）同字節跳動嘅角色 。

關鍵架構創新

LongCat-2.0 喺上一代 LongCat-Flash 嘅基礎上，引入咗兩項關鍵改進：

1. LongCat 稀疏注意力（LSA）： 呢個係 DeepSeek 稀疏注意力機制嘅演進版，專門針對索引器（Indexer）嘅延遲瓶頸，透過三大獨立嘅效率優化——流程感知索引、跨層索引同分層索引——嚟加快長上下文嘅處理速度，同時唔會犧牲模型質素 。

2. MOPD（多目標過程解碼）： 呢個機制將模型內部嘅專家分成三個專門小組——代理（Agent）、推理（Reasoning）同互動（Interaction）——然後由一個閘門路由器根據任務類型，將每個 token 分配到合適嘅小組去處理 。

點樣可以用到？

開發者同研究人員可以喺寬鬆嘅 MIT 授權下存取 LongCat-2.0。模型權重、推理程式碼同相關文件已經上載到 GitHub、Hugging Face 同 LongCat 官方網站。另外，官方亦提供咗 API 端點同互動式網上體驗版畀大家試用 。