摘要 全文按三件事展开：它在找资料、处理项目代码这些活上的成绩到底怎样，它是怎么练出连续干活的，国产加速卡上做了什么；最后是价格和怎么试。
11 月 1 日，美团的 LongCat 团队发布了 LongCat-2.5，主打长程智能体，也就是能连续干完一整件活的 AI，而不只是陪你聊天。官方成绩表拿 Claude 作对照：两边都有分数的 24 项里，它赢了 Opus 4.8 的 18 项，换成 Opus 5 只赢 27 项中的 10 项。这些成绩全部是美团自测，还没有第三方复测。
LongCat-2.5 是什么：在 2.0 的底子上，补了看图和干长活
LongCat 是美团的大模型系列。6 月 30 日发布的 LongCat-2.0 已经是 1.6 万亿总参数，权重按 MIT 协议开源在 GitHub 上。2.5 沿用同样的规模：总参数 1.6 万亿，每个 token（模型处理文字的基本单元）只激活约 480 亿参数，大约 3%。这种结构叫 MoE（混合专家，模型里有很多“专家”子网络，每次只叫醒其中一小部分），所以参数很多，单次计算量却小得多。参数规模不是这次的新闻。
新东西有两样。一是原生多模态：图片被切成一串离散的 token，和文字放进同一个模型里处理，官方说这让它在写网页、做设计和 3D 任务上更强。二是长程智能体：面向复杂代码库、从零搭一个完整项目这类要连续做很多步的任务。
官方博客放了 8 个由它端到端完成的演示视频，一半是写软件，一半是办公。比如一个三星堆青铜神树的 3D 展示页：神树模型可以拖动旋转、滚轮缩放、双击聚焦，还能切换线框、打开文物介绍。这些是官方挑选的演示，不等于独立实测。
时间线上，9 月 25 日先上线了 LongCat-2.5-Preview 预览版，11 月 1 日官方博客发布正式版，API 平台的更新日志记在 11 月 2 日。
按活来看：找资料很强，写大项目还差一截
官方博客放了一张 31 项的成绩表，对手有 GPT-5.5、GPT-5.6-Sol、Claude Opus 4.8、Claude Opus 5、GLM-5.3、Kimi K3 和 DeepSeek-V4.1-Flash，开头还画了一组和 GPT、Claude 对比的柱状图。
把这些分数放回具体的活里看，差别更清楚：
| 什么活 | 怎么测 | LongCat-2.5 | Opus 4.8 | Opus 5 |
|---|---|---|---|---|
| 找资料 | BrowseComp：上网找很难找到的信息 | 91.9 | 84.3 | 90.8 |
| 处理项目代码 | Terminal Bench v2.1：在命令行终端里完成真实任务 | 88.4 | 74.6 | 89.1 |
| 更难的代码活 | Terminal Bench v4.0：同类任务的新版，各家分数都低得多 | 38.5 | 23.6 | 53.9 |
上网找资料这类活，它的分数已经排在 Claude 前面；在命令行里处理项目代码，它明显好过 Opus 4.8，和 Opus 5 差不多；到了更难的新版测试，就落后 Opus 5 一大截，难度最高的编程任务是它目前的短板。完整胜负按两边都有分数的项来数是这样：
表里的国产对手 DeepSeek-V4.1-Flash，可比的 26 项里有 14 项比 LongCat-2.5 高。读这张表还要记住两个口径：对手分数不带星号的是美团自己跑的，官方注明仅供参考，对 Opus 4.8 的 24 项里有 8 项属于这种；另有三项是美团自己的评测。
怎么练连续干活：拿翻车记录当错题本
让模型一口气干完一个项目，难在中途任何一步走偏，后面就全白做。美团博客里最值得普通读者记住的一条做法是：把智能体在真实任务里翻车的过程收集起来，改成能复现、能自动判对错的训练题，持续补进训练里，专门练模型的短板，相当于给模型准备了一本错题本。
题的主要来源是 GitHub：筛出修 bug 的提交和对应的问题单，让智能体标注任务、搭好运行环境，再用两类测试验收，一类原来失败、修好后应该通过，一类原来就通过、修完不能被改坏。美团内部的真实编程任务也加了进来。接着是大规模强化学习（让模型反复做任务，按结果给奖励），每道题都是一整条长任务。
模型在训练里也会钻空子。美团的做法是训练环境断网、删掉 git 历史和缓存文件，不让它直接找现成答案，再让另一个大模型审查每条做题记录有没有投机取巧；对反复空想、重复调用同一个工具的行为额外扣分，防止回答越写越长。
练出来的效果，可以从官方的业务分析演示里看一眼：画面左边是它的工作记录，它自己跑命令，碰到页面报错就去看完整的错误信息，修完再核对渲染出了几个章节、几张图表，最后检查截图；右边是生成的经营分析报告网页。这同样是官方挑选的演示。
国产加速卡上做了哪两件事
官方博客写了两件放在国产 AI 加速卡上做的事，没写是哪家的卡。第一件是长上下文训练，用在中期训练和 SFT（监督微调，用示范数据教模型）阶段。每张卡的显存不到 80GB，而长序列很占显存，所以训练系统按超节点（用高速互联把多张卡连成一个整体）来切分模型和数据。官方给的结果是，长序列 SFT 任务里单卡吞吐比 DDP 基线（每张卡各存一份完整模型的常规做法）高 86%。
第二件是 W4A4 推理：模型权重和计算中的激活值都压成 4 比特，直接在卡上的 INT4 计算单元里算。和 8 比特的 W8A8 方案比，线上压测里预填充（先读完你输入的内容）和解码（逐个往外写 token）的吞吐都提高了四成多，延迟也有下降，细分数字见下图。官方称在评测过的下游任务上，精度和没压缩的模型相当。
边界要说清：博客只说这两件事在国产卡上做了优化，没有说 LongCat-2.5 的整个训练都在国产卡上完成。
现在就能用：价格、接入和没开源的部分
LongCat-2.5 的 API 已经在美团的 LongCat API 平台上线，博客也附了在线试用入口。按官方定价页，现在是限时折扣价：每百万 token，未命中缓存的输入 0.3 美元（2 元），命中缓存的输入 0.006 美元（0.04 元），输出 1.2 美元（8 元）；官方注明价格可能调整，以平台和账单为准。
开发者最关心能不能接进现有工具。更新日志写明它兼容 Claude Code、Codex、Hermes 等智能体工具，API 文档同时提供 OpenAI 风格的 Chat Completions、Responses 接口和 Anthropic Messages 接口。官方文档有一篇 Claude Code 接入指南，按指南把模型名设为 LongCat-2.5，再填上 LongCat 的接口地址和密钥，就能在 Claude Code 里用它。想判断它适不适合自己的工作，可以选同一个真实小项目，分别交给它和平时用的模型，比一比完成度和花费；这检验的是合不合用，官方跑分仍待第三方复测。
权重暂未开源。博客上 GitHub 和 Hugging Face 的入口写着 Coming soon，官方没给时间和协议；上一代 LongCat-2.0 的权重已按 MIT 协议开源。