美團龍貓發佈 LongCat-2.5:1.6萬億參數原生多模態模型

美團龍貓 LongCat11月2日發佈 LongCat-2.5，定位長程智能體任務的原生多模態模型，總參數量1.6萬億，每 token 激活約480億參數，在 LongCat-2.0基礎上強化原生視覺理解與智能體編程能力。在線體驗與 API 接入已開放，GitHub 與 HuggingFace 權重即將上線。

技術路線上，LongCat-2.5將視覺信號表示爲多層級離散 token，沿用 LongCat-Next 的語義對齊編碼器並施加殘差向量量化，原生分辨率離散化與離線視覺 token 預計算使主幹統一處理視覺與文本輸入，視覺碼本 embedding 與主幹聯合學習，並在激活約3B 的 MoE 上驗證語義空間交織。

智能體能力依託 Agentic RL 鏈路:數據合成流水線自動生成訓練任務、可交互環境與可驗證測試用例，取自 GitHub 與內部場景，並以 fail-to-pass、pass-to-pass 校驗;訓練側以 partial rollout 異步策略緩解長尾效率、抑制樣本陳舊性，通過斷網、清除 git 歷史和 LLM judge 監督約束 reward hacking，跨任務跨 Scaffold 混合訓練促泛化。

基礎設施面向國產算力單卡顯存不足80GB 的限制優化超節點並行與雙重分片 FSDP，長序列 SFT 單卡吞吐量較 DDP 基線提升86%。推理側 W4A4方案將專家權重與激活同時量化至4bit，相對 W8A8INT8基線，Prefill 與 Decode 吞吐分別提升43.3% 和42.77%，TTFT 與 TPOT 分別降低15.91% 和19.72%，GMM 算子平均加速1.73倍。

評測中，LongCat-2.5在 Terminal Bench v2.1與 v4.0取得88.4和38.5，AutomationBench51.8、BrowseComp91.9、Program Bench25.5、MCP Atlas83.1、3DCodeBench55.4，其中 Terminal Bench v4.0超過 GPT-5.6-Sol 的37.3;視覺側 Vision2Web78.6、MathVision96.5。

其以原生多模態架構與國產算力全棧自研切入長程智能體競爭，延續大模型從參數競賽轉向任務實效的趨勢。

詳情參見官網技術博客:https://longcat.ai/blog/longcat-2.5。