今天，美團正式發布新壹代萬億參數大模型 LongCat-2.0，並將對外開源。
作為業界首個在五萬卡國產算力集群上完成全流程訓練與推理的萬億參數模型（總參數 1.6 T，平均激活約 48 B，動態範圍 33B~56B），LongCat-2.0 從零開始預訓練，原生支持 1M 超長上下文，其架構設計自始至終圍繞壹個核心目標：讓模型在真實的 Agentic Coding 任務中，更高效、更穩定地完成代碼理解、生成與執行。
正式版發布前， LongCat-2.0 預覽版本已通過 OpenRouter 平臺和 longcat.ai 面向全球開發者開放調用—— 截至目前該模型已躋身 OpenRouter 全球大模型調用量前三，月調用量在 Hermes、Claude Code 和 OpenClaw 分列全球第壹、第二和第三位，成為最受全球 Agent 開發者歡迎的模型之壹。
LongCat 團隊對國產算力的探索始於 2023 年，三年來，團隊從千卡起步，逐步攻克算子適配、通信優化、分布式穩定性等基礎難題，最終在五萬卡集群上完成萬億參數模型的全流程訓練與推理。
LongCat-2.0 預訓練數據規模超過 30T tokens，覆蓋中文、英文、多語言和代碼等多類數據；面對萬卡級訓練中的硬件故障、通信異常、顯存壓力與數值波動，LongCat 團隊從穩定性、正確性和效率三方面攻克國產算力訓練難題。
- 在穩定性上，通過卡間通信異常處理、彈性擴縮卡和自動故障恢復，將月均日故障率降低70%以上；
- 在正確性上，通過自研設計確定性算子、Bitwise 壹致性驗證和參數檢測，保障訓練結果的可靠，同時基於實踐提升關鍵模塊計算精度、優化 Reduce 邏輯；
- 在效率上，通過流水線調度、顯存優化和算子級控核，訓練 MFU 提升 1.5 倍。
最終，LongCat 實現穩態日吞吐超過 1T tokens/day，完成萬億參數 MoE 模型在國產算力上的穩定訓練。
在推理階段，LongCat-2.0 圍繞模型、算子和框架進行協同優化：通過大規模專家並行聚合訪存帶寬，支撐萬億參數 MoE 模型的低延遲解碼；將零計算專家機制融入專家並行通信流程，使路由到零專家的 token 真正避免不必要的傳輸與計算；並針對通信、Attention、GEMM 等核心算子優化調度，結合提前下發與權重預取等框架機制，進壹步降低推理鏈路中的等待開銷。
從穩定訓練到低延遲推理，LongCat-2.0 驗證了我們已具備在國產算力集群上進行大規模模型訓練的能力。它不只是“能訓出”萬億參數模型，還讓萬億參數模型能夠在真實任務中穩定運行。
LongCat-2.0 的架構設計始終圍繞壹個核心目標：讓模型在真實 Agentic Coding 任務中更高效、更穩定地完成代碼理解、生成與執行。
1M超長上下文，讓 Agent 看見整個項目。 傳統模型在處理超過 100K 上下文後就開始“遺忘”前面的內容。LongCat-2.0 采用 LongCat Sparse Attention（LSA）稀疏註意力機制，在處理長文本時不再“逐字逐句地看”，而是智能篩選關鍵信息，將計算量從平方級降至線性級。這使得模型在 100 萬 Token 的超長上下文中，依然保持精準的信息定位與理解能力。
零計算專家 + ScMoE，讓算力用在刀刃上。 代碼任務中不同 token 復雜度差異巨大——定義變量名和推導遞歸算法對算力的需求完全不同。LongCat-2.0 通過零計算專家實現 token 級動態激活（33B~56B），簡單 token 不消耗算力，復雜 token 自動獲得更多計算資源。
MOPD 多專家融合，壹個模型同時擅長寫代碼、做推理、懂交互。 LongCat-2.0 通過 MOPD 架構融合 Agent、Reasoning、Interaction 三組專家能力——Agent Experts 專攻工具調用與自主糾錯，Reasoning Experts 深耕數學與 STEM 推理，Interaction Experts 優化指令遵循與交互體驗。推理時由門控網絡根據任務類型動態調度最擅長的專家，而非簡單合並參數。得益於此，模型在編程、推理、交互等維度均表現突出。
LongCat-2.0 通過精細的架構設計，讓萬億參數模型在實際任務中更高效、更穩定地發揮能力。
綜合評測結果顯示，LongCat-2.0 憑借卓越的綜合性能與穩定的任務表現，在 Code 和 General Agent 場景表現優異。
在編程能力方面，LongCat-2.0 展現出紮實的綜合實力：在考察深層工程能力的 SWE-bench Pro 中獲得 59.5，領先Gemini 3.1 Pro（54.2）、 GPT-5.5（58.6）和 Claude Opus 4.6（57.3）；在 SWE-bench Multilingual 中取得 77.3 的成績，與 Claude Opus 4.6（77.8）保持在同壹水位；此外，在真實終端指令交互評測 Terminal-Bench 2.1 中取得 70.8，體現了其在真實運維與開發終端任務中的穩定執行與糾錯能力。
在真實辦公場景的復雜任務處理方面，LongCat-2.0 表現均衡：在搜索智能體評測集 RWSearch 中獲得 78.8，在生產力場景評測集 FORTE 中獲得 73.2 ，在 BrowseComp 中獲得 79.9，均達到或接近前沿閉源模型水平，證明了其在多步驟任務規劃、復雜工具調用及長程檢索執行上的高可靠性，能夠較好的契合企業級 Agent 的落地需求。
內測期間，我們面向真實工作場景征集了大量真實的用戶任務需求，這些來自壹線的真實“工作單”，可以看出 LongCat-2.0 在用戶的真實工作場景中正在成為他們可靠的“工作夥伴”。
通過 LongCat-2.0 搭建的 AI SQL Agent，業務人員可以直接用自然語言查詢數據。LongCat-2.0 自動完成全鏈路閉環——理解問題意圖、規劃查詢步驟，並將數據結果轉化為清晰的業務洞察。
給 LongCat-2.0 壹個舊版插件代碼庫和壹份新版SDK文檔，它能自行分析整體架構、梳理核心邏輯，再將整個插件重構為符合新API的實現——保留全部原有功能，修復潛在隱患，編譯壹次通過。
描述壹個“兒童AI遊戲訓練場”的創意，LongCat-2.0 會逐步生成技術選型、頁面架構、遊戲邏輯與視覺細節——從首頁到三個完整可玩的遊戲頁面，全部代碼壹次產出，開箱即用。從壹句話到可用的產品，將靈感輕松實現。
通過壹句話描述，LongCat-2.0 即可生成完整 Three.js 3D 演示：透明燒瓶、熒光液體、泡沫噴發、液面下降和堆積效果全部可交互呈現。所有代碼封裝在壹個 HTML 文件中，打開即用，讓創意快速轉化為可交互的3D體驗。
基於 LongCat-2.0 構建的“AI小說工廠”，將創意寫作升級為自動化內容流水線。用戶輸入靈感後，系統編排多個 Agent，自動完成世界觀構建、並行章節生成、質量評估與回流修訂。並通過長上下文能力保障百萬字級設定壹致性。最終內容可自動適配多平臺發布，並由 Web 面板實時監控生成進度與質量狀態，實現持續穩定的連載輸出。
API 開放平臺：https://longcat.chat/platform/product
為慶祝 LongCat-2.0 發布，我們特別推出限時福利活動，具體如下：
