11月2日，美團發布新壹代大模型LongCat-2.5，這是壹款面向長程智能體任務的原生多模態模型，總參數1.6萬億，訓練全程由國產算力完成。
今年6月，美團發布LongCat-2.0，首次在國產算力上完成萬億參數模型的全流程訓練與推理。在LongCat-2.0基礎上，新模型進壹步強化原生視覺理解與智能體編程能力，並優化國產算力上的長上下文訓練與推理效率。
LongCat-2.5的發布，標誌著“國模國芯”更進壹步：不僅原生支持多模態，模型整體能力也比肩當前國際成熟閉源模型和頭部開源模型。
模型評測結果顯示，在多項主流基準評測中，LongCat-2.5的成績介於Claude-Opus-4.8與Claude-Opus-5之間，並在部分評測中超過Claude-Opus-5。
用戶可在官網longcat.ai體驗，開發者可通過同步上線的API調用模型。
強化原生多模態能力，提升國產算力訓練與推理效率
LongCat-2.5在全程國產算力訓練的基礎上，進壹步強化原生多模態能力，將視覺輸入轉化為模型可統壹處理的token，提升視覺理解能力，支持交互網頁、3D展示頁面等任務。智能體編程方面，模型采用大規模長程強化學習，提升端到端工程任務能力，更好地支持復雜軟件開發任務。
LongCat-2.5在中訓練階段采用最長達1M token的序列開展長上下文訓練，累計訓練量達數萬億token。多張算力卡協同處理這樣的長序列時，顯存容量和卡間通信直接影響效率。為此，美團與國產算力廠商協同優化顯存使用、卡間通信以及計算與傳輸效率。針對國產算力單卡顯存小的挑戰，美團圍繞超節點優化任務分工，讓參數與任務數據的主要通信在超節點內的高速互聯網絡中完成。
LongCat-2.5的技術博客顯示，在所測長上下文監督微調任務中，優化後的單卡訓練吞吐量較DDP（分布式數據並行，Distributed Data Parallel）基線提升86%。按單卡吞吐量折算，相當於壹張卡能在同樣時間內完成原來約1.86張卡的工作量，處理效率接近翻倍。
推理方面，LongCat-2.5采用W4A4方案，將專家權重和激活同時量化至4比特，以更低的位寬表示計算所需的數據，並針對國產AI加速器的硬件特性優化計算與傳輸。在已評測的下遊任務上，該方案保持與量化前模型相當的表現。
線上壓測顯示，相較權重和激活均為8比特的W8A8 INT8基線，輸入處理和逐token生成的吞吐量均提升約四成，即在同樣時間內能處理更多輸入、生成更多內容。首次輸出等待時間縮短約16%，後續每個token的生成耗時縮短約20%，用戶等待模型輸出的時間也相應減少。
從原生多模態能力到訓練與推理效率，LongCat-2.5延續了LongCat系列“國模國芯”的研發路線，並進壹步拓展模型能夠處理的任務邊界。
拓展主業能力，為商家配備AI幫手
今年8月28日的美團二季度財報電話會上，CEO王興表示：AI能力的長期價值，是能否真正進入真實工作流、解決真實問題，並形成長期穩定的基礎設施能力。“我們不會成為Token工廠，我們的模型和AI產品將用於支持我們的主業，提升用戶、商戶體驗和公司經營效率。”
圍繞“支持主業”這壹目標，LongCat-2.5重點強化了商業分析、軟件開發等能力，為本地生活商家配備AI幫手。
LongCat-2.5技術博客顯示，在品牌多渠道經營分析案例中，模型能自主構建渠道利潤表，識別出支付GMV（商品交易總額）增長23.2%而渠道利潤下降1.7%的增長質量問題，並結合清貨經濟價值、用戶復購與庫存風險提出差異化資源配置建議，完成從經營核算、問題診斷到決策建議的完整分析。
基於LongCat系列模型，美團推出了AI經營工作臺“妙手”，幫助商家在高價值經營場景中，理解行業指標和品牌規則，並在商家授權範圍內調用工具與系統、完成經營任務執行。
目前，“妙手”已經服務了古茗、徐升記、益禾堂等連鎖品牌，融入了品牌經營分析、門店管理和增長獲客等高價值經營場景，幫助商家從發現問題走到決策和執行。