美团甩出 LongCat-2.5，1.6 万亿参数冲智能体榜首
参数先摆上桌：1.6 万亿，激活 480 亿
据中关村在线 11 月 3 日报道，LongCat-2.5 总参数量达 1.6 万亿，单次推理激活参数约 480 亿。它不是从零堆参数，而是专为长程智能体任务设计的原生多模态模型——视觉信号被编码成多层级离散 token，跟文本塞进同一个 token 空间一起处理。这思路不花哨，就是让模型「看」和「干」用同一套语言，省得来回翻译掉链子。
评测成绩：几个榜拿第一，差的地方也认
报道里列了九项国际主流基准，涵盖代码生成、通用智能体、视觉智能体三大方向。在 AutomationBench 上 LongCat-2.5 拿了 51.8 分，高于 Claude-Opus-5 的 50.3；BrowseComp 得分 91.9，排第一；3DCodeBench 文本生成三维内容拿了 55.4。但在纯代码编写和终端指令执行上，跟国际头部模型还有微小差距。这点我倒挺欣赏——敢把短板也写上，比那些只报喜不报忧的强。
强在哪：网页交互、自动化流程、三维生成
美团自己说明里点了几类典型场景：网页交互、自动化流程执行、三维内容生成。这跟它天生的业务基因对得上——本地生活、到店、履约，本就是一连串长流程任务。比起在榜单上刷分，能把「打开网页、下单、跟进状态」这种多步活儿跑顺，对美团可能更值钱。
底层功夫：国产算力上的长上下文训练
这版重点强化了原生视觉理解和智能体编程，训练里塞了更丰富的长程行为轨迹数据，再靠大规模长程强化学习打磨。团队在国产算力平台上优化了长上下文训练效率和 W4A4 精度推理，还做了训练推理数值一致性、长上下文 rollout 优化这些脏活累活。咱搞过分布式训练的都懂，这种底层调优最吃功力，发论文不显眼，上线才见真章。
老炮视角：国产大模型从对标走向同台
报道最后一句点题：国产智能体大模型已经在核心能力和实际任务上，具备跟国际顶尖产品同场竞技的实力。这话听着提气，但咱得冷静——评测第一和生意第一不是一回事。LongCat 能不能在美团的真实业务里把人效顶上去、把成本压下来，才是真考题。模型发布只是开场，落地才是硬仗。
顺带提一句：长上下文训练和 W4A4 推理是真功夫
咱搞过分布式训练的都清楚，模型参数大不算本事，难的是在国产算力上把长上下文训稳、把推理压到能跑的量级。报道里提的 W4A4 精度推理、训练推理数值一致性、长上下文 rollout 优化，听着不起眼，却是决定这模型能不能真上业务的关键。榜单分数谁都能晒，可同样一版模型，有的厂训出来三天两头崩，有的厂跑起来稳如老狗，差的就是这些脏活累活。美团这回把底层调优写进稿子里，反而比单纯报个分数更让人服气。
还有个点值得记：LongCat 是美团自己的模型，不是贴牌也不是套壳。本地生活这行长流程任务多，通用大模型不一定顺手，自己养一个更贴业务。但这事儿烧钱也烧人，能不能靠它把履约成本压下来、把人效顶上去，得看后续实打实的运营数据。发布会是开场，账本才是结局。
