大模型的下一个战场，正在从"能不能答"转向"能不能做完一件事"。十一月二日，美团 LongCat 团队把新一代模型放了出来：LongCat 2.5，原生多模态，主打长程智能体任务。 2.5，把视觉理解与智能体编程捆在同一套架构里。
参数规模是 1.6 万亿，但每个 Token 只激活约 480 亿参数。这种稀疏设计的目的很明确：用更大的总容量承载知识，用更小的激活量控制推理成本。相比上一代 LongCat 2.0，这一代的重点落在原生视觉理解与智能体编程两处。
测评结果给出了一个参照系。美团自己做的那套自动化任务基准 AutomationBench、通用 Agent 基准 LongCatClawBench 上 上，LongCat 2.5 均领先 Claude Opus 5 与 GPT 5.6 Sol；到了终端操作评测 Terminal Bench v4.0，它拿到 38.5 分，超过 GPT 5.6 Sol，可还是落后于 Claude Opus 5。强项在任务编排，弱项在纯终端操作，这个画像比较清晰。
视觉的处理方式值得单独说。LongCat 2.5 把不同分辨率的图像编码成离散 Token 序列，与文本 Token 一起送进同一条主干，而不是外挂一个视觉编码器做特征拼接。编码环节沿用 LongCat Next 的方法：语义对齐编码器生成原生分辨率特征，残差向量量化把视觉信息压成多层级词表 Token，以缓解离散化过程中的信息损失。
训练侧还加了离线视觉 Token 预处理：固定 tokenizer 提前算好并缓存视觉 Token 编号，主干直接读取预处理后的序列，长序列打包与切分因此简化，分布式训练时各任务间的负载也更均衡。团队称，视觉码本嵌入与主干采用联合学习，在激活参数三十亿左右的小型 MoE 上，两类嵌入在可视化结果中已呈交织分布，说明信号开始在共享语义空间中融合。
长程任务是这一代的训练重心。团队从 GitHub 公开仓库与内部场景取代码任务，对筛过的 PR 与关联 issue 自动搭出可交互环境与可验证的测试用例，用 失败转通过 与 通过保持通过 测试校验任务有效性；训练中再用实时轨迹与通过率做二次标注，并基于假阴性、假阳性分析扩充测试集。
工程侧的难题在国产加速器。单卡显存不足 80GB，团队围绕超节点重排了 FSDP、EP、CP 三种并行度，叠加混合词表并行、动态专家复制与双重分片 FSDP，还把视觉编码整体移出训练计算图。按官方说法，这套配置在长序列监督微调任务中的单卡吞吐量，较 DDP 基线提升 86%。
实测部分比较直观。让模型做一段鹈鹕骑自行车的 HTML 动画，完成度较高，主体突出、风格统一，只是围巾位置略有偏差；让它解读亚马逊第三季度财报并生成带图表的 PPT，分析框架完整，趋势图、结构图与风险提示搭配自然，比对后未发现数据错误，但部分页面信息密度偏高、字号偏小，个别结论下得偏绝对。
从技术路线看，这一代的升级重点已不是单纯堆参数，而是视觉统一建模、长程智能体训练、训推一致性与国产算力适配这些系统工程。多模态模型正从"看懂内容"走向"完成任务"，而能否在复杂代码库、3D 页面生成和多轮工具调用中持续执行并自我修正，会是下一阶段的真正分水岭。
文章与图片内容转载网络，如有侵权请联系平台删除
发表评论 取消回复