國內首個國產卡訓推萬億大模型，開源

美團於7月6日正式宣布開源其萬億參數大模型LongCat-2.0，同步釋出針對國產算力晶片深度優化的推理代碼。該模型總參數達到1.6萬億，平均激活參數約480億，是業界首個在五萬張國產算力卡組成的集群上完成全流程訓練與推理的萬億級模型，象徵國產計算架構在超大規模AI任務上取得重要突破。根據官方公布的數據，LongCat-2.0在多項評測中展現出競爭力。在考察深層工程能力的SWE-bench Pro中獲得59.5分，領先Gemini 3.1 Pro、GPT-5.5與Claude Opus 4.6等前沿模型；在跨語言程式能力評測SWE-bench Multilingual中拿到77.

3分，與Claude Opus 4.6持平；在真實終端指令交互評測Terminal-Bench 2.1中得分70.8。此外，在搜索智能體評測RWSearch、生產力場景評測FORTE與瀏覽理解評測BrowseComp中，該模型分別取得78.8、73.2與79.9分，均達到或接近頂級閉源模型的水平。實測環節中，LongCat-2.0在長文本輸出方面表現穩定。研究人員要求模型生成一本近三萬字的種田文小說，包括人物設定、一百章大綱與開篇導入，模型不僅準確理解任務，故事開頭直接切入主角穿越被賣的情節，符合網路小說寫作邏輯。

在創意與邏輯能力測試中，模型先後生成「點擊消泡泡」與「數字華容道」兩款遊戲，前者雖出現畫面異常，但後者一次產出所有代碼且操作流暢。在3D場景生成方面，模型僅憑一句指令便成功搭建包含天空、樹木、長椅、風車與小朋友的像素藝術世界。邏輯推理方面，研究團隊以一道AIME 2026真題進行測試，該題涉及對數還原、指數方程、根與係數關係及質因數分解。LongCat-2.0在不到一分鐘內以四個步驟解出正確答案441，推理鏈路清晰且計算穩定。這顯示模型在標準數學競賽題上具備可靠的分析能力。LongCat-2.

0採用MoE混合專家架構，原生支援一百萬token的超長上下文輸入，並針對智能體編程任務進行強化，在代碼理解、生成與執行方面有專門設計。模型架構包含三項關鍵創新：第一是LongCat稀疏注意力機制，透過流感知索引、跨層索引與層級化索引，將傳統平方級計算開銷降至線性級，大幅加速百萬級長上下文的訓練與推理速度。第二是在MoE專家之外引入N-gram Embedding作為新的參數擴展路徑，由於模型MoE稀疏度已接近97%，繼續增加專家效益有限，因此將135B參數投入該模塊，總參數比例控制在10%以內。

第三是後訓練階段的多教師在線蒸餾，將專家劃分為Agent、推理與交互三類，分別專注自主執行、自適應推理與安全對齊，再透過MOPD架構在國產算力集群上將三類能力融合。內測期間，美團徵集大量一線用戶任務，LongCat-2.0在多個真實場景展現閉環交付能力。

例如透過該模型搭建AI SQL Agent，業務人員可用自然語言查詢數據，模型自動完成理解意圖、規劃查詢步驟並轉化為業務洞察；代碼庫遷移任務中，模型能自行分析舊版插件架構並重構為新API實現，保留所有功能且編譯一次通過；完整應用開發方面，輸入「兒童AI遊戲訓練場」創意後，模型逐步生成技術選型、頁面架構與遊戲邏輯，從首頁到三個可玩遊戲全部代碼一次產出；3D交互演示則透過一句話生成完整Three.js場景，透明燒瓶、熒光液體、泡沫噴發等效果均可互動；AI小說工廠則利用多Agent寫作流水線，輸入靈感後自動完成世界觀構建、並行章節生成與質量評估，依賴長上下文能力保障百萬字級設定的一致性。

在此之前，國內雖已有基於國產晶片進行模型推理或微調的方案，但LongCat-2.0是第一個完全依靠國產算力完成從訓練到推理全流程的萬億參數模型，峰值訓練規模超過五萬張國產算力卡，創下國產算力平台上最大規模的訓練紀錄。當前大模型競爭正逐漸從參數規模轉向真實生產力，未來Agent執行能力、工程能力以及軟硬體協同優化，將成為開源模型下一階段的角逐焦點。