美團闢謠LongCat模型負責人離職，持續推進國產算力萬億大模型落地
重點摘要
AI資訊AI新閒資訊正文美團闢謠LongCat模型負責人離職，持續推進國產算力萬億大模型落地發布於AI新閒資訊時間 :Jul 27, 2026閱讀 :1分鐘7月27日，針對市場關於美團 LongCat 團隊基礎模型負責人裴鵬即將離職的傳言，美團官方公開表示該消息不屬實。
針對市場傳出美團 LongCat 團隊基礎模型負責人裴鵬即將離職的消息，美團官方於7月27日公開闢謠，明確表示該傳聞不屬實。此舉迅速平息外界對其核心研發團隊穩定的疑慮，也展現出美團在自研大模型領域持續投入的決心。據了解，裴鵬畢業於北京大學，2023年加入美團後，先後擔任基座模型團隊預訓練負責人及 LongCat 團隊基礎模型負責人，全面主導美團大語言模型、多模態模型與 Agent 智能體模型的研發工作。他更直接推動了萬億參數大模型 LongCat-2.0 的研發與落地，是美團 AI 戰略中的關鍵人物。美團強調，裴鵬目前仍在職，相關人事變動均為不實消息。
美團於6月30日正式發布的 LongCat-2.0 模型，在業界創下多項紀錄。該模型是首個全流程依賴國產算力完成訓練與推理的萬億參數大模型，採用 MoE（混合專家）架構，總參數達1.6萬億，單次 Token 激活參數約480億，並原生支援1M 超長上下文，深度適配 Claude Code 等主流開發框架。這項成果不僅驗證了國產算力在超大規模模型上的可行性，也為美團在搜索、推薦、智能客服等場景的 AI 應用提供了堅實基礎。值得注意的是，美團近期在自研大模型生態上動作頻頻。本月初，美團內部曾限制業務團隊使用字節跳動旗下「豆包」大模型，要求全面自查調用情況，如需保留須提交必要性說明及遷移規劃。
這一系列調整顯示，美團正加速向自研 LongCat 體系傾斜，強化自主可控的 AI 基礎設施，而此次迅速澄清人事傳言，更進一步穩固了內部與市場的信心。與此同時，中國大模型領域的組織調整也持續升溫。騰訊於7月23日宣布將混元多模態模型部門與大語言模型部門合併，組建基礎模型部，由首席 AI 科學家姚順雨統率，目標是集中資源推動多模態與語言深度融合，衝刺全模態智能上限。這項整合早在去年底已有伏筆，如今雙邊歸一，反映出行業龍頭在統一基礎模型路線上的戰略共識。
美團在自主可控大模型研發上的戰略定力，與騰訊的組織重組形成鮮明對比，但兩者均指向同一趨勢：大模型競爭已從單純的參數規模比拼，轉向算力自主性、團隊穩定性與生態閉環的綜合較量。美團以 LongCat-2.0 為核心，搭配內部全面限用外部模型的策略，正逐步構建起從晶片、框架到應用的全鏈條國產方案。此外，業界也觀察到，AI 人才流動與技術治理同樣成為熱點。OpenAI 前研究員田永龍已加盟騰訊大語言模型部，專注視覺語言模型研發；而 Reddit 則利用升級的大語言模型自動化系統，日均攔截2300萬條 AI 生成的垃圾信息，展現以 AI 治理 AI 的實戰成效。
這些動態共同勾勒出2026年 AI 產業在技術突破、組織調整與安全治理上的多重面貌。美團此次迅速闢謠，不僅澄清了人事傳聞，也向外界傳遞出核心團隊穩固、長期投入不變的明確信號。隨著 LongCat-2.0 持續迭代與國產算力生態的成熟，美團在萬億級大模型落地上的進展，將持續受到市場與業界的高度關注。
Related
相關文章
曝字節訓10億參數大模型，或超Mythos 5，張一鳴、梁汝波先後發聲
字節跳動正在訓練一個參數量高達10萬億的AI模型，規模可能超越Anthropic的Mythos 5。創辦人張一鳴在內部會議中強調編程的關鍵地位，並反對模型蒸餾，認為這只能複製而非超越對手。字節跳動在AI領域持續加大投入，同時在產品端與訓練端採取雙線進攻策略。
AI 需求擠爆雲計算，消息稱 AWS 要求工程師關閉閒置服務器減少資源浪費
因AI需求導致算力緊缺，亞馬遜AWS要求工程師關閉閒置的EC2實例，以減少資源浪費。數據顯示約65%的EC2實例在30天內平均CPU利用率低於20%，AWS因此升級計算優化器自動標記低使用率虛擬機。此外，AWS過去一年新增3.8吉瓦電力容量，仍難以應對GPU雲端實例的龐大需求。
騰訊雲開源 TencentDB Agent Memory v2.0：專為 AI 編碼代理打造的團隊級記憶中樞
Tencent Cloud has open-sourced TencentDB Agent Memory v2.0, a team-level memory hub for AI agents. The idea is super simple: if project context was already explained once, a new session should not need it repeated.
使用 NVIDIA NeMo Retriever、託管 NIM、LanceDB、重新排序與基於事實生成建立多模態 RAG 管線
在本教學中，我們將使用 NVIDIA NeMo Retriever 建立一個先進的多模態檢索增強生成管線。首先設定 Python 3.12 環境、安裝必要套件，並在無需 GPU 或外部 API 金鑰的情況下進行離線 PDF 文字提取。接著，我們透過託管的 NVIDIA NIM 端點來偵測頁面元素、提取表格、圖表與資訊圖形、產生稠密向量嵌入，並將處理後的內容儲存至 LanceDB。最後，我們實作了稠密檢索、視覺語言重新排序、後設資料過濾搜尋、附行內引用的基於事實回應生成，以及輕量級的 recall-at-k 評估，以驗證跨多模態文件內容的檢索品質。
NVIDIA AI 推出 NOOA：將 AI 代理轉化為單一 Python 類別的物件導向框架
NVIDIA 實驗室開源了 NOOA（NVIDIA 物件導向代理），這是一個與模型無關的 Python 框架，用於建構 AI 代理。傳統的代理開發分散在提示模板、工具架構、回呼程式碼和工作流程圖中，而 NOOA 將所有這些整合到一個 Python 類別中：方法代表模型可採取的動作，欄位代表代理狀態，文件字串作為提示，型別註解則是執行時期強制執行的合約。主體為「...」的方法由 LLM 驅動的迴圈在執行時期完成，而具有正常主體的方法則保持確定性的 Python 程式碼。開發者與模型因此共享同一介面，使代理行為能像一般軟體一樣進行測試、追蹤、重構和版本控制。NVIDIA 報告在 SWE-bench Verified 上達到 82.2%，在 CyberGym L1 上達到 86.8%，平均 RHAE 為 85.1%。
六巨頭定AI插件新標準，撞臉Claude，Anthropic沒上桌
六大科技巨頭（AWS、Anysphere、GitHub、微軟、OpenAI、Vercel）聯合發布AI智能體插件統一開放規範Agent Plugins 1.0.0，旨在統一插件打包格式，減少開發者重複勞動。該規範的結構與Anthropic的Claude Code插件系統高度相似，但Anthropic並未參與制定，而是繼續經營自己的封閉生態。