Day-0 支持：摩爾線程完成美團 LongCat-2.0 極速適配

美團於近日正式推出新一代萬億參數大模型 LongCat-2.0，專為 Agentic Coding 場景設計，並原生支援長達 1M 的超長上下文處理能力。這款模型採用先進的 MoE（混合專家）架構，總參數量達到萬億等級，但平均僅激活約 48B 參數，動態激活範圍則落在 33B 至 56B 之間，在兼顧模型規模與推理效率之間取得平衡。LongCat-2.0 的發布，代表美團在大型語言模型技術上邁出重要一步，特別是在程式碼生成與自動化程式設計領域的應用。

幾乎在同一時間點，摩爾線程即宣布已基於自主研發的 AI 訓推一體全功能 GPU 智算卡 MTT S5000，以及完整的 MUSA 軟體棧，完成了對 LongCat-2.0 的快速適配。這項適配工作涵蓋了模型加載、推理引擎初始化、關鍵運算子的深度優化、部署驗證以及精度校驗等全鏈路環節，確保 LongCat-2.0 能夠在 MTT S5000 上實現穩定且高效的推理運行。這種 Day-0 級別的支援，展現了摩爾線程在國產 GPU 生態與大型模型協同方面的技術實力。LongCat-2.0 模型的技術亮點不止於萬億參數規模。

據了解，該模型內部整合了自研的稀疏注意力機制（LSA），能夠有效降低長序列處理時的計算複雜度；同時採用 ScMoE 跨層快捷連接架構，讓不同層級的專家模型之間能夠更靈活地共享資訊，進一步提升多任務協同效率。此外，零計算專家動態激活機制則讓系統能夠根據實際任務需求，即時決定哪些專家模組應被激活或閒置，從而將硬體資源的利用效率推向新高度。在實際部署層面，摩爾線程技術團隊主要依託 SGLang-MUSA 推理引擎來完成這項適配。SGLang 是一個專注於大型語言模型高效推理的框架，摩爾線程將其移植至 MUSA 軟體生態，並針對 LongCat-2.0 的架構特點進行針對性調校。

這意味著開發者可以利用 MTT S5000 的硬體算力，搭配 MUSA 軟體棧的完整工具鏈，無需繁複的移植工作即可直接運行 LongCat-2.0 模型，大幅降低模型落地的時間成本。值得注意的是，摩爾線程的 MTT S5000 智算卡定位為 AI 訓推一體全功能 GPU，不只支援訓練工作，也擅長推理任務。此次快速適配 LongCat-2.0，進一步驗證了該產品在處理超大規模 MoE 模型時的實用性。對於美團這類需要將大模型快速整合進實際業務系統的企業來說，能夠在模型發布當天就獲得硬體層面的支援，無疑是加速應用落地的關鍵優勢。

從產業角度來看，大型語言模型的迭代速度越來越快，參數規模從百億級推向萬億級，架構也從 dense 模型轉向 MoE 等稀疏化設計。這對底層硬體的運算能力、記憶體頻寬以及軟體生態的適配效率都提出了極高要求。摩爾線程此次能夠在極短時間內完成從模型發布到硬體適配的閉環，反映出其軟體團隊對於 SGLang、MUSA 以及常見大模型架構的熟悉程度。美團 LongCat-2.0 所主打的 Agentic Coding 場景，強調模型能夠像一個智能代理一樣，自主理解程式碼需求、生成解決方案並進行迭代修正。這類應用對推理延遲與吞吐量有嚴苛要求，尤其是在處理超長上下文時，傳統的注意力機制往往會讓計算量急劇攀升。

LongCat-2.0 透過 LSA 與動態專家激活等技術，試圖在保持高品質輸出的同時控制運算成本，而摩爾線程的適配則讓這套方案能夠在國產 GPU 平台上順利運轉。對於國產計算生態而言，Day-0 支援的意義不僅是技術能力的展示，更代表著上下游生態的成熟度。過去，國產硬體往往需要等待數月甚至半年以上才能適配最新的 AI 模型，如今摩爾線程能夠在美團發布模型的同一天就宣布完成適配，顯示出其軟體棧的通用性與敏捷性正在快速提升。這也讓更多開發者與企業對於採用國產 GPU 進行 AI 推理產生信心。展望未來，隨著 LongCat-2.

0 的進一步迭代以及美團在 Agentic Coding 領域的持續深耕，類似的模型適配需求只會更多。摩爾線程若能持續維持 Day-0 級別的反應速度，並不斷最佳化 MTT S5000 在 MoE 模型上的運算表現，就有機會在日益激烈的 AI 晶片市場中站穩腳跟。而美團方面，透過與國產硬體廠商的緊密合作，也能降低對單一供應鏈的依賴，為大規模部署提供更多選擇。總體而言，摩爾線程與美團此次的合作，從技術層面看是一次成功的模型與硬體快速整合，從產業層面看則是國產 AI 生態日益成熟的縮影。

未來，類似的 Day-0 支援模式很可能會成為行業標配，而雙方在超大規模 MoE 模型上的實踐經驗，也為其他企業提供了值得參考的案例。