一条模型发布线走了四天：美团 LongCat-2.5 到底改了什么，又没改什么
要点
11 月 2 日，美团发布 LongCat-2.5。到 11 月 5 日，这条线走过四个节点：官方发布、媒体定调、第三方榜单、开源侧对照。 四个节点，给出四个版本的 LongCat-2.5。 时间线：四天，四个版本 11 月 2 日，美团新闻稿与技术博客同步发出。总参数 1.6…
11 月 2 日，美团发布 LongCat-2.5。到 11 月 5 日，这条线走过四个节点：官方发布、媒体定调、第三方榜单、开源侧对照。
四个节点，给出四个版本的 LongCat-2.5。
时间线：四天，四个版本
11 月 2 日，美团新闻稿与技术博客同步发出。总参数 1.6 万亿，每个 token 激活约 480 亿，原生多模态，最长 1M token 上下文，训练全程使用国产算力。技术博客披露的约束条件比结论更有意思：国产加速卡单卡显存不足 80GB，装不下这样的长序列，团队只能围绕超节点重排并行策略，让参数与数据的主要通信留在高速互联域内。评价口径倒是写得很克制：多项主流基准「介于 Claude-Opus-4.8 与 Claude-Opus-5 之间」，部分评测超过 Opus-5。
同一天，API 上线。每百万 token 输入 2 元、命中缓存 0.04 元、输出 8 元，官方标注为限时折扣价。权重入口写着「即将上线」。
11 月 3 日，口径变了。AIBASE 的标题是「多项智能 Agent 基准登顶全球第一」，智东西写「通用 Agent 测试超 Opus-5」，集微网把重心放在「全程国产算力」。三个标题，三个重心，唯独没有一家给出第三方复测。
11 月 4 日，第三方数据进场。LLMBoard 的 HLE（带工具、纯文本）榜单把 LongCat-2.5 排在第 2，63.1%，第一是 Claude Opus 5.5 的 67.7%。同日的 AI 早报直接写「尚无独立机构复现」，并指出 Terminal Bench v4.0 上它是 38.5，Opus 5 是 53.9。
11 月 5 日，开源侧出现对照。月之暗面开放 2.8 万亿参数的 K3.1 Pro 权重、登顶 Agent Arena 开源榜；百度开源文心 5.5 Flash。而 LongCat-2.5 的权重，还挂在「即将上线」。
反转：参数没变，能力没登顶，变的是别的
这里要修正一个常见说法。
我一开始也按「1.6 万亿参数登顶」去核，翻到官方博客脚注才发现，中文标题里的「第一」来自个别基准的单点领先，官方原话是「介于两者之间」。
参数本身也不是新闻。6 月 30 日的 LongCat-2.0 就是 1.6 万亿总参数、480 亿激活、1M 上下文。2.5 沿用同一规模，一个数都没动。所谓「1.6 万亿时代」，六月就已经开始了。
官方那张成绩表，按两边都有分数的项目数：对 Opus 4.8 的 24 项里赢 18 项，对 Opus 5 的 27 项里只赢 10 项，对 DeepSeek-V4.1-Flash 的 26 项里输 14 项。脚注还写明，对手分数不带星号的，是美团自己跑的，「仅供参考」；对比集不含 GPT-6 系列和 Opus 5.5。把这些条件摆齐，「登顶」这个词就站不住了。它赢在了检索与部分长程任务，输在了最难的那档编程。
所以真正的变化不在「谁第一」，而在另一条曲线上：把一件 Agent 任务做完要花多少钱。输出每百万 token 1.2 美元，按公开价，大约是 GPT-6 Astra 输出价 50 美元的四十之一。加上 1M 上下文和双协议兼容，一个中等规模的长程任务，成本结构被改写了。
改了什么：三处结构性变化
视觉不再外挂。图像经语义对齐编码器取原生分辨率特征，再用残差向量量化压成多层级离散 token，和文本共用一套词表进主干。这不是给语言模型配一个视觉编码器，而是把「看」变成和「读」同构的动作，网页、3D 展示页、设计稿因此能进入同一条推理链。
训练法换了。把真实 Agent 跑失败的轨迹收集起来，改成可复现、可判对错的训练题，按「修之前失败、修之后通过」验收；训练环境断网、删掉 git 历史，再用另一个模型审查有没有投机取巧。这套「错题本」思路，比任何单项分数都更影响长期能力，因为它练的是走偏之后的自我纠正，而不是一次答对。
推理经济学是第三处。权重和激活同时压到 4 比特（W4A4），对 W8A8 基线，线上压测 prefill 吞吐 +43.3%、decode +42.77%、首字延迟 -15.91%、每 token 延迟 -19.72%。长序列 SFT 的单卡吞吐比 DDP 基线高 86%。这两组数字不好看，却是「便宜」的物理来源。
没改什么：三件被忽略的事
规模没改，上面已经说了。
开源没跟上。2.0 在 7 月按 MIT 协议放出权重，昇腾、摩尔线程、沐曦同步完成推理适配；2.5 截至 11 月 5 日仍无权重，协议与时间都没公布。在一个人人喊开源的赛道上，这是退了一步。
商业定位也没改。王兴在 8 月 28 日二季度电话会上说得很直白：「我们不会成为 Token 工厂，我们的模型和 AI 产品将用于支持我们的主业。」API 是副产品，主线是「妙手」这类经营工作台，公开客户是古茗、徐升记、益禾堂。
一个把模型当主业工具的团队，不会为了榜单第一去牺牲毛利；反过来说，它也没有动力把权重免费送出去。这两句话，比参数更能解释 11 月 2 日之后的每一个动作。
预判：五个可验证信号
第一，榜单能不能守住。LLMBoard 现在第 2，看四周内是否掉出前三，以及有没有 Terminal、SWE 类的独立复测出现。单点领先和稳定位次是两件事。
第二，权重放不放。GitHub 和 Hugging Face 的「即将上线」如果在 2026 年内兑现，看协议：MIT 是延续 2.0 路线，闭源则是战略转向。
第三，价格转不转正。现在的 2 元、0.04 元、8 元是限时折扣，官方没写折扣到什么时候、之后怎么调。转正价那天，才是真实的成本曲线。
第四，有没有第三方托管。目前只有美团自有平台，若出现非美团云的第二家托管方，说明模型开始脱离主业独立行走。
第五，工程数字能不能复现。W4A4 的 +40% 吞吐、+86% 单卡训练吞吐，都是官方口径，等第三方在国产卡上跑一遍。
这五条里，任何一条的答案，都比「登顶」两个字更有信息量。
