2026年11月2日，美团放出了LongCat-2.5。
说实话，今年的大模型发布已经多到让人麻木了，参数一个比一个大，榜单一个比一个卷。但LongCat-2.5的技术报告里，有一行字让我停下来多看了两遍：针对国产加速器重构了并行策略，单卡显存不足80GB的卡也能跑长序列训练，单卡吞吐比DDP基线提升了86%。
参数可以卷，榜单可以刷，但“在国产卡上跑得顺”这件事，是第一次有头部大模型把它做成核心卖点。这篇文章，咱们就聊聊这1.6万亿参数背后，真正值得看的东西。
先看硬货：1.6万亿参数，每次只激活480亿
LongCat-2.5是一个原生多模态的MoE（混合专家）模型，总参数1.6万亿，但每个token实际激活的只有约480亿。
不懂MoE的读者可以这么理解：传统dense模型像一家全员上班的公司，每处理一个字，1.6万亿个参数全员出动；而MoE像一家有上千个专家小组的公司，每次只叫醒跟当前任务最相关的几个小组干活，其他人继续睡觉。
所以别被“1.6万亿”这个数字吓到，也别觉得它推理起来贵得离谱——真正决定推理成本的是激活的那480亿。这也是为什么它敢把定价打到0.3美元/百万输入token。参数规模在这里更多代表的是知识容量和上限，而不是账单。
100万上下文、12.8万输出：明摆着为Agent而生
上下文100万token，单次最大输出12.8万token。这个规格已经不是“聊天”用的了，是给Agent打工用的。
想想看，一个能自主完成任务的Agent，一次任务要读多少东西：代码库、文档、历史对话、工具返回结果……动不动几十万token的上下文。而12.8万的最大输出，意味着它可以一口气写完一个完整的长报告、一套代码重构方案，而不用分段续写、不用担心前后文断裂。
配合它在AutomationBench、LongCatClawBench上领先Claude-Opus-5和GPT-5.6-Sol的成绩，意图很明显了：LongCat-2.5瞄准的就是“干活”场景，而不是“聊天”场景。Terminal Bench v4.0拿到38.5分，更是直接把考卷摊在了桌面上——在终端里真实执行任务，这才是Agent的高考。
最狠的一刀：单卡不到80GB，也能跑
前面说的都是“卷面成绩”，这一节才是LongCat-2.5真正的杀招。
报告里明确写了：针对国产加速器做了并行策略重构。翻译成人话就是——国产加速器单卡显存普遍不足80GB，跑不动超长序列训练是行业公认的痛点，美团把训练框架的并行切分方式重写了，让长序列SFT（监督微调）在单卡上的吞吐，相比DDP基线提升了86%。
86%是什么概念？原来一天能跑完的微调任务，现在大半天就跑完了；原来需要加卡才能跑的序列长度，现在不加卡也能跑了。对用国产算力做二次开发、做行业微调的团队来说，这直接等于省钱、省卡、省时间。
以前国产大模型发布，“适配国产算力”顶多是PPT里的一页；LongCat-2.5是第一次把它做成了可量化的、写进技术报告的核心指标。这背后是一个判断：未来大模型的竞争，不只在模型本身，还在“谁的模型能在客户已有的国产卡上跑起来”。
0.3美元：定价就是宣战书
输入0.3美元/百万token，输出1.2美元/百万token，还是限时折扣价。
这个定价策略很聪明：输入便宜到几乎不要钱，先把开发者和企业的调用量吸引过来——Agent场景下输入token的消耗量是输出的好几倍（读一堆上下文，只输出一个动作），输入便宜就是精准打击Agent场景的成本痛点。
结合MoE架构每次只激活480亿参数的推理成本，这个价格它大概率还真有的赚。这就是MoE路线的阳谋：用架构换成本，再用成本换市场。
写在最后
LongCat-2.5让我印象最深的，不是1.6万亿参数，也不是基准测试上的第一，而是一个信号：国产大模型的竞争逻辑变了。
以前大家比的是“谁的参数大、谁的榜单高”，现在美团交出来的答卷是“谁的模型在国产卡上跑得最顺、谁的定价让开发者最没有负担”。当“适配国产算力”从一句口号变成86%吞吐提升的硬数字，大模型才算真正开始和中国的产业现实接轨。
参数会过时，榜单会刷新，但“好用、便宜、跑得动”这三件事，永远是开发者用脚投票的唯一标准。
