美团 LongCat-2.5：当 Agent 开始"盯着屏幕干长活"

11 月 2 日，美团 LongCat（龙猫）团队正式发布了 LongCat-2.5。据报道，这是一款总参数约 1.6 万亿、每 token 激活约 480 亿参数的 MoE（混合专家）模型，上下文窗口达 1M token，定位非常明确：面向长程智能体任务的原生多模态模型。API 已经上线，但据 11 月 3 日的第三方梳理，权重尚未在 GitHub 与 Hugging Face 上放出。

如果说过去一年 Agent 的主线是"能不能调用工具"，那么 LongCat-2.5 代表的新主线是：能不能盯着屏幕、连续干几个小时的长活，并且不跑偏。

一、"原生多模态"不是"能看图"，而是"用同一套语言思考"

市面上多数多模态模型的做法，是在语言模型外面挂一个视觉编码器：图片先被转成特征向量，再"拼"进语言主干。视觉和语言终究是两套系统，拼接处难免有损耗。

LongCat-2.5 走了一条更激进的路线。据官方技术说明，它用语义对齐编码器（SAE）提取原生分辨率特征，再经残差向量量化（RVQ）把图像表示成多层级的离散 token，让语言主干用统一的 token 序列同时处理视觉与文本。视觉 tokenizer 固定后，图像 token 还可以离线预处理并缓存，省去训练时重复跑视觉编码器的开销。

这个选择对 Agent 场景格外实际。一个真正的 GUI Agent 的工作循环是：看截图 → 决定操作 → 看执行结果 → 再决定下一步。如果视觉和行动不在同一个"思考系统"里，每一步的理解偏差都会被放大。把"看屏幕"塞进主干，本质上是把视觉从"外挂感官"变成了"第一语言"。

二、长程能力不是堆上下文，而是把失败变成训练题

1M 上下文很容易被当成营销数字，但长程任务真正的敌人不是"装不下"，而是"走不稳"：步骤一长，模型就会重复调用工具、钻进死胡同，或者在奖励的漏洞里"假装完成"。

LongCat-2.5 在这方面的训练思路值得注意。据报道，团队在长序列训练中加入了更多长程轨迹数据，并做了大规模长程强化学习；更关键的是，它把真实 Agent 的失败轨迹转化成可复现、可验证的训练任务——针对短板持续补数据，踩过的坑变成下一轮的课程表。同时，团队强调跨不同 Agent 框架（Claude Code、Codex、Hermes 等）的混合训练，避免模型只对某一种脚手架"应试"。

这是一种很"工程化"的进步观：长程能力不靠某一次顿悟，而靠把失败系统性地回收进训练闭环。同一周 SemiAnalysis 发布 GDPx 基准、试图在芯片设计、生物、金融等高价值领域衡量 Agent 的通用能力，也说明行业正在从"单题跑分"转向"长程可交付能力"的较量。

三、国产算力训练的细节，比口号更值得看

LongCat-2.5 据报道全程在国产算力上训练。单说这句话容易流于口号，但这次披露的工程细节是实的：针对单卡显存不足 80GB 的现实约束，团队与算力厂商协同优化显存、卡间通信与传输效率，用双重分片 FSDP、混合词表并行、动态专家复制等手段压显存；推理侧则做了 W4A4 量化优化，并保障训推数值一致性。

1M 序列的多卡训练，显存和通信恰恰是最疼的地方。这些优化不是论文里的点缀，而是决定"万亿参数模型能不能在非顶级硬件上训出来、用得起"的硬约束。它的意义超出美团一家：它证明国产算力栈已经可以支撑前沿 Agent 模型的完整训练与推理链路，哪怕代价是更多的工程投入。

四、跑分怎么读：自家考卷领先，公共考卷仍有差距

官方基准需要拆开看。据报道，在美团自建的 AutomationBench 与 LongCatClawBench 上，LongCat-2.5 领先于 Claude Opus 5 等模型；但在外部可对照的公共基准 Terminal-Bench v4.0 上，它的得分约为 38.5，超过了 GPT-5.6-Sol，却仍落后于 Claude Opus 5。

这个反差恰恰是健康的信号：自建基准反映的是团队对目标场景的理解深度，公共基准反映的是通用能力的真实水位。两者都看，才能避免被"全面领先"的叙事带偏。对开发者来说，更务实的判断标准是：在自己的代码库、自己的工具链里跑几个真实任务，看它在第 50 步、第 100 步之后还稳不稳。

我的观点：Agent 竞争正在从"模型"转向"工作闭环"

LongCat-2.5 最值得讨论的不是 1.6T 这个数字——MoE 的总量从来不等于实力，48B 的激活参数才是推理成本的真实锚点。它真正透露的趋势是：Agent 的竞争正在从"单模型能力"转向"工作闭环"的竞争——视觉理解、长程强化学习、失败回收、跨框架泛化、训推一致的量化部署，缺一环，长任务就会在中途崩掉。

与此同时，一个提醒同样重要：在权重尚未公开、独立评测尚未跟上的当下，所有结论都应标注为"据报道"。开源承诺兑现之后，社区的独立复现才是这款模型真正的"第二场发布"。

结语

LongCat-2.5 把 Agent 的问题重新定义了一遍：不是"模型能回答多难的问题"，而是"模型能不能像一位可靠的工程师那样，看着屏幕、一步步把活干完"。如果这个方向被验证，它影响的将不只是编程助手，而是所有需要长时间、多步骤、人机协作的工作流。接下来值得盯的三件事：权重何时公开、独立基准上的长程表现，以及它在真实代码库里的"百步稳定性"。