把失败轨迹变成训练题：美团 LongCat-2.5 如何训练“能干长活”的编码智能体

引言

11 月 2 日，美团 LongCat 团队正式发布 LongCat-2.5：原生多模态的混合专家（MoE）模型，总参数 1.6 万亿，每个 token 约激活 480 亿。真正值得拆解的是它的训练思路——围绕“长程任务”做强化学习，并把真实智能体的失败变成新的训练数据。

一、目标：从“写一段代码”到“做完一个项目”

据 Pandaily 与 TechNode 报道，LongCat-2.5 建立在 LongCat-2.0 之上，强化原生视觉理解和智能体编码：

• 长序列训练中加入更多长程轨迹数据；
• 大规模长程强化学习，优化复杂代码库开发、从零构建完整项目；
• 跨不同 agent harness 混合训练，官方称可配合 Claude Code、Codex、Hermes 等工具。

二、数据飞轮：把真实智能体的失败变成可验证任务

美团称会把真实智能体运行中的失败轨迹转化为“可复现、可验证”的训练任务，哪里弱补哪里。闭环是：部署 → 收集失败 → 还原成带验证器的环境 → 再做 RL。可验证性是关键，强化学习需要明确的奖励信号。环境与验证器的质量，正越来越比单纯堆参数重要。

三、统一 token 的视觉，与国产算力上的 W4A4

视觉信号被表示为多层级离散 token，主干网络用同一种 token 形式处理图像和文本，官方称擅长视觉编码、创意设计和 3D 任务。工程上，美团称在国产芯片上优化了长上下文训练与 W4A4 推理（4 比特权重和激活），并处理训练与推理的数值一致性——这对 RL 很关键，否则低精度 rollout 与训练的偏差会污染梯度。

四、成绩单与怀疑

据美团自家基准：Terminal Bench v2.1 为 88.4（LongCat-2.0 为 70.8），AutomationBench 51.8（此前 15.8），BrowseComp 91.9，PaperBench 82.1。但 Program Bench 上为 25.5，榜首为 37。这些数字均为厂商自报，未经独立验证；目前仅通过 longcat.chat 与 API 提供，开源权重“即将发布”，技术报告尚未见到。

结语

LongCat-2.5 的价值不在单个分数，而在路线：长程 RL + 失败驱动的数据飞轮 + 低精度推理的工程一致性。等权重和技术报告到位，才能判断这套配方能否被社区复现。