Skip to content

模型卡|LongCat-2.5

2026年11月15日1 分鐘
TL;DRLongCat-2.5:1.6T 總參數、約 48B 活躍、1M context,API 定價 input $0.30/output $1.20(每 1M tokens);DeepSWE v1.1 從前代 LongCat-2.0 的 9.7% 跳到 64.6%,BrowseComp 91.9% 為同場最高分;視覺 token 折進 backbone,支援『visual coding』

查詞與收藏

正在載入查詞工具…

🌏 English version

模型資訊

項目值
Model IDLongCat-2.5
廠商Meituan(美團)/LongCat 團隊
參數量1.6T 總參數,約 48B 每 token 活躍(MoE)
Context Window1,000,000 tokens
Input 定價 (USD/1M tokens)$0.30(限時價,未快取;快取輸入 $0.006)
Output 定價 (USD/1M tokens)$1.20
開源是(MIT,權重於公告一週後補發)
發布日2026-11-01(公告/API 上線),2026-11-09(補發權重)
官方公告LongCat-2.5 Blog
HuggingFacemeituan-longcat/LongCat-2.5
家族LongCat 2.x

能力亮點

  • DeepSWE v1.1 從前代 LongCat-2.0 的 9.7% 跳到 64.6%(+54.9 個百分點),Terminal Bench v4.0 從 3.0% 跳到 38.5%,PaperBench 從 45.2% 跳到 82.1%——官方把這歸因於 agentic RL 的階段性跃變,不是訓練資料規模的漸進提升
  • BrowseComp 91.9%,是整個比較集合(含 Claude Opus 5、GPT-5.6-Sol、DeepSeek-V4.1-Flash)裡最高分
  • 視覺輸入直接折進同一個 1.6T MoE backbone:影像經殘差向量量化(RVQ)轉成離散 token,跟文字共用同一個 token 流與同一套目標函數,不需獨立的 vision encoder adapter,官方稱之為「visual coding」——讀截圖、UI、圖表後直接寫程式碼
  • W4A4 量化(4-bit 權重與活化)讓 decode throughput 比 W8A8 基準提升 42.77%,支援在單卡記憶體小於 80GB 的國產 AI 加速器上訓練與推論

Benchmark 表現

Benchmark分數前代 (LongCat-2.0)競品最強
Terminal Bench v2.188.470.8DeepSeek-V4.1-Flash 90.6
DeepSWE v1.164.69.7DeepSeek-V4.1-Flash 74.2
PaperBench82.145.2GPT-5.6-Sol 83.3
HLE(含工具)63.137.5Claude-Opus-5 64.7
BrowseComp91.979.9DeepSeek-V4.1-Flash 91.5(LongCat-2.5 為全場最高)

⚠️ LongCat-2.5/LongCat-2.0 的分數為官方自測;競品分數依官方揭露,部分取自公開技術報告或官方排行榜(標 *),部分為官方自行跑測、僅供參考(未標註來源的競品分數)。外部獨立複現尚未出現。

與前代/競品比較

跟 LongCat-2.0 比,最大進步集中在 agentic RL 任務上:DeepSWE v1.1、Terminal Bench v4.0、PaperBench 都是數倍甚至十倍以上的跳升,而不是個位數百分點的微調。官方的說法是「長橫跨度 agentic RL 在數據、環境、演算法、harness 四個軸同時 scale」帶來的階段性改變,而非單純加大訓練資料規模。

LongCat-2.5 對 LongCat-2.0 的三項 agentic benchmark 跳升
LongCat-2.5 對 LongCat-2.0 的三項 agentic benchmark 跳升LongCat-2.5 在 DeepSWE v1.1、Terminal Bench v4.0、PaperBench 三項 agentic benchmark 上都比前代 LongCat-2.0 跳升數倍到十倍以上 分數(%) 50 100 9.7 LongCat-2.0 64.6 LongCat-2.5 3.0 38.5 45.2 82.1 DeepSWE v1.1 Terminal Bench v4.0 PaperBench

資料來源:LongCat-2.5 Hugging Face 模型卡官方評測表(2026-11)。換算:基線 x=200,每 1 分 4 單位(x = 200 + 分數 × 4),橫軸從 0 起。

跟競品比,LongCat-2.5 在 BrowseComp(91.9%,全場最高)、AutomationBench 上領先,但在最難的 repo-scale 工程任務上仍輸 Claude Opus 5 不少:Terminal Bench v4.0 輸 15.4 分(38.5 對 53.9),NL2Repo 輸將近 15 分(60.5 對 75.3)。DeepSeek-V4.1-Flash 則在 DeepSWE v1.1 與 Terminal Bench v2.1 上贏過 LongCat-2.5。純視覺 benchmark 表現中等:VideoMME 85.2 輸 Kimi-K3 的 90.0。官方自己的結論是「全面能打、視覺程式碼有特色,但還不是最難工程任務的第一名」。

定價上 input $0.30/output $1.20(每 1M tokens,限時價),cached input 只要 $0.006,走的是跟 DeepSeek-V4.1-Flash 類似的中低價區間,明顯比 Claude Opus 5、GPT-5.6-Sol 便宜。API 相容 OpenAI 與 Anthropic 協議,可以直接接進 Claude Code、Codex、OpenCode 等既有 harness,對想低風險試用中國前沿模型的團隊是個切入點。

對 Agent 開發的意義

視覺理解折進同一個 token 流,代表 agent 可以在同一個推理迴圈裡讀 UI 截圖、圖表或渲染結果,然後直接動手修改程式碼——官方內部用小模型做的 t-SNE 示範顯示視覺和文字 embedding 確實交織在同一個語義空間,不是硬接起來的兩套系統。

  • 如果你在做需要「看畫面再寫程式碼」的 agent(前端除錯、視覺驗收迴圈、截圖轉程式碼):LongCat-2.5 省掉額外接 vision encoder adapter 的工程成本,可以直接用同一個模型跑完整迴圈
  • 如果你在做長流程、產出要「看得到自己做完」的任務(3D 場景生成、互動式網頁、資料整併報告):官方附的流體模擬、3D 展示、城市 diorama 等 demo 顯示這是刻意訓練方向,而不是附帶能力
  • 不適合:repo 規模很大、步驟極度複雜的工程任務——這些場景 Terminal Bench v4.0、NL2Repo 都還是輸 Claude Opus 5 一截,現階段 Claude Opus 5 仍是更穩的選擇;也不適合要立刻自架開放權重的團隊做長期規劃依賴——官方公告當天明確說「沒有開放權重計畫」,一週後才反悔補發 MIT 權重,這個承諾本身就不穩定

今日收穫

之前以為「多模態折進 backbone」只是省一個 adapter 的工程選擇,但 LongCat-2.5 的 t-SNE 示範顯示視覺跟文字 embedding 真的落在同一個語義空間——這代表 agent 看螢幕跟讀文件用的是同一套推理,不是兩套系統拼接。另一個認知差:開放權重不是發布當天就能確定的承諾,LongCat-2.5 公告當天明確說「沒有開放權重計畫」,一週後卻補發 MIT 權重——追蹤開源模型動態時,發布當天的授權聲明不能直接當成最終答案。

參考資料