美团 LongCat-2.5：1.6T 参数的 agent 模型，拿 Claude Code 当考场
一家外卖公司发了个 1.6 万亿参数的 agent 模型。美团的 LongCat-2.5 是 MoE 架构，激活参数约 480 亿，原生多模态，目标就是长链路 agent 任务。博客落款日期是 11 月 1 日。
按 LongCat 自己跑的成绩，Terminal Bench v2.1 拿 88.4，DeepSWE v1.1 拿 64.6，AutomationBench 51.8，BrowseComp 91.9，BrowseComp 是对比表里最高的。最难的编码评测还差一截：Terminal Bench v4.0 只有 38.5，公开报告里 Opus 5 是 53.9；DeepSeek-V4.1-Flash 在 Terminal Bench v2.1 和 DeepSWE 上也都排在它前面。对手分数取自公开报告，不是重跑的。
比分数更值得看的是两个细节。编码评测是在 Claude Code harness 里跑的，版本 2.1.280；训练时还做了"跨 harness 的混合训练"。美团还说，他们把真实世界里 agent 失败的轨迹转成可复现、可验证的训练任务。这就是"harness 即模型"变成了训练配方：用户在 Claude Code 里跑 agent，那就在 Claude Code 里训。推理端支持 W4A4，能跑在国产加速卡上。
问题在于，GitHub 和 Hugging Face 都写着"即将推出"，也没写许可证。权重和许可证出来之前，它是一个 agent 成绩不错的 API 模型，不算开源发布。等真放出来，先读许可证再动手。
博客：https://longcat.ai/blog/longcat-2.5/
← 返回所有文章
按 LongCat 自己跑的成绩，Terminal Bench v2.1 拿 88.4，DeepSWE v1.1 拿 64.6，AutomationBench 51.8，BrowseComp 91.9，BrowseComp 是对比表里最高的。最难的编码评测还差一截：Terminal Bench v4.0 只有 38.5，公开报告里 Opus 5 是 53.9；DeepSeek-V4.1-Flash 在 Terminal Bench v2.1 和 DeepSWE 上也都排在它前面。对手分数取自公开报告，不是重跑的。
比分数更值得看的是两个细节。编码评测是在 Claude Code harness 里跑的，版本 2.1.280；训练时还做了"跨 harness 的混合训练"。美团还说，他们把真实世界里 agent 失败的轨迹转成可复现、可验证的训练任务。这就是"harness 即模型"变成了训练配方：用户在 Claude Code 里跑 agent，那就在 Claude Code 里训。推理端支持 W4A4，能跑在国产加速卡上。
问题在于，GitHub 和 Hugging Face 都写着"即将推出"，也没写许可证。权重和许可证出来之前，它是一个 agent 成绩不错的 API 模型，不算开源发布。等真放出来，先读许可证再动手。
博客：https://longcat.ai/blog/longcat-2.5/
评论