美团开源 LongCat-2.5：1.6 万亿总参数、百万上下文，面向长程智能体任务

据 IT之家 11 月 9 日报道，美团宣布正式开源龙猫 LongCat-2.5。该模型于 11 月 2 日发布，定位为面向长程智能体任务的原生多模态模型，重点覆盖复杂代码库开发、完整项目构建、Visual Coding 和专业办公等场景。此次开源采用 MIT 协议，支持商用推理部署与二次训练，无需额外授权，为开发者和企业开展模型适配提供了更明确的许可基础。

百万上下文之外，重点是长任务交付

来源显示，LongCat-2.5 总参数为 1.6 万亿，每个 token 激活约 480 亿参数，并支持一百万上下文。总参数规模与单次计算激活的参数量并不相同，因此不能仅凭“万亿参数”直接判断实际推理成本；部署时仍需结合模型存储、上下文长度和运行配置进行评估。

从产品方向看，LongCat-2.5 强调的不只是单轮问答，而是围绕较长任务链条完成工作。按照官方介绍，其在复杂代码库开发、完整项目构建、Visual Coding 与专业办公中的端到端交付能力均有明显提升。不过，来源摘要未提供具体评测成绩，这些提升在不同业务中的幅度，仍需通过实际任务验证。

• 代码场景：关注跨文件理解、项目构建等连续工作流程。
• 视觉场景：支持创意设计、3D 等任务，强调视觉信息与代码生成的协同。
• 办公场景：面向专业工作中的长程任务，而非仅处理孤立指令。
• 部署方向：针对显存和带宽受限的国产算力芯片，开展架构、适配与部署策略的协同优化。

视觉信息进入统一主干，而非外挂模块

LongCat-2.5 的一个技术重点是视觉表征方式。根据介绍，模型将视觉信号转化为多层级离散 token，再与文本一样交由主干模型统一处理，而不是依赖外挂视觉模块。

具体而言，模型对原生分辨率视觉特征进行残差向量量化，通过逐级补充的方式保留细节。视觉 token 可以离线预计算并缓存，以减少在线计算量，同时改善分布式训练中的负载均衡。视觉码本与主干联合训练，使视觉和文本共享主干参数，在同一语义空间内完成理解与代码生成。这也是其视觉理解与代码生成协同的核心设计思路。

产业解读：开放许可与低精度推理同样关键

在推理侧，LongCat-2.5 采用 W4A4 方案，将专家权重与激活同时量化至 4 bit，并使用原生 INT4 矩阵乘法单元执行计算。这表明其优化不仅涉及模型能力，也延伸到计算精度和硬件执行路径。但来源没有给出具体吞吐、显存占用或成本数据，不能据此推导确定的性能收益。

对中文开发者与企业而言，此次开源的意义在于将宽松许可、长上下文、多模态与部署优化放入同一套模型方案。MIT 协议降低了商业使用的授权复杂度，而国产算力适配则回应了本地部署需求。真正落地时，仍应围绕任务完成率、长上下文稳定性、硬件兼容性及整体资源开销进行测试，判断它能否从能力展示转化为可持续使用的生产工具。