猛蹬了两天 LongCat-2.5，根本停不下来了

点击上方蓝字关注我，加个🌟标不迷路。

各位小伙伴们大家好，我是 cxuan。

前两天，美团发了一个新模型，LongCat-2.5。

image-20261104060521990

这是一个面向长程任务的原生多模态智能体模型，模型总参数量 1.6T ，每个 token 激活参数约 480 亿，原生支持最高 1M 上下文。

在上一代 LongCat-2.0 的基础上，这次 2.5 版本重点强化了两块能力：原生视觉理解与 Agent Coding 端到端的编程体验，并且训练与推理全程跑在国产 AI 加速器超节点上，还能无缝接入 Claude Code、Codex、DeepSeek Harness 等主流 Agent 。

测评

先来看一下完整测评情况：

image-20261104072315809

相较于 LongCat-2.0，这次 LongCat-2.5 的提升幅度可以说是跨代级的，主要体现在以下三个维度：

第一，Coding Agent 能力提升明显。

Program Bench，这个测试只给模型一个可执行二进制文件和说明文档，不给源码，也不允许反编译，让模型自己摸清程序行为，再从零写出一套能通过隐藏测试的代码库。上一代 LongCat-2.0 在这里只有 2.5 分，而 LongCat-2.5 直接干到了 25.5 分，翻了整整 10 倍，直接反超了 GPT-5.6-Sol、GLM-5.3、Claude-Opus-4.8 ，仅次于 Claude-Opus-5。

Terminal Bench：在 v2.1 上，LongCat-2.5 从 2.0 的 70.8 涨到了 88.4，跟 GPT-5.6-Sol、Claude-Opus-5 基本打平；而到了难度飙升的 Terminal Bench v4.0，LongCat-2.0 只有 3.0，LongCat-2.5 则直接跃升到 38.5，压过了 GPT-5.6-Sol 和 Claude-Opus-4.8。

除此之外，在官方放出的完整测评大表里，有几个工程向指标也很值得留意：

• DeepSWE v1.1：从 2.0 的 9.7 暴涨到 64.6；

• NL2Repo：从 40.9 涨到 60.5，超过了 GPT-5.6-Sol 以及 GLM-5.3、Kimi K3 ；

• PaperBench：拿到 82.1，超过 Claude-Opus-5 。

第二，General Agent（通用智能体）多项结果居前。

• AutomationBench：模拟 CRM、日历、**等 47 个 SaaS 工具的真实办公环境，所有状态检查全部通过才算完成任务。LongCat-2.5 从 2.0 的 15.8 飙到了 51.8，力压 Claude-Opus-5、GLM-5.3、和 GPT-5.6-Sol。

• BrowseComp ：从 79.9 涨到 91.9，同样超越 Claude-Opus-5 和 GPT-5.6-Sol ，得分最高。

• LongCatClawBench：从 72.2 涨到 83.3，超过 Claude-Opus-5 与 GPT-5.6-Sol 。在更考验工具调用的 MCP Atlas和 HLE w/ tools上，相比 2.0 也都有超过 20 个百分点的跃升。

第三，Visual Agent（原生视觉与 3D 视觉编程）成了这次最大的惊喜。

这次的 LongCat-2.5 模型在 3D 视觉上进步非常明显，你完全可以围绕 LongCat-2.5 做一些创意设计和 3D 视觉任务了。

在 3DCodeBench (Text→3D) 这项核心测试上，LongCat-2.5 拿到了 55.4 分，直接力压 Claude-Opus-5、GLM-5.3、DeepSeek-V4.1-Flash、Claude-Opus-4.8 和 GPT-5.6-Sol。

而在看图写前端页面的 Vision2Web 上，它也拿到了 78.6 分，大幅领先 GPT-5.5、GPT-5.6-Sol 和 Claude-Opus-4.8，紧咬 Claude-Opus-5；多模态长程任务 LongCatClawBench-MM 也拿到了 72.1 分。

技术拆解

这次最大的亮点当属 3D 建模和视觉理解能力了。

我翻了一下官方的技术报告，我觉得进步的核心可以总结为三件事：原生离散视觉建模、大规模长程 Agentic RL 和多专家在线教学。

下面我们分别来聊一下。

原生视觉表征

很多传统多模态大模型的做法是先训好一个纯文本 LLM，再外挂一个视觉编码器（ViT）做投影对齐。说白了，这种方案里的视觉能力是后天拼上去的，在应付日常看图说话时够用，但一旦遇到需要精确空间几何感知与代码逻辑紧密咬合的 3D 上，就容易出现割裂感。

LongCat-2.5 走的是彻底的原生多模态路线：从一开始就把视觉信号表示为多层级离散 Token，让主干模型用完全统一的 Token 形式同时处理图片和文字。

图 1：原生分辨率视觉离散化

具体来说，它做了三层设计：

• 离散原生分辨率视觉 Transformer（SAE + RVQ）：沿用 LongCat-Next 的思路，先通过语义对齐编码器，提取不同分辨率图像的原生特征，再应用残差向量量化将其编码为多层级词表 Token，打破了视觉离散化容易丢失细节的信息瓶颈。

• 离线视觉 Token 预处理：因为视觉 Tokenizer 是固定的，训练前可以直接在离线阶段把海量图片预计算并缓存成视觉 Token ID。这样主干模型在训练时根本不需要在线跑沉重的视觉编码器，直接吃预先分词好的序列就行，极大简化了长序列的打包切分与分布式负载均衡。

• 共享语义空间深度融合：视觉码本 Embedding 与主干模型是联合学习的。官方放了一张非常有说服力的 t-SNE 分布对比图：

图 2：视觉与文本 embedding 的 t-SNE 对比

可以看到，在传统方案里，视觉特征和文本特征各聚一团、泾渭分明；而在 LongCat 的原生表示中，视觉与文本 Embedding 完全交织在同一片语义空间里。

大规模长程 Agentic RL

模型光会写代码片段还不够，长程工程任务要求它能连续几个小时读仓库、搭环境、跑测试、看报错、改 Bug，直到整个项目跑通。为此，美团在 mid-training 阶段加入了大量长程轨迹，并搭建了一套全链路扩展的 Agentic RL 系统：

多专家在线教学

为了把 Agent 执行、深度推理、细粒度指令遵循以及安全防御等不同维度的能力融进同一个主线模型，LongCat-2.5 沿用了 2.0 的专家组机制，通过 MOPD 让各领域的专家教师模型用全词表 KL 散度来给学生模型改卷子。

图 4：多专家在线蒸馏与 per-cut prefix

这里有一个很巧妙的改进：以前做在线教学，通常是把教师轨迹按轮切开当上下文，让学生模型自己往下写。但在长程任务里，单轮回复动辄几千上万个 token，学生写到几百个 token 时可能就已经跑偏了，这时候教师再给全词表概率指导，信号已经失真。

所以 LongCat-2.5 这次把教师的每轮长回复进一步按固定长度切成了 per-cut prefix，同时把学生每次在线自采样的最大长度也限制在这个值以内，彻底解决了单轮长回复里的分布偏移。

官方放出来了一些 Demo，我觉得实时流体模拟，3D 文物交互展示等均表现不错。

比如这个实时流体模拟，高帧率物理动态和交互视觉特效都是由 LongCat-2.5 端到端直接写出来的：

还有这个三星堆青铜神树的 3D 文物交互展示页面，不仅用 WebGL 把复杂的器物结构渲染出来了，连拖拽旋转、滚轮缩放、双击聚焦、线框模式切换以及旁边的历史文化科普面板都一并打通了：

实测

由于这次 LongCat-2.5 最大的进步在 3D 建模和视觉构建上，所以这次测试我们围绕着这块来展开。

绘制了一个水族馆

可以先站在展厅里隔着玻璃看，再把镜头潜到水下，近看鲸鲨、蝠鲼和成团游动的沙丁鱼。

绘制了一个重庆微缩城市

把重庆沿江两岸放进一块可以旋转的沙盘里。看完全景，可以点进洪崖洞、李子坝站和索道的近景，切到夜晚还能看到沿江楼群亮灯。

绘制了一个 3D 相机

这个做成了可以动手拆卸的相机爆炸图。拖动底部滑块，机壳、镜片和传感器会逐层分开，往回拖就能装回去。点开零件列表，还能高亮对应的部件。

价格

由于 LongCat-2.5 跑在国产算力上，同时 W4A4 的量化推理把底层成本压了下来，所以这次 LongCat-2.5 的定价策略相当实惠。

• 输入（缓存命中 / Cached Input）：0.04 元 / 百万 Tokens（约 $0.006）

• 输入（缓存未命中 / Uncached Input）：2.00 元 / 百万 Tokens（约 $0.30）

• 输出（Output）：8.00 元 / 百万 Tokens（约 $1.20）

价格对比：LongCat-2.5、DeepSeek-V4.1-Flash、GLM-5.3-Flash、Qwen3.8-Flash-Next

这轮实测下来 LongCat-2.5 ，我觉得它的 3D 建模和视觉这次非常惊艳，基本上国模的 3D 模型建模我也基本上都玩了一遍，从我的体感来看，它在 GLM-5.3 Flash 之上，甚至某些地方比 DeepSeek-V4.1 Flash 更具优势。

而且 LongCat-2.5 用国产的算力，把 1.6 T 参数的大模型价格干到和国模 Flash 顶配的价格水平，这本身就是一种竞争力。

如果这篇文章你觉得还不错，谢谢你的三连，也希望可以转发给同样关注 AI / 科技 / 开发效率的朋友。 我是 cxuan，我们下期再见。