LongCat-2.5 省掉的不是"写代码"本身，而是长程开发里最磨人的几段重复劳动：每次重喂项目背景、一步一停地纠正它、替上一个 Agent 收拾半截烂摊子、手动跑自测和回归、对着截图来回改。11月2日，美团正式发布 LongCat-2.5——总参数1.6万亿、每 token 激活约480亿、面向长程智能体任务的原生多模态模型。 API 同日上线，发布一周后权重开源，上下文支持到一百万 token。 跨代提升恰好集中在长任务上：在考核终端里跑完整套任务的 Terminal Bench v4.0，上一代 LongCat-2.0 只有 3.0 分，这一代跳到 38.5 分。 但"能省"有前提：验收标准得人提前写好，部分任务在默认设置下会中途卡住，跑分也还停留在厂商自测口径。美团技术团队IT之家cxuanAI
重复喂代码库，压成命中缓存的四分钱
长程开发里最隐形的重复活，是"模型不认识你的项目"：每次新会话都要重新解释仓库结构、重贴报错、重讲背景。这次百万 token 上下文能一次读进一个大型代码工程或上百万字资料，API 定价把"反复重读"直接压进了分钱级：每百万 token 输入 2 元、输出 8 元，命中缓存的输入只要 0.04 元，相当于未命中价格的五十分之一。 降价的底气来自模芯协同：训练与推理全程跑在国产 AI 加速卡上，推理侧把权重与计算精度同时压到 4 bit，国产芯片上的吞吐比 8 bit 方案高四成以上，下游任务精度基本没掉。 这套优化正是针对单卡显存与带宽受限的国产芯片做的，模型架构、芯片适配与部署策略深度协同。AI编程实验室赛博禅心IT之家
一轮往返的返工，换成一句现象跑一个多小时
官方把这一代的能力训练描述得很直白：长序列训练加入更多长程轨迹数据，再用大规模长程强化学习拉高复杂代码库开发和完整项目构建的端到端能力。 练习题取自 GitHub 公开仓库的 PR 和 issue 以及美团内部真实代码任务，自动打标、合成环境，用 F2P 和 P2P 测试判分。 接入也不用换工具，官方文档写明它兼容 Claude Code、Codex 等主流 harness。美团技术团队赛博禅心AI编程实验室
省掉的返工在第三方实测里看得最清楚。开发者"鲁工"把一个真实用户报的性能问题原样复现：5.2G 会话日志，Agent 干活时面板 CPU 长时间超过 60%，他按原规模合成了 100 万条事件交给模型。第一轮，LongCat-2.5 和对照的 GLM-5.3 都被报告人自己的猜测带偏，只修了扫描这一侧。LongCat-2.5 收到一句只讲现象的纠错后，先按 issue 规模合成数据做了 profiling，结果扫描本身只花了 76ms，第一轮的思路就此排除。AI编程实验室
接着它顺着刷新链路摸到 summary 聚合接口，把十来次查询合成一次，又加了一张持久化预聚合表，summary 从 1394ms 降到 106ms，活跃时每轮 CPU 从 1676ms 降到 218ms，三项门槛全部达标，还主动报出了代价：首次扫描和批量写入会慢 20% 左右。 总用时 1 小时 45 分，全程没有回头找过人。这才是"长程"省掉的东西：不是代码写得更快，而是"改一步就要人拉一次"的往返沟通没了。AI编程实验室
别人留下的半截现场，从雷区变成可交接的活
官方训练链路里专门有一条 Trajectory2Task：把真实 Agent 的失败轨迹改造成可复现、可验证的训练任务，针对短板持续补数据。 实测直接考了这条链路：LongCat-2.5 接手了另一个模型留下的半成品——表面测试全绿，实际只过了 9 项隐藏测试里的 6 项，还误删了被轮转掉的 1000 万 token 历史用量。它退回去重新对账，把迁移逻辑从扫描器层挪进采集器层，20 分 46 秒交付，9 项隐藏测试全过，被删的历史也补了回来。 在多 Agent 流水里，"先花半天看懂前任错在哪"这件重复活，正在被"读得懂的交接记录"替代。美团技术团队AI编程实验室
自测和回归这种苦活，它愿意挨个跑完
按 PRD 从零搭一个能本地浏览的 600 篇文章静态站，LongCat-2.5 与对照模型首次交付都通过了全部 12 项验收，它用了 21 分 58 秒，多花的时间不少用在了自测上：写了 59 个测试，把生成的 925 个 URL 挨个请求了一遍。AI编程实验室
复现经典论文时也先摸底再动手：GPU 每步只算 6.6 毫秒，CPU 端调度却要 34 毫秒，照这个速度四个网络会超出 3 小时限制，于是它把前向、反向和参数更新整步捕获成 CUDA graph，把单步降到 6.2 毫秒。 冒烟测试、逐页点验、复算 baseline 这类人最容易偷工的环节，它会按指令执行且不跳过。AI编程实验室
看图改页面，眼睛长在主模型里
与"先训文字再外挂视觉编码器"的常见做法不同，LongCat-2.5 从训练起就把视觉信号表示成多层级离散 token，与文本排进同一个序列。 写完代码它会再看一眼效果对不对，不对再改。 跑分也对得上这条路线：3DCodeBench（Text→3D）拿到 55.4 分，力压 Claude-Opus-5、GLM-5.3、DeepSeek-V4.1-Flash 等对照模型，看图写页面的 Vision2Web 拿到 78.6 分，紧咬 Opus-5。 实测里能转着看、能拆解联动的 3D 青铜神树、水族馆和城市沙盘，是它端到端直接写出来的。省掉的是手工把设计稿誊成组件、以及"改错了再来一轮"的比对回合。美团技术团队赛博禅心cxuanAI
三件省不掉的活
第一件是验收设计。上面所有"一次过"都有一个前提：开测前验收标准已经写死，期望值由脚本计算，先拿标准答案和故意改坏的反例校准过，模型看不到验收脚本。 社区流传的用法指南把这点说得更直白：模型越能干，越不能一句话丢整个项目，先把"做到什么样算过"讲清，它才不容易自由发挥。AI编程实验室小红书
第二件是配置。官方默认设置未必就是长程任务的正确姿势：有 B 站实测发现，按官方默认设置跑 Agent 编程题，两步思考都停在 32768 个 token，一个文件都没写；把思考预算调大后任务才做出来，而且要多跑几次、速度也慢。哔哩哔哩
第三件是判断边界。官方跑分表属厂商自测，不少评测直接挂在 Claude Code 里跑，成绩尚未经独立验证。 有第三方把官方指标看板逐项核账，结论是：在官方选的对照里它只拿了四项第一，把 DeepSeek、GLM、Kimi 放回同一张表后只剩两项；通用编码、仓库级重构、长程终端任务仍落后 Claude Opus 5 一代，最多差 15 分。 换句话说，顶级标杆的位置暂不属于它，它能替掉的是那些价格与国产算力口径上真正跑得动、跑得省的日常重复工程环节。AI编程实验室小红书哔哩哔哩
