分类：大模型
导语：从发布到开源，LongCat-2.5 进入可部署阶段
11 月 9 日，美团宣布开源美团龙猫面向长程智能体任务发布的原生多模态模型 LongCat-2.5。该模型于 11 月 2 日发布，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。对于希望构建长程 Agent、复杂代码任务或多模态应用的团队来说，LongCat-2.5 提供了一个可直接评估、部署和继续训练的开源选项。
长上下文与大规模参数，对准复杂任务链路
从公开规格看，LongCat-2.5 的模型总参数为 1.6 万亿，每个 token 激活约 480 亿参数，并支持一百万上下文。这样的配置与长程智能体任务直接相关：长任务通常需要模型在更长的输入历史和更复杂的项目信息中保持连贯理解。
美团介绍称，该模型在复杂代码库开发、完整项目构建、Visual Coding 与专业办公场景中，端到端交付能力均有明显提升。相比单轮问答，这些场景更强调连续处理和多步骤结果生成。
- 总参数：1.6 万亿
- 每个 token 激活约 480 亿参数
- 上下文：一百万
- 协议：MIT，支持商用推理部署与二次训练
原生多模态架构：视觉 token 与文本统一处理
LongCat-2.5 的另一重点是原生多模态能力。模型将视觉信号表示为多层级离散 token，与文本一样由主干模型统一处理，而非依赖外挂视觉模块。视觉码本与主干联合训练，视觉与文本共享同一套主干参数，在同一语义空间内协同完成视觉理解与代码生成。
在视觉特征处理上，模型对原生分辨率视觉特征做残差向量量化，逐级补足细节。视觉 token 可离线预计算并缓存，从而减少在线计算量，也让分布式训练负载更均衡。
美团称，LongCat-2.5 在 Visual Coding 上表现出色，支持创意设计、3D 等任务。对于需要结合视觉输入和代码生成的场景，这种统一主干的设计有助于减少模块拼接带来的额外复杂度。
推理优化与国产算力适配
大参数模型进入实际部署时，显存、带宽和算力成本是绕不开的问题。素材显示，针对显存与带宽受限的国产算力芯片，美团团队在模型架构、芯片适配与部署策略上进行了深度协同优化。
在推理方案上，LongCat-2.5 采用 W4A4 高效推理方案，将专家权重与激活同时量化到 4 bit，并通过原生 INT4 矩阵乘法单元执行计算。这类做法的目标是降低推理资源消耗，使模型在更受限的硬件环境中运行。
将大参数模型与量化推理、芯片适配放在一起，可以看出 LongCat-2.5 并不只强调模型规模，也强调部署可用性。这对于希望在国产算力条件下运行大模型的企业和开发者具有现实意义。
MIT 开源带来的实际价值
此次开源采用 MIT 协议，允许商用推理部署与二次训练，且无需额外授权。这使后续商用和二次训练更容易展开，也便于企业根据自身业务数据继续调整模型。
LongCat-2.5 将原生多模态、长上下文、大参数规模和推理优化同时开放，为长程 Agent 方向提供了一个较完整的开源样本。模型开源地址位于 Hugging Face，技术博客与 API 平台也已公开。对需要评估模型能力、部署成本和二次训练空间的团队来说，这些公开资料提供了进一步验证入口。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/mei-tuan-kai-yuan-longcat2-5-wan-yi-can-shu-duo-mo-tai-mo
