美团 LongCat-2.0 正式发布：国产五万卡集群打造的 1.6T 参数长文本大模型

核心要点

• 国产算力里程碑：业界首个在五万卡国产算力集群上完成从预训练到推理全流程的万亿参数模型。
• 超大规模架构：模型总参数量高达 1.6T，通过动态激活机制（平均激活约 48B，范围 33B~56B）实现高效能计算。
• 原生长文本支持：从零开始预训练，原生支持 1M（一百万）超长上下文窗口。
• 专注 Agentic Coding：核心目标定位于提升真实编程智能体任务中的代码理解、生成与执行能力。

详细分析

国产算力集群的大规模应用突破

LongCat-2.0 的发布不仅是一个模型的更新，更是国产算力基础设施能力的有力证明。在五万卡规模的国产算力集群上完成全流程训练与推理，意味着国产芯片与集群架构已经能够支撑起万亿级参数（1.6T）模型的超大规模并行计算需求。这种“全流程”的打通，涵盖了从底层算力调度、模型预训练到最终部署推理的各个环节，展示了国产算力生态在稳定性、带宽优化以及软硬件协同方面的显著进步。对于行业而言，这为摆脱外部算力依赖、构建自主可控的 AI 技术栈提供了重要的实践范本。

动态激活与万亿参数的平衡艺术

在架构设计上，LongCat-2.0 采用了极具前瞻性的设计思路。虽然其总参数量达到了惊人的 1.6T，但通过先进的动态激活机制，模型在实际运行时的平均激活参数仅为 48B 左右，且能根据任务需求在 33B 到 56B 之间动态调整。这种设计在保持万亿级模型“博学”特性的同时，极大地降低了推理时的计算开销和延迟。这种动态范围的灵活性，使得 LongCat-2.0 能够在处理复杂逻辑时调用更多神经元，而在简单任务中保持低功耗运行，实现了模型规模与运行效率的深度优化。

原生 1M 上下文与 Agentic Coding 的深度融合

LongCat-2.0 原生支持 1M 超长上下文，这并非简单的窗口扩展，而是从零开始预训练阶段就植入的能力。对于其核心应用场景——Agentic Coding（智能体编程）而言，1M 的上下文意味着模型可以一次性“吞下”整个大型项目的代码库、技术文档以及复杂的依赖关系。这种长文本能力直接服务于代码的深度理解、精准生成与自动化执行。在真实的编程任务中，LongCat-2.0 能够跨文件理解逻辑关联，减少因上下文缺失导致的逻辑断层，从而在复杂的 Agent 任务中表现出更高的稳定性和执行力。

行业影响

LongCat-2.0 的问世对 AI 行业具有多重深远意义。首先，它验证了在国产硬件环境下实现超大规模 MoE（混合专家）或动态激活架构的可行性，为后续国产大模型的发展扫清了基础设施层面的疑虑。其次，美团将目标锁定在 Agentic Coding 这一垂直且极具价值的领域，预示着大模型竞争正从“通用能力”转向“深度应用能力”。通过长文本与万亿参数的结合，AI 编程助手有望从简单的代码补全进化为能够处理复杂工程问题的真正“智能体”，这将极大地改变软件开发的生产力范式。

常见问题

问题 1：LongCat-2.0 的参数规模和实际运行开销如何？

LongCat-2.0 的总参数量为 1.6T，但它并非全量激活。通过动态激活技术，其平均激活参数约为 48B，动态范围在 33B 至 56B 之间。这意味着它在拥有万亿级模型知识容量的同时，推理成本更接近于百亿级参数模型，实现了极高的计算效率。

问题 2：什么是 Agentic Coding？LongCat-2.0 在这方面有何优势？

Agentic Coding 是指 AI 不仅仅是生成一段代码，而是像一个智能体一样，能够理解复杂的项目背景、自主规划任务、生成代码并尝试执行和调试。LongCat-2.0 的优势在于其 1M 原生长文本能力，使其能理解超大规模代码库，配合万亿参数带来的逻辑推理能力，在真实的编程执行任务中更加稳定高效。

问题 3：该模型对国产算力生态有何意义？

它是业界首个在五万卡国产算力集群上完成全流程训练与推理的万亿模型。这证明了国产算力集群在处理超大规模参数、超长上下文训练时的可靠性，标志着国产 AI 软硬件协同达到了新的高度。