2026年夏天，美团旗下的大模型团队LongCat，接连出现在有关人员变动的新闻中。
从7月下旬到8月底，多家媒体陆续报道，LongCat有数位参与核心研发的技术人员离职或准备离开。
这些消息在行业内引起了一些讨论，也让外界开始关注LongCat接下来的研发进展。
毕竟，在今天的大模型行业，人才流动已经十分频繁，研究人员在不同公司之间转换，甚至离开大厂独立创业，都算不上什么新鲜事。
但对于一支仍在持续建设基础模型、参与前沿技术竞争的团队来说，短时间内密集出现这样的消息，难免让人对它后续的研发节奏产生疑问。
尤其是，这些新闻出现的时间点还挺特殊。
就在一个月前，6月30日，美团才刚刚发布了LongCat-2.0。
这是一个总参数达到1.6万亿、平均激活参数约480亿的大模型，训练和推理全程运行在国产算力上。
为了完成这次发布，美团此前已经持续投入了三年时间，建设国产算力训练基础设施，并逐渐形成了一套覆盖模型训练、推理部署和Agent应用的技术体系。
在这样的背景下，LongCat核心团队的人事变动，自然更容易引起关注。
当时看到这些新闻，我也曾经有过一个判断：美团可能会逐渐放缓基础模型研发，将更多资源投入到AI应用和实际业务中。
毕竟，对于一家以本地生活服务为主营业务的互联网公司来说，持续参与万亿参数模型的前沿竞争，需要投入大量资金、算力和研发资源。
不过，后来的发展和我预想的有些不同。
9月25日，LongCat-2.5Preview上线。
11月2日，美团又正式发布了LongCat-2.5，并在昨天开源。
新模型延续了此前1.6万亿的总参数规模，重点强化了长程Agent、复杂软件工程和原生多模态能力
当然，这些成绩来自官方评测，不同模型的测试配置也可能存在差异。但至少从公布的数据来看，LongCat-2.5已经具备了相当有竞争力的Agent能力。
相比这些榜单，我更关心它在真实任务中的表现。
于是，我们用LobeHub基于真实Agent使用场景构建的Lobe Bench，对LongCat-2.5进行了一轮测试，重点考察模型理解复杂需求、调用工具和完成多步骤任务的能力。
最终跑出来的结果，比我此前预想的要好不少。
这也促使我重新翻看美团过去三年的模型研发历程，试着理解它究竟积累了哪些技术能力，以及为什么始终坚持把基础模型做下去。
PART.01 LongCat走过的三年
要理解LongCat-2.5这次的升级，还得先回顾美团过去三年在基础模型上的投入。
2023年，美团开始探索在国产算力上训练大模型。
当时，国产AI芯片的软硬件生态仍在建设中，从千卡规模扩展到数万卡，需要解决大量工程问题，包括算子兼容、跨卡通信、显存管理和训练数值稳定性等。
尤其是在数万卡规模的训练中，硬件故障和通信异常几乎无法完全避免。
模型往往需要连续运行数周甚至数月，如何及时恢复故障、减少算力浪费，同时保证训练结果的正确性，对整个系统提出了很高的要求。
美团在这条路上走了三年。
2026年6月，LongCat-2.0正式发布，成为美团首个在万卡级国产算力集群上完成全流程训练与推理的万亿参数模型。
根据当时的技术报告，LongCat-2.0从零开始预训练，使用了超过30万亿Token的数据，原生支持百万Token上下文。
在模型架构上，团队采用了MoE、LongCat Sparse Attention、动态专家激活和多专家在线蒸馏等技术。
其中，稀疏注意力机制用于降低长上下文的计算开销，动态专家激活则根据不同Token的计算需求分配资源，进一步优化推理效率。
这些设计与Agent的实际使用场景有着直接联系。
当模型需要阅读大型代码仓库、理解多个文件之间的依赖关系，并持续执行复杂任务时，长上下文处理能力和推理效率都会影响最终表现。
而在底层训练系统上，美团同样进行了大量工程优化。
按照官方披露的数据，通过自动故障恢复、弹性扩缩卡、通信优化以及数值精度控制等工作，LongCat的月均日故障率降低了70%以上，训练MFU提升至原来的1.5倍，稳态训练吞吐超过每天1万亿Token。
这些数字写在技术报告里不过寥寥几行，但背后涉及大量算子适配、故障排查、数值验证和性能调优。
对于做过大规模模型训练的人来说，应该能理解这些工程工作需要付出多少时间和精力。
这些持续积累的成果，最终形成了一套能够支撑万亿参数模型稳定训练的基础设施。
随后，美团进一步开放了LongCat-2.0的模型权重、国产卡推理代码和相关技术文档，并与国产算力厂商推进适配，让国内开发者也有机会在国产算力环境中部署和研究万亿参数模型。
与此同时，美团也在推动模型能力进入真实工作流程。
今年7月，美团公布了Agent平台Cat Paw的进展。
根据官方信息，当时Cat Paw已经覆盖美团内部约9万名员工，累计搭建超过3万个Agent，应用于内部研发和业务流程等场景。
至此，美团已经形成了一条覆盖国产算力、模型训练、推理部署和Agent应用的技术链路。
到了LongCat-2.5，团队开始在这套基础设施上进一步扩大长程强化学习，并强化复杂任务执行与原生多模态能力。
过去三年的工程积累，究竟给新一代模型带来了多大提升？
这也是我们这次决定用Lobe Bench认真测试LongCat-2.5的原因。
PART.02 用50道真实任务，重新测了一遍LongCat
LongCat-2.5最值得关注的变化，是在参数规模基本保持不变的情况下，长程Agent能力有了明显提升。
根据官方披露的数据，Terminal Bench v2.1从上一代的70.8提升到了88.4，已经接近Claude Opus5的89.1；Terminal Bench v4.0从3.0提升到38.5，DeepSWEv1.1从9.7提升到64.6，Paper Bench也从45.2提升到了82.1。
这些评测主要考察模型在复杂工程环境中的任务执行能力，包括终端操作、代码修改、环境配置和故障修复等。
虽然不同模型的测试配置存在差异，但从两代LongCat的数据变化来看，这次升级的幅度相当明显。
不过，相比官方Benchmark，我更关心LongCat-2.5在真实Agent使用场景中的表现。
于是，我们用LobeHub自己构建的Lobe Bench，对它进行了一轮测试。
Lobe Bench来自我们在实际产品中观察到的用户需求，主要考察模型理解复杂指令、调用工具、执行多步骤任务以及完成最终交付的能力。
这次使用的是Hard50困难版本，包含50道任务，覆盖生活健康、电商、营销与内容、金融、生产力、软件开发与运维，以及研究与职业发展七个领域。
为了评估模型的稳定性，我们让每道题重复运行三次，并以三次全部成功的题目数量作为主要指标。
最终，LongCat-2.5在默认参数下，有22道题实现了三次全部成功，通过率为44%；开启推理模式后，这个数字提高到了26道，通过率达到52%。
放到我们的排行榜中，LongCat-2.5与Hy4持平，接近DeepSeek V4.1 Flash的56%，以及GLM 5.3Flash、MiniMax-M3推理模式的54%。
与榜首GPT-6.1 Terra的64%相比，还有六道题的差距。
考虑到这套评测只有50道题，模型之间一两道题的差异还需要谨慎理解。
但在这套覆盖多个真实场景的困难任务中，LongCat-2.5已经取得了与部分主流模型相近的成绩。
这也是为什么我觉得LongCat-2.5值得认真写一篇文章。
另外，开启推理后，LongCat-2.5的平均每题耗时从3.1分钟增加到了4.5分钟，用更多执行时间换来了额外四道任务的稳定成功。
对于Agent产品来说，完成率、执行时间和使用成本都需要考虑。
而LongCat-2.5在这次测试中，已经展现出了不错的综合任务执行能力。
带着这些结果重新阅读技术报告，我发现美团这次在长程AgenticRL上投入了不少精力。
团队在长序列训练中加入了更多Agent执行轨迹，并构建了覆盖任务生成、执行环境、结果验证和强化学习的训练体系。
其中有一个我特别感兴趣的设计。
它尝试把Agent在真实任务中的失败轨迹，转化为可复现、可验证的训练任务。
比如，一个Agent在修改代码仓库时执行失败，系统可以分析错误证据、恢复执行环境，再根据这次失败构建新的训练任务，让模型有机会针对过去处理不好的问题继续学习。
与此同时，美团还从GitHub仓库中的PR和Issue构建训练数据，通过fail-to-pass和pass-to-pass测试，检查模型是否真正修复问题，以及是否影响原本正常的功能。
这套方法与最近大家讨论的Agent自进化有着很强的联系。
随着模型开始承担更多真实工作，任务执行过程中产生的轨迹、错误和验证结果，都有机会成为下一轮训练的重要数据。
除了数据和环境构建，美团还针对Reward Hacking和长程训练效率进行了优化，通过清理环境中的额外信息、完善验证机制，以及采用异步partial rollout，减少无效训练和计算浪费。
这些工作围绕着一个共同的目标：让模型能够在更加复杂的环境中完成任务，并从执行反馈中持续改进能力。
此外，LongCat-2.5还强化了原生多模态能力。
团队将图像编码为多层级离散Token，让模型在统一的表示体系中处理文本和视觉输入，进一步结合视觉理解与编程能力，支持可交互网页、3D场景和创意设计等任务。
而支撑这些技术升级的，还有美团过去几年在国产算力上积累的基础设施。
针对国产卡的显存和通信限制，LongCat-2.5继续优化了长上下文训练中的参数管理、任务调度和跨卡通信。
根据技术报告，在所测的长上下文监督微调任务中，优化后的单卡训练吞吐量较DDP基线提升了86%。
推理端则采用W4A4量化方案，将专家权重和激活压缩至4bit。
在官方线上压测中，Prefill和Decode吞吐量相比W8A8基线分别提高了43.3%和42.77%。
从LongCat-2.0到LongCat-2.5，美团在模型参数规模基本不变的情况下，通过持续优化训练方法、任务环境和底层基础设施，推动了模型能力的提升。
我们的Lobe Bench实测，也从真实Agent使用场景提供了一个补充观察。
看到这些进展，我开始思考另一个问题：
为什么一家主营本地生活服务的互联网公司，会如此重视Coding、长程Agent和国产算力，甚至坚持投入自己的万亿参数基础模型？
这个问题，或许可以从王兴此前的几次公开发言中找到答案。
PART.03 王兴为什么还要做模型？
2026年3月26日，在美团的财报电话会上，高盛分析师RonaldKeung向王兴提出了一个问题：随着AI开始争夺用户入口，美团在移动互联网时代积累的流量优势，会不会受到影响？
这个问题其实触及了美团未来商业模式的一个重要变化。
过去十几年，美团建立起覆盖商户、消费者、交易、评价和履约的本