11月2日，美团 LongCat 团队把 LongCat-2.5 推上 GA。距离 9 月 25 日的预览版只隔了五周，GA 版补上的是视频输入和 Codex 接入，模型本体却没有换：总参数 1.6 万亿 、每个 token 激活约 480 亿，和 6 月 30 日以 MIT 协议开源的 LongCat-2.0 是同一套 MoE 骨架。
真正变化的不是架构，是训练目标。官方技术博客把三件事写在最前面：原生多模态、面向复杂工程的长程 Agent、跨 harness 工作。翻译成工程语言就是：同一个底座，加了眼睛，然后花几个月时间专门练长任务不跑偏。
这篇文章不重复"多指标登顶第一"的通稿口径。我们更关心三个问题：分数到底涨在哪、美团自家榜单该怎么读、以及按百万 token 计费时这笔账划不划算。
时间线：你现在能拿到的到底是什么
先把时间线摆清楚，因为它决定了当前的可得性。4 月 20 日 2.0-Preview 上线，6 月 30 日 2.0 GA 并同步放出 MIT 权重，9 月 25 日 2.5-Preview 带来图像输入，11 月 2 日 2.5 GA 加上视频理解和 Codex 支持。
关键区别在最后一环：2.0 从预览到开源权重用了约十周，而 2.5 至今是 API only。技术博客上的 GitHub 和 Hugging Face 入口都挂着 Coming soon，截至 11 月 3 日两个官方账号下都没有新仓库入库，美团也没有给出任何开源时间承诺。
预览期本身也值得一说：2.5-Preview 曾在 OpenCode 里免费开放两周，这在国产模型发布里不常见。对开发者是两周的免费试错，对美团则是用真实 Agent 流量做了一场大规模公测------后文会谈到的长任务循环问题，正是在这两周里被社区集中暴露出来的。免费预览换真实反馈，这套打法大概率会成为这类模型的标准发布节奏。
对需要私有化部署的团队，这就是硬约束：想用 2.5 只能走 longcat.chat 的 API，数据出域和合规问题要先自己评估。2.0 的 MIT 权重仍然是这个系列里最后一个可以自托管的版本，而且它已经悄悄从 API 的支持模型列表里消失了，这一点后文还会再提。
架构：同一副骨架，换了一副眼睛
架构层面最值得拆的是视觉部分的做法。绝大多数多模态模型是把一个视觉编码器焊在文本模型旁边，图像和文字两条通路在内部拼接。LongCat-2.5 走的是另一条路：把视觉信号表示为多层级离散 token，让主干网络用同一种 token 流处理文字和图像。
这个选择带来两个直接的工程收益。第一，视觉 tokenizer 是固定的，图像 token 可以离线算好并缓存，训练阶段甚至可以把视觉编码器整个拿掉，省掉一大块训练算力；第二，原生分辨率输入------一张纵向长截图不会被压成模糊的方形缩略图，而是变成一段更长的 token 序列，细节完整保留在序列里，这对读报错堆栈、读仪表盘这类任务是关键差异。
多层级这三个字也不是修辞。低层 token 承载纹理和边缘这类局部信息，高层 token 承载版面结构和语义，同一张图被拆成粒度不同的序列段，主干按需在两个层级之间取用。配套的 de-tokenizer 能把 token 序列还原回图像做可视化验证，美团在发布内容里展示了不同尺寸的图经过 tokenizer 变成不同长度序列的完整路径。整条链路上没有一个需要随训练更新的视觉模块，这是它和传统 VLM 在工程组织上的本质区别。
API 的限制也跟着这个设计走。图片支持 PNG、JPG、JPEG、WebP、GIF 五种格式，单张上限 10MB，单次请求最多 50 张，可以传 base64 data URL 或公网 URL；视频只收公网 URL，单段 100MB、时长 3600 秒以内、一次最多 10 段。长宽比超过 200 比 1 的图片会直接报错，SVG 和 HEIC 不支持。输出侧仍然是纯文本------这是一个读屏幕的模型，不是一个画图的模型。
价格页面上没有针对图像或视频的独立计费项，它们一律折算成 token 计入输入。这意味着视觉任务的成本完全取决于 token 化后的长度，长视频拆出来的 token 量会非常可观，调用前值得先小规模实测一轮。
这套视觉能力对应的落地场景已经很清楚：GUI 自动化 Agent 读屏幕截图决定下一步点哪里，代码审查 Agent 看设计稿和实现效果的对比图，运维 Agent 读监控大盘的录屏找异常时刻。三类场景的共同点是输入侧视觉 token 占比极高、输出侧文字很短，恰好坐进 0.30 比 1.20 这个价格结构最划算的区间------输入便宜、输出贵，那就多用眼睛少说话。
激活 3% 的推理经济账
1.6 万亿总参数、480 亿激活，激活率约 3%。这个数字决定了整个商业模型的成立方式：每次前向计算只动用全部参数的三十分之一，显存里却要装下完整的 1.6 万亿参数。换句话说，这是一个用显存换计算的结构------存储贵、计算便宜，恰好匹配当前国产算力栈的相对价格。
对照着看更直观。2.0 时代美团就公开过在国产 AI ASIC 超节点上完成训练的信息，这次 2.5 又强调国产算力上的长上下文训练与 W4A4 推理------权重 4 bit、激活 4 bit 的量化方案，把推理侧的显存占用和带宽需求再压一轮。MoE 加大压缩量化，是同一份成本方程的两次求解。
这也解释了为什么美团敢把输出价定到 1.20 美元。激活参数少意味着单 token 的计算成本低，W4A4 意味着单位显存能塞下更多并发，两个因子叠起来，低定价不是补贴战，而是结构红利。真正需要盯的是这个红利能不能在折扣期结束后守住。
上下文：1M 输入是真的，输出上限文档自己打架
上下文窗口官方定义是 1,048,576 token，输入加输出合并计算。2.0 时代营销口径也是 1M，但发布的配置文件实际封顶 256K，这次 2.5 没有权重可查，只有 API 参数页面作证，口径反而更干净。
输出侧的数字则需要留神，官方文档内部就不一致：模型参数页允许 max_tokens 最大 262,144，快速开始和 FAQ 却都写 128K，而美团自己的 Claude Code 接入示例把上限设为 131072------恰好就是 128K。做容量规划时按 128K 算，把它以上的部分当作需要实测的彩蛋，不要写进 SLA。
还要澄清一个常见误读：1M 上下文不等于 1M 有效注意力。预览版用户的实测反馈显示，超过约 20 万 token 之后长任务稳定性就开始下降，循环问题也集中在这个区间出现。GA 版用强化学习惩罚了重复行为，但惩罚项治的是症状，上下文深处的注意力稀释是架构层面的物理约束，任何模型都绕不开。把超长任务拆成带检查点的阶段，仍然是目前最稳的用法。
长程训练：分数跃迁全部来自这里
从 2.0 到 2.5 的分数变化，全部来自训练阶段而非结构改动。美团在长序列训练里加入了更多长程轨迹数据，并做了大规模长程强化学习，任务素材来自过滤后的真实 GitHub Pull Request------真实 issue、真实改动、真实测试套件，天然自带可验证的奖励信号，这是合成数据替代不了的部分。奖励函数里有两条惩罚项值得单独拿出来看：重复推理 和重复工具调用。
这两条惩罚不是凭空设计的。2.5 预览版曾在 OpenCode 里免费开放两周，社区反馈最集中的一条就是长任务循环------有用户报告上下文过了约 20 万 token 之后模型开始原地绕圈，只能靠压缩上下文续命。把重复行为显式写进惩罚项，等于官方承认了这个失败模式，并且选择用 RL 直接治它，而不是在系统提示词里打补丁。
底层基础设施也在配合这个目标：国产算力上的长上下文训练与 W4A4 推理、训推数值一致性、长上下文 rollout 优化。这几项听起来枯燥，但它们决定了长程 RL 能不能在经济上跑起来------长任务的每一次 rollout 都是几十万 token 的消耗，数值不一致或者推理精度掉链子，训练账单会立刻失控。
训推数值一致性这一条值得单独解释。强化学习的 rollout 用推理引擎产出轨迹，训练引擎再拿这些轨迹更新权重，两套引擎的数值路径如果不一致，训出来的策略会悄悄偏离实际部署的行为，模型越练越偏。把这条写进技术博客，说明美团在百万 token 量级的长程 rollout 上真的踩过这个坑。
除了表格里的基准，发布稿还提到三项第一：AutomationBench 拿到 51.8，超过 Claude Opus 5 的 50.3；BrowseComp 91.9 居首；文本转 3D 的 3DCodeBench 拿到 55.4 小幅领先。再加上以自家命名的 LongCatClawBench，这次一共覆盖了代码、通用任务、视觉 Agent 三大类共九个基准。
疗效在数字上相当直接。下面是美团官方评测表（thinking 开启）里几个关键基准，同表放上同价位的 DeepSeek V4.1 Flash 和 Kimi K3 作参照：
| 基准（美团口径） | LongCat-2.5 | LongCat-2.0 | DeepSeek V4.1 Flash | Kimi K3 | Claude Opus 5 |
|---|---|---|---|---|---|
| Terminal Bench v2.1 | 88.4 | 70.8 | 90.6 | 88.3 | 89.1 |
| Terminal Bench v4.0 | 38.5 | 3.0 | 31.2 | 12.6 | 53.9 |
| DeepSWE v1.1 | 64.6 | 9.7 | 74.2 | 67.5 | 68.8 |
| NL2Repo | 60.5 | 40.9 | 65.4 | 58.0 | 75.3 |
| BrowseComp | 91.9 | 79.9 | 91.5 | 91.2 | 90.8 |
| MCP Atlas | 83.1 | 61.8 | 84.4 | 84.2 | 85.8 |
| VideoMME | 85.2 | --- | --- | 90.0 | --- |
纵向看，三行的跨度最夸张：Terminal Bench 4.0 从 3.0 到 38.5，DeepSWE v1.1 从 9.7 到 64.6，新闻稿里还提到 AutomationBench 从 15.8 到 51.8。同一副骨架、同样的激活参数量，几个月长程训练把撑满长任务这件事从几乎不可用拉到了可用区间，这就是这次发布的实质。
横向看则是另一个故事，我们放到下一节专门拆。
榜单阅读方法：三个折扣依次打
新闻稿说多项第一，这个结论要打过折再信。第一个折扣在对比阵容：发布图表里放的是 GPT-5.5、GPT-5.6-Sol、Claude Opus 4.8 和 Claude Opus 5，没有更新的 Opus 5.5，没有 GPT-6.1，也没有 10 月 23 日刚发的 Kimi K3.1 Pro。完整表格虽然补了 GLM-5.3、Kimi K3 和 DeepSeek V4.1 Flash，但恰恰是同价位的 DeepSeek 那一列最不好看------DeepSWE、NL2Repo、Terminal Bench 2.1 几行都是 DeepSeek V4.1 Flash 更高。
第二个折扣在测量口径。这些数字全部跑在美团自己的 harness 上，博客也标注了仅供参考。一个现成的对照：Artificial Analysis 独立测 LongCat-2.0 的 Terminal Bench 2.1 只有 50.2%，而美团表里同一个模型是 70.8%。二十分的差距不一定是哪边造假，更可能是 harness、提示词、工具集完全不同------但它说明任何一列厂商数字都不能直接当采购依据。
还有一个容易被忽略的口径分歧：通稿说 AutomationBench 51.8 超过 Claude Opus 5 的 50.3 登顶，但美团自己的完整表格里 DeepSeek V4.1 Flash 这一项是 54.8，比两者都高。第一的头衔只在精心挑选的对比阵容里成立，把同价位选手放回桌面，名次立刻变了。读厂商榜单的第一条纪律，就是先找价格带相同的那个对手在不在场。
第三个折扣是时间差：目前还没有任何独立第三方测过 2.5。Artificial Analysis 只收录到 2.0，OpenRouter 上美团系也只有 longcat-2.0 一个模型。在独立分数出现之前，唯一可信的验证方式是在自己的任务集上跑一遍，好在价格足够低，试错成本可控。
对自家命名基准 LongCatClawBench 还要再多留一个心眼。厂商自建基准本身不是问题------长程 Agent 确实缺公共尺子------但它天然偏向自己的训练分布，分数领先幅度在这类基准上参考价值最低。九个基准里权重要反过来排：外部的、有第三方复现传统的 BrowseComp、Terminal Bench 权重最高，自家命名的权重最低，这个顺序和新闻稿的排序恰好相反。
把三个折扣打完，剩下的结论依然站得住：在视觉 Agent这一格------读截图、看视频、操作界面------2.5 在它的价位上没有对手。BrowseComp 91.9 是同表最高，VideoMME 85.2 虽然低于 Kimi K3 的 90.0，但 K3 的输出价是它的 12.5 倍。纯代码任务上它反而要输给同价的 DeepSeek，这个边界官方表格自己就画出来了。
成本账：缓存 2% 是整张价目表的灵魂
价格结构本身很简单：输入每百万 token 0.30 美元 ，缓存命中 0.006 美元 ，输出 1.20 美元。缓存价只有正价的 2%，对每一轮都要重发代码库文件的 coding agent 来说，这是整张价目表里最有价值的一行------多轮会话的输入成本几乎全部由缓存价决定。而且没有任何长上下文阶梯价，90 万 token 的请求和 9 千 token 的请求单价相同。
风险写在另一行：页面上每个数字都标着限时折扣，没有原价、没有截止日期。一个可参考的锚点是旧版 2.0 的定价页还留着折扣前标价------输入 0.75、缓存 0.015、输出 2.95 美元。如果 2.5 将来回到同档标价，输出成本会涨约 2.5 倍。美团没说过会涨，也没说过不涨，做年度预算时应该把这一档单独列出来。
横向比价更能看清位置。输出侧每百万 token：LongCat-2.5 促销价 1.20 美元，DeepSeek V4.1 Flash 峰时也是 1.20、谷时腰斩到 0.60，Qwen 3.8 Max 是 6 美元，Kimi K3.1 Pro 是 10 美元，Kimi K3 高达 15 美元。输入侧 LongCat 的 0.30 与 DeepSeek 峰时持平，只有谷时的 DeepSeek 能把它压到一半。
所以准确的表述不是最便宜，而是和最常用的平价模型站在同一格。DeepSeek 谷时更便宜、有独立第三方分数、最大输出 384K 也更长；LongCat 的差异化只能靠视频输入和你自己测出来的编码质量来兑现。这个价格结构决定了它不是闭眼买的选项，而是需要带着自己的任务集去试的选项。
官方给过一个计费示例：60 万未缓存输入加 40 万缓存输入加 50 万输出，合计 0.7824 美元。计费规则里还有两条实用条款：只有 HTTP 200 的调用计费，预存余额不过期。下面这段脚本把价目表写成代码，先复算官方示例验证口径，再算一笔贴近 coding agent 真实负载的账：
python
# longcat_cost.py --- 复算官方示例并对比 coding agent 会话成本
PRICES = {
"LongCat-2.5 促销": {"in": 0.30, "cached": 0.006, "out": 1.20},
"LongCat-2.5 参考标价": {"in": 0.75, "cached": 0.015, "out": 2.95},
"DeepSeek-V4.1-Flash 峰时": {"in": 0.30, "cached": 0.006, "out": 1.20},
"DeepSeek-V4.1-Flash 谷时": {"in": 0.15, "cached": 0.003, "out": 0.60},
"Kimi K3.1 Pro": {"in": 2.00, "cached": 0.20, "out": 10.00},
}
def cost(model, uncached_in, cached_in, out):
p = PRICES[model]
return (uncached_in * p["in"] + cached_in * p["cached"] + out * p["out"]) / 1_000_000
# 1) 复算美团官方示例：600K 未缓存输入 + 400K 缓存输入 + 500K 输出
official = cost("LongCat-2.5 促销", 600_000, 400_000, 500_000)
assert abs(official - 0.7824) < 1e-9, official
print(f"官方示例复算: ${official:.4f} (期望 $0.7824)")
# 2) 典型 coding agent 会话：40 轮，每轮携带 30K token 代码上下文
# 首轮未缓存并写入缓存，之后 39 轮命中缓存，每轮输出 2K token
ROUNDS, CTX, OUT_PER_ROUND = 40, 30_000, 2_000
uncached, cached = CTX, CTX * (ROUNDS - 1)
out = OUT_PER_ROUND * ROUNDS
for m in PRICES:
print(f"{m:24s} 会话成本: ${cost(m, uncached, cached, out):.4f}")
# 3) 折扣结束敏感度：同一会话从促销价回到参考标价的涨幅
promo = cost("LongCat-2.5 促销", uncached, cached, out)
listed = cost("LongCat-2.5 参考标价", uncached, cached, out)
print(f"折扣结束敏感度: ${promo:.4f} -> ${listed:.4f} (x{listed/promo:.2f})")跑出来的结果口径很清晰：官方示例精确复算为 0.7824 美元，说明我们对缓存和输出分项的理解与平台一致；40 轮会话在促销价下约 0.13 美元，与 DeepSeek 峰时完全持平、比谷时贵一倍、只有 Kimi K3.1 Pro 的约三十分之一。把负载参数换成你自己的轮次和上下文大小，就能直接得到自己场景的选型答案。
这组数字里最容易被低估的是缓存命中率对总账的杠杆效应。把会话轮次从 40 拉到 100，未缓存输入几乎不变，缓存输入和输出线性增长，促销价下单会话也不到 0.3 美元；反过来如果 harness 的上下文管理做得差、缓存命中率掉一半，总成本立刻上浮近五成。选模型之前先盘自己 harness 的缓存行为，比纠结每百万 token 差几美分重要得多。
还有两档面向大客户的机制：企业认证后按月消费阶梯打折，从月付 75 美元九折一直到 6000 美元六折；国内站保留 Token Packs 闪购，固定额度 30 天有效，每天四个整点放货。海外侧这次也补齐了信用卡和 Google Pay 付款，邮箱注册即可，不再需要支付宝或微信支付。
边界清单：四类团队的不同答案
把前面的拆解收拢成可执行的判断，四类团队面对的是四种答案。做视觉审核、界面自动化、读屏类 Agent 的团队，2.5 是当前价位上唯一带原生视频输入的选项，直接进评测清单。做纯代码 Agent 的团队，先在同价的 DeepSeek V4.1 Flash 上跑自己的仓库级任务集，谁的通过率高用谁，不要被任何一方的厂商表格替代判断。
需要私有化部署的团队，答案最短：用不了。2.5 没有权重，API 是唯一入口，数据合规条款目前也还没有独立成文，涉及客户数据的场景要等技术博客补齐数据政策。已经在用 2.0 自托管的团队则要做反向检查------API 侧的旧模型 ID 已经无声撤下，权重虽然还在 Hugging Face，但这条产品线的维护重心显然已经移走。
最后一类是预算敏感的规模化调用方。0.30 比 1.20 的输入输出比、2% 的缓存价、无阶梯长上下文，这三个参数组合对多轮 Agent 负载非常友好；但限时折扣没有截止日期，报价模型里必须为回到 2.0 标价档留出演算分支，前文脚本里的敏感度一行就是干这个的。
接入实操：13 个 harness 与三个坑
接入侧的成熟度比预想高。官方文档挂了 13 个工具的接入指南，从 Claude Code、Codex 到 Hermes、OpenCode、Cline、Kilo Code。GA 版新上了 OpenAI 格式的 Responses 端点，推理强度从 none 到 xhigh 五档可调，并行工具调用默认开启，支持 JSON schema 输出------Codex 需要的正是这条端点，预览版没有它。五档推理强度给成本调节留了一个直接旋钮：简单改写类任务压到 low 或 none，复杂仓库级任务再拉到 high 以上，同一个模型的单轮成本能差出数倍，按任务类型分档路由是接入后第一件值得做的事。
Claude Code 的接法是把 Anthropic 格式端点和密钥写进 settings.json，再把所有模型槽位都指向 LongCat-2.5。注意是所有槽位，包括平时用来跑廉价后台调用的小模型槽------以 1.20 美元的输出价这不算贵，但你会失去真正的快慢模型分层，长会话里后台调用的延迟会明显上升。
三个坑要在第一次跑之前知道。其一，temperature 被平台钉死：开 thinking 固定 1.0、关闭固定 0.7，传其他值会被静默覆盖而不是报错，做评测扫参数的人会在这里栽跟头。其二，限流数字完全不公开，只知道超限返回 429 并带 60 秒的 retry_after 字段，压测前没有任何官方上限可参考。其三，旧模型 ID 会无声消失------2.0 和 2.5-Preview 已从支持列表撤下，没有任何退役公告，代码里写死旧 ID 的今天就应该改。
回到最初的三个问题。分数涨在长程训练，同一副骨架几个月练出了撑长任务的能力；榜单要打完对比阵容、测量口径、时间差三个折扣再读；成本上它与 DeepSeek 峰时同价、靠 2% 的缓存价撑住多轮会话。选型答案因此很机械：任务流里视觉信号占多大比例，就是这道题的分水岭------读屏幕看视频占比越高，LongCat-2.5 越值；纯代码长任务，先在同价位的 DeepSeek V4.1 Flash 上跑一遍自己的基准再决定。权重什么时候放出来、折扣什么时候结束，是接下来唯一值得持续盯的两个变量。