|
闻乐 发自 凹非寺 | 量子位公众号 QbitAI 国产算力能否真正扛起万亿参数大模型的全球抢手重任？ 答案终于揭晓：美团 LongCat-2.0正式登场。 该模型采用自研 MoE（混合专家）架构，英伟亿模总参数量高达 1.6万亿，达含的万单次推理激活约 480亿参数，型成并原生支持 100万（1M）超长上下文窗口。海外货 最关键的全球抢手是，从训练到推理的英伟亿模全链路中，英伟达 GPU 的达含的万使用率为 0。 LongCat-2.0 成为 首个在国产算力集群上实现全链路训推闭环的型成万亿参数模型。 多项专业评测数据显示，海外货LongCat-2.0 在代码生成、全球抢手工具调用及多步逻辑推理等复杂任务中，英伟亿模展现出极强的达含的万综合竞争力。
不过，型成这位看似陌生的海外货“新朋友”，其实早已以“马甲”身份，悄然成为全球 Agent 开发者的宠儿。 没错，近期在 OpenRouter 平台上热度飙升的 Owl Alpha，正是 LongCat-2.0 的匿名版本。 在 Hermes 榜单中，Owl Alpha 的月调用量分别超越 Hermes、Claude Code 和 OpenClaw，位列 全球第一、第二和第三，稳居开源模型首选地位。
这意味着，LongCat-2.0 不仅率先在国产卡上跑通了万亿级训推流程，更提前通过了全球市场的真实流量验证。 迫不及待想要体验？
实测：把 LongCat-2.0 扔进三个“硬核”测试既然它在 Hermes 榜单上稳坐第一，我们便接入 Hermes 环境，实地检验其实力。 测试一：长上下文极限挑战为了验证其是否真正“读懂”了长文档，我特意避开了公开的技术论文，手动拼接了一份多行业研报与论文混合的语料，包含数万字的中文与英文内容，结构如下：
任务 1：定位前段信息
结果：回答精准无误，信息提取完全正确。
任务 2：解析拆分统计报告
面对几万字的信息量攻击，其分析推理逻辑清晰，表现稳健。
测试二：代码重构与功能迭代接下来，让模型处理程序员最头疼的任务：接手遗留代码。 我选取了一个 GitHub 上拥有 13k Star 的开源项目 2048 游戏（纯 HTML+CSS+JavaScript 架构）。
需求如下： LongCat-2.0 首先梳理关键文件，自主拆解出 7 步修改计划。
随后，模型独立运行了 12 分钟，交付了完整结果，无需人工干预。
试玩效果：
视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q 进阶挑战：技术栈迁移 迁移后的游戏界面保持一致，功能完整保留，但底层代码已完全重构为 React 架构。
测试三：Agent 自主调研与游戏开发LongCat-2.0 官宣后，许多用户反馈其与 Claude Code搭配效果极佳。我们尝试接入 Claude Code 进行联合测试。 场景 1：自主调研
通过 Agent 原生联网搜索能力，LongCat-2.0 独立完成了整篇结构化报告。
视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q 场景 2：从零开发游戏 LongCat-2.0 展现出强大的统筹能力，自主确定项目架构、模块拆分及技术选型，并主动添加了 Web Audio 音效。
视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q 彩蛋：API 集成与成本优势
视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q 在对比测试中，我们将 LongCat-2.0 与 GPT-5.5、Opus 4.6、Opus 4.8 进行同提示词物理仿真代码生成对比。 虽然视觉效果相近，但 LongCat-2.0 的 Token 用量仅为 9004，为四者中最低。按美团计费标准，成本不足 0.1 元。 这得益于其“Cache 命中不计费，Token Plan 不消耗”的机制，展现了极高的性价比。
技术揭秘：5万张国产卡如何撑起万亿模型？LongCat-2.0 的强大背后，是架构层面的原创设计与国产芯片集群的工程突破。 1. 全链路国产化的工程挑战过去，大模型在国产算力上的应用多局限于推理或百亿/千亿级训练的单点验证。LongCat-2.0 是首个在 预训练第一天即基于国产卡完成万亿参数训推全链路闭环的模型。 主要难点：
此外，软件生态也是巨大障碍。英伟达平台成熟的算子、调试工具在国产芯片上需重写优化。例如，FlashAttention 的反向梯度算子在国产平台上原有实现仅支持单核串行，速度慢 20-70 倍，无法直接用于生产。 意义：LongCat-2.0 证明了国产算力已具备支撑先进大模型 持续训练、部署与迭代的能力。 2. 核心架构创新LongCat Sparse Attention (LSA)针对 Agent 时代 1M 上下文带来的注意力计算压力，LongCat-2.0 设计了 LSA 方案。 相比 DeepSeek 的 DSA 方案（索引器成为瓶颈，显存访问碎片化），LSA 对索引器进行了三项优化： 这三项优化可独立或组合使用，显著提升 1M 上下文处理速度，且模型质量无损。
N-gram Embedding继承并增强自 LongCat-Flash-Lite 的设计。 传统 MoE 模型通过堆叠专家提升能力，而 LongCat 将部分参数“前移”至 Embedding 层，使模型在输入阶段即可识别高频词组和语言模式。
其他优化
这些设计共同目标：将算力集中在真正有价值的计算上，实现更快、更省、更强。 3. 工程落地：稳定性与效率在 5 万张国产卡的大规模集群中，硬件故障是常态。LongCat 团队构建了自动化故障处理体系： 同时，重写适配国产芯片的算子与并行方案： 结合零计算专家、ScMoE 及 N-gram Embedding 等优化，LongCat-2.0 的训推成本显著低于同等规模的英伟达路线方案。 三年磨一剑：“国芯+国模”的终局验证美团布局国产算力已历时三年。
在 OpenRouter 上，匿名版本 Owl Alpha 在两个月内证明：由国产芯片训练的万亿级模型，同样能获得全球开发者的认可。 LongCat-2.0 在无品牌背书的情况下，成为多场景下的首选，标志着模型交付结果获得了市场实质性的认可。
今年 3 月，美团核心本地商业 CEO 王莆中提出 “建设物理世界 AI 底座”的战略，强调投入基础模型，打造 有特色、低推理成本、能力紧跟 SOTA的模型。 LongCat-2.0 的全流程国产训推特性，完美契合这一逻辑。它不仅是一个模型，更是未来物理世界 AI 的基石——基模能力稳固，上层理解层与行动层方能有效构建。 那么，下一个冲击 SOTA 榜单的“新马甲”，又会是谁呢？（doge） 参考文献： |
