美团LongCat-2.5拆解：DeepSWE暴涨54.9分，1.6万亿参数Agent模型给Python开发者发了张低价门票

11 月 6, 2026

—

由

11月2日，美团LongCat团队正式发布LongCat-2.5。总参数1.6万亿，MoE架构下每个token仅激活约480亿，上下文窗口104.85万。训练全程跑在国产算力上，是目前国产芯片上完成的最大规模训练任务。

同一副身板，换了训练目标

对照上一代LongCat-2.0，总参数、激活参数、上下文长度三项完全持平。变化集中在两处：原生多模态并入基座，定位从单纯写代码扩展到长程Agent任务。中训练阶段序列长度拉到100万token，长序列SFT的单卡吞吐较DDP方案有明显提升。

跑分涨了多少，口径要看清

官方对比表里几组数据值得开发者记住：

Terminal Bench v2.1：70.8 → 88.4（+17.6）
Terminal Bench v4.0：3.0 → 38.5（+35.5）
DeepSWE v1.1：9.7 → 64.6（+54.9）
NL2Repo：40.9 → 60.5（+19.6）
MCP Atlas：61.8 → 83.1（+21.3）
JobBench：44.4 → 65.4（+21.0）

DeepSWE提升54.9分，涨幅最大。Terminal Bench v4.0的38.5分反超GPT-5.6-Sol的37.3，但距Claude Opus 5的53.9还差15.4分，最难的长程终端任务远没到收尾阶段。

三处口径需要留意：各基准绑定了不同执行框架，Terminal Bench用Claude Code Harness，DeepSWE用mini-swe-agent，JobBench用LLM-as-Judge评分；部分竞品分数来自公开报告，部分是美团自测；内部基准LongCat AppDev（47.7→73.7）无法公开复现。榜单成绩只能当参考，选型仍需用自己的任务脚本跑一遍验证。

百万上下文解决不了的问题

上下文决定”工作台有多大”，长程能力决定”活能不能干完”。Agent跑长任务时最常见的翻车方式：测试失败后反复重试同一条错误命令，最后交出一份看似完整、实则漏掉关键交付物的总结。

美团技术博客披露了六项针对性训练设计。训练数据来自GitHub公开仓库的PR与issue，加上美团内部真实编码任务。模型每完成一步，都由实际执行结果判定成败，单纯喂代码的做法被彻底放弃。

验证环节采用双重测试：F2P（Fail-to-Pass）确认原本失败的用例被修好，P2P（Pass-to-Pass）确认原本通过的用例没被改坏。美团还用训练轨迹和通过率反向检查测试用例本身的误报与漏报。训练流程中引入失败轨迹学习与异步部分rollout，让模型从错误路径里学会止损。

价格和接入方式

API限时定价每百万token输入0.3美元、输出1.2美元、缓存输入0.006美元，老用户一次性获赠500万token。接口兼容OpenAI格式，Python侧改造很小：

“`python

from openai import OpenAI

client = OpenAI(

base_url=”https://api.longcat.chat/openai/v1″,

api_key=”你的密钥”,

)

resp = client.chat.completions.create(

model=”LongCat-2.5″,

messages=[{“role”: “user”, “content”: “读懂这个仓库并补齐单元测试”}],

)

“`

权重暂未开源。meituan-longcat的GitHub组织目前有38个仓库，2.5相关仓库尚未出现，上一代2.0已经开源。生产环境建议先小流量验证稳定性，再决定要不要迁。

写在最后

中国大模型行业的叙事正在从”跑分”转向”连续干完活”。阿里Qwen3.8-Max强调16天自主写出Agent框架，DeepSeek V4.1 Flash主打Agent场景，美团把宝押在长程任务上。0.3美元的输入价加上100万上下文，足够把一段长流程任务完整跑通。它能不能跑几十步还记得最初目标，值得你用自己的代码库试一把。