它到底几斤几两，先看这张图美团今天放出 LongCat-2.5：1.6 万亿总参数，每次只激活 480 亿，网页端已经能直接聊。
它没像往常那样只报喜。官方一口气把跑分表全贴了出来，对标 GPT-5.5、GPT-5.6-Sol，还有 Claude 的 Opus 4.8 和 Opus 5。
表里有个数字挺扎眼：最难的那一栏，它落后 Opus 5 整整 15 分。
代码智能体、通用智能体、视觉，三组榜单九款模型横向摆开。最该看的是 Terminal Bench 这一组——同一个榜单，它有两个版本：

看出来了吗——v2.1 上它拿 88.4，比 GPT-5.5 高 5 分，离 Opus 5 只差 0.7，几乎平手。
可换到 v4.0，也就是任务更长、环境更脏的那一版，它掉到 38.5，Opus 5 还有 53.9。
我的判断是：v2.1 这类榜已经被刷得比较透了，前几名挤在 88 分一带；v4.0 才是分水岭。这里能站住，才谈得上把活真交给它跑一晚上。
跟自家上一代比更能看出跨了多远：DeepSWE 从 9.7 涨到 64.6，带工具的 HLE 从 37.5 到 63.1，代码重构那项从 35.7 到 55.2。翻倍不止。
官方还放了八个端到端案例，都是它自己跑出来的：实时流体模拟、三星堆青铜神树的 3D 展示页、城市沙盘、客户反馈的可交互 HTML 报告、经营分析看板、中国风配色演示、微缩场景、活动邀请页。
共同点是都能直接在浏览器里点开、拖得动。这类页面过去要一个前端加几天工时。
真正值得抄的，是「从失败里造题」官方通稿里有一句话很容易被略过：把真实 Agent 跑失败的轨迹，转成可复现、可验证的训练任务。
落地是这样的——筛 GitHub 的 PR 和关联 issue，自动搭环境，跑两轮测试。fail-to-pass 管「改之前挂、改之后过」，pass-to-pass 管「原来能过的，改完别给我弄坏」。两道都过，这条轨迹才算一条合格的训练样本。
更狠的一层在考卷本身。测试用例会出错：明明改对了却判失败，叫假阴；没改对却蒙过去，叫假阳。他们拿线上真实跑出来的通过率回头修用例，一轮一轮校正。
说白了，模型能到哪一步，很多时候不看参数，看有没有一套能自动判分的题。题不准，强化学习就是在错的方向上加倍努力。

这件事比堆参数难，也最难被抄走。
4bit 推理这笔账，比参数实在1.6 万亿想跑起来，第一道墙是显存。官方给的约束很具体：国产算力单卡显存不到 80GB。
于是它把专家权重和激活一起压到 4bit，走 W4A4，直接用芯片原生的 INT4 矩阵单元算。
相对 W8A8 的 INT8 基线，线上压测 prefill 吞吐 +43.3%、decode +42.77%，首字延迟降 15.91%，每 token 输出耗时降 19.72%。
换个说法：同样的卡、同样的电，能多吐四成的活。这不是跑分，是账单。
训练侧还有一个数字——长序列微调时，他们那套并行配置的单卡吞吐比常规基线高 86%。这种数不会出现在发布会 PPT 上，但它决定训一次烧多少钱。
三件它没说的事，别当成有上下文长度：全文只有「长上下文」四个字，一个具体数字都没给。上一代 2.0 是 1M，2.5 有没有延续，官方没写。
开源：GitHub 和 Hugging Face 都挂着「即将上线」，用什么协议、什么时候放出来，都没定。
API 计费：网页端能直接聊，但 API 怎么收钱、有没有免费额度，一个字没提。官方只说「限时福利即将上线」。
这三条不影响你现在就去试，但影响你明年要不要把它写进方案。

说白了，这一代国产模型的问题已经不是「差一档」，是偏科——长链条任务追得很凶，最硬的长程执行还欠 15 分。够不够用，取决于你要它干的活有多长。
你更在意哪个：跑分漂亮但偶尔掉链子，还是跑分中庸但从不给你惹事？报一下你现在主力用的模型，我按票数排下期横评。
—— AI穿云箭，千条评论来相见