美团开源LongCat-2.5多模态大模型权重,支持视觉编程与代码库操作
美团于11月9日以MIT许可证在Hugging Face发布LongCat-2.5开源权重,该模型具备截图/视频理解、代码库遍历与多步软件编写能力,主打视觉+编程复合任务,托管API定价显著低于GPT/Claude高端模型。

美团于11月9日发布了LongCat-2.5的模型权重,即在推出该模型一周后。 推出该模型。这家中国外卖与电子商务公司发布了该检查点(checkpoint)。 在Hugging Face上以MIT许可证发布。为开发者提供了另一种运行该模型的方式——该模型可检查截图和视频、遍历代码库,并通过多个步骤编写或修订软件。
测试LongCat-2.5最具说服力的场景,是同时需要视觉判断与编程能力的任务。例如,开发者向智能体提供一个故障结账流程的截图,要求其在代码仓库中定位相关组件,并提出补丁方案,再在浏览器中验证结果。
美团的 托管API定价 使该实验成本相对低廉。对采购方而言,更有意义的问题在于:该模型能否在其折扣API费率下承担足够多的视觉与编程任务,从而将高端模型留用于更困难的任务?在私有网络内部署完整模型则需进行另一番权衡计算。
对于考虑采用该模型的美国及西方企业,有一项重要提示:中国人工智能模型正面临华盛顿日益增长的审查。10月, 美国国土安全部披露了一项命令 ,指示联邦文职机构不得采购DeepSeek产品,并须从受监管系统中移除其技术(包括由第三方提供的实现),该命令针对DeepSeek及其关联方。
截至11月9日,VentureBeat未发现任何已公开披露的美国联邦政府采购或使用限制措施明确点名美团或LongCat-2.5。但相关规则可能迅速变更。
正如 VentureBeat于2月报道,国防部长彼得·赫格塞斯(Pete Hegseth)于2月27日宣布,他正指示五角大楼将Anthropic指定为“国家安全供应链风险”。他 于3月3日正式确立该指定。这两个案例表明,一场争端或一项供应链决策可能迅速改变各机构及其供应商可使用的工具。
视觉理解发挥价值之处
在其 技术说明文档中,美团描述了一种将视觉信息表示为token并将其与文本一同处理的模型。其 API指南 展示了开发者如何提交截图、图表、图像和视频。图像可通过请求内嵌方式或URL方式提供。所记录的视频接口仅接受URL输入,这对处理内部屏幕录制的团队构成一项实际约束。
对于前端与产品工程,一个良好的初始任务是带有已知修复方案的视觉回归测试。向智能体提供失败页面的截图、访问测试仓库的权限,以及渲染已打补丁页面的能力。检验其是否能准确定位问题根源、实施针对性修改,并保持键盘导航与响应式行为。类似的工作流可将设计参考转化为原型,但测试还应验证输出是否遵循团队的组件库与交互规范,而不仅限于外观是否正确。
美团 重点展示了开发者演示案例 ,其中包括塔西希(Tasihi)开发的汽车发布网站、AI Maverick Frank设计的幻想游戏界面,以及Aigc Lancet构建的店铺管理网站。该公司自己的示例包括一个交互式流体模拟和一个3D展览。这些均为构建演示或内部工具的团队提供了良好参考。商店前端原型与生产环境中的商店前端具有不同的验收标准。对于后者,生成的代码仍须通过与人工编写的更改同等的功能性、可访问性及可维护性检查。 自己的示例 包括一个交互式流体模拟和一个3D展览。这些是为构建演示或内部工具的团队提供的良好参考案例。商店前端原型与生产环境中的商店前端具有不同的验收标准。对于后者,生成的代码仍需通过与人工编写的代码变更相同的功能性、可访问性和可维护性检查。
LongCat在前代基础上取得进步,而更新的竞争者则设定了更高门槛。
在美团的评估中,最清晰的对比对象是其前代模型。LongCat-2.5在Terminal Bench v2.1上得分为88.4,前代为70.8;在DeepSWE v1.1上得分为64.6,前代为9.7;在SWE Atlas代码库问答测试中得分为58.3,前代为33.1。这些结果支持对LongCat重新开展代码库任务测试,尤其当团队此前已排除2.0版本时。 美团的评估 是与其前代模型LongCat-2.5进行对比。LongCat-2.5在Terminal Bench v2.1上得分为88.4(前代为70.8),在DeepSWE v1.1上得分为64.6(前代为9.7),在SWE Atlas代码库问答测试中得分为58.3(前代为33.1)。这些结果表明有必要对LongCat在代码仓库任务上的表现重新进行测试,尤其是当团队此前已排除使用2.0版本时。
美团发布材料中的竞品对比则更为复杂。LongCat-2.5在Terminal Bench v2.1上得分与GPT-5.6 Sol及Claude Opus 5相差仅1分。但在v4.0版本中,其得分为38.5,而Claude Opus 5为53.9。DeepSeek-V4.1-Flash在DeepSWE四项模型中领先。LongCat在3DCodeBench中领先该组其他模型,而Claude Opus 5则在Vision2Web中领先。对软件团队而言,这种差异至关重要,因为终端操作、代码库修复以及将截图转化为网页界面属于不同任务。
美团选择GPT-5.6 Sol与Claude Opus 5作为其两个专有基准参照点。当美团推出LongCat-2.5时,这两款模型的直接后续版本已面世。 OpenAI于9月29日发布了GPT-6.1 Sol,而 Anthropic于9月22日宣布了Claude Opus 5.5。选用较早的基线版本表明,美团正为LongCat-2.5构建一种次前沿(sub-frontier)主张:即在特定任务上性能可媲美上一代高端模型,且token价格大幅降低。这是对美团所公布证据的一种解读。仅凭这一选择本身,无法确立LongCat相对于当今最佳模型的排名。
该表格将美团基准测试报告中的分数 与其基准测试报告 与Terminal-Bench 4.0排行榜上的分数 分开列出。美团将其自身运行结果与已发表结果合并。GPT-6.1 Sol与Opus 5.5在排行榜上的分数采用最大努力策略(maximum effort)及其各自编码工具Codex与Claude Code得出。应将其视为同一基准版本下不同测试设置的参考点。短划线(—)表示该对比尚无经验证结果可供展示。API价格单位为每百万未缓存输入与输出token的美元金额。
模型 | 权重 | 托管API费率 | Terminal Bench v2.1 / v4.0 | DeepSWE v1.1 | Vision2We/3DCodeBench |
|---|---|---|---|---|---|
美团 LongCat-2.5 | 88.4 / 38.5 | 64.6 | 78.6 / 55.4 | ||
DeepSeek-V4.1-Flash | 90.6 / 31.2 | 74.2 | 79.2 / 53.3 | ||
OpenAI GPT-5.6 Sol | 专有 | 4 美元 / 20 美元,促销活动截至 11 月 30 日 | 88.8 / 37.3 | 72.7 | 73.5 / 52.3 |
Anthropic Claude Opus 5 | 专有 | 89.1 / 53.9 | 68.8 | 80.2 / 54.3 | |
OpenAI GPT-6.1 Sol | 专有 | 2 美元 / 10 美元 最多支持 272K 个输入 token | — / 58.2 | — | — / — |
Anthropic Claude Opus 5.5 | 专有 | — / 64.8 | — | — / — | |
OpenAI GPT-6 Astra | 专有 | 10美元 / 50美元 基础费率 | — / — | — | — / — |
Anthropic Claude Fable 5.2 | 专有 | — / — | — | — / — |
美团将基准条目标注为 DeepSeek-V4.1-Flash。 DeepSeek 的 API 文档 称其托管的 Flash 端点提供的是 1017 检查点,但美团的表格未明确指定检查点后缀。
更新的 Terminal-Bench 结果改变了对美团 v4.0 表格中 LongCat-2.5 与 GPT-5.6 Sol 近乎持平表现的解读。GPT-6.1 Sol 和 Opus 5.5 在排行榜上的得分均高于 LongCat 报告的 38.5 分,尽管设置差异使得无法得出清晰的直接对比结论。
这使得更新的 Sol 和 Opus 成为企业编码试验中更有用的专有对照模型。对于已在困难任务上为前沿性能付费的团队, GPT-6 Astra 和 Claude Fable 5.2(Anthropic 于 11 月 9 日发布)是可用于测试 LongCat 难以完成案例的升级选项。
实用比较应保持工具与预算恒定。为每个模型提供相同的代码仓库状态、浏览器、测试套件、工具权限及时间限制。重复执行若干任务,以观察各模型的成功频率。
对于截图转代码任务,需分别对渲染结果与生成代码评分;对于缺陷修复任务,需检验补丁是否解决了根本原因,以及评审人员是否需要重做该修复。一份精修后的答案可能掩盖一次失败的工具调用,或一项破坏无关功能的更改。
定价与许可机制使托管式试用更易实施
美团的费率表 列出了限时费率:每百万已缓存输入 token 收费 0.006 美元,未缓存输入收费 0.30 美元,输出收费 1.20 美元。按此费率,一次运行若含 200,000 个未缓存输入 token 和 100,000 个计费输出 token,则模型 token 成本为 0.18 美元。
相同 token 数量在 DeepSeek 非高峰时段费率下成本为 0.09 美元,在 GPT-6.1 Sol 下为 1.40 美元,在 Opus 5.5 下为 2.80 美元,在 GPT-6 Astra 下为 7 美元,在上述费率下的 Fable 5.2 下为 5.60 美元。
该示例固定了 token 用量,并低于 OpenAI 对 GPT-6.1 Sol 收取更高费率的阈值。实践中,各模型在推理开销、重复工具调用或需二次尝试等方面可能差异显著。
新模型自身亦改变成本对比格局。按基础费率,GPT-6.1 Sol 的输入与输出费用仅为 GPT-5.6 Sol 所列促销费率的一半,而 Opus 5.5 的每 token 成本亦低于 Opus 5。LongCat 即便面对更廉价的后续型号,仍保有显著的价格优势。
DeepSeek 的非高峰价格,是对企业预期为具备可下载权重且编码性能具竞争力的模型所支付费用的更严格基准。
在采购决策中,应追踪每项被接受结果的成本,包括重试次数、浏览器或沙箱耗时、任何回退至其他模型的调用,以及工程师审核补丁所花费的时间。
缓存费率对反复发送稳定提示前缀或大量代码仓库上下文的智能体至关重要。需在工具开发者实际使用的环境中测量真实命中率。仅凭上下文窗口大小几乎无法预估账单。
美团权重所采用的 MIT 许可证 允许商业使用、修改及再分发,前提是满足其署名要求。
托管服务属独立采购决策。对于涉及专有代码或截图的试用,须事先明确该服务如何处理数据留存、访问与删除,再上传公司数据。使用公开或合成工件的沙箱环境已足以判断该模型是否值得深入评估。
自托管依赖于推理栈
据 美团的模型卡所述,LongCat-2.5 每 token 激活约 480 亿参数,总参数量为 1.6 万亿。该模型为每个 token 路由至专家子集,但部署时仍需提供完整检查点。
按每参数两字节计算,1.6 万亿参数在假设统一采用 16 位表示时,仅权重即达约 3.2 TB。
该算术仅为示意性估算,未计入运行时缓冲区及跨请求保留上下文所需的内存,亦未描述实际检查点占用空间。
Hugging Face 仓库快照元数据显示为 1.8T,而美团技术说明中写为 1.6T。部署规模应依据实际文件及确切推理格式确定。
美团指向一份 面向神经处理单元(NPU)的 SGLang-FluentLLM 部署指南。其 技术博客 描述了在中国加速器上将专家权重和激活值的精度降低至四位(four bits)的方法。
这些优化措施反映了美团已验证的部署配置。对于使用其他类型加速器集群的团队,需验证推理运行时能否加载该检查点(checkpoint),并保持模型在视觉理解和工具调用方面的行为不变。随后,测量该集群可并发处理多少个长请求、这些请求的耗时,以及负载增加时性能的变化情况。
当视觉编程(visual coding)工作负载规模较大或敏感度较高、足以证明自行运维该技术栈的合理性时,应考虑私有化部署。而仅偶尔运行原型的团队,则可通过托管式评估(hosted evaluation)走一条更简单的路径。
对于以文本为主的维护类任务,鉴于DeepSeek已公开的编程能力评分及其非高峰时段更低的价格,它是一个有用的首要对比基准。对于评审人员时间成本或失败后果占主导地位的变更任务,应在相关内部测试中保留一个性能更强的模型作为备用方案。
首个决策在于LongCat-2.5是否能改进团队已有的某项工作流。可先以截图驱动的缺陷修复、设计稿转代码任务以及纯文本仓库任务作为对照组进行测试。若其能在更低的总体成本下使更多视觉类任务通过评审,则应将此类工作路由至LongCat-2.5。集群采购可暂缓,待试用期明确该优势出现的频率及其实际价值后再行决定。
对于考虑采用LongCat-2.5的企业——尤其是那些已服务或计划服务美国政府客户的机构——该模型的运行位置,以及合同是否允许其使用,是两个彼此独立的问题。
自行托管或在企业可控的美国云环境中运行模型权重,可使团队对提示词(prompts)与日志的存储位置、所运行模型的具体版本,以及模型可调用的工具拥有更高控制权。但限制性条款仍可能随技术延伸至第三方部署场景,正如 DeepSeek订单 所示。
即便目前尚无任何公开披露的订单明确提及LongCat-2.5,供应商仍应核查其合同条款及 适用的联邦供应链订单 ,然后再将其投入面向政府的工作中。同时,应保留另一个已在相同任务上完成测试的模型,以防资格变动导致必须重新构建整个系统。
JOTO 企业落地观察
- 对企业部署而言,LongCat-2.5的1.6万亿参数与3.2TB权重规模意味着私有化部署需验证NPU/其他加速器对SGLang-FluentLLM框架及4-bit量化方案的兼容性,且必须实测上下文缓存命中率以预估真实成本,不能仅依赖参数量估算。
- 对智能体工程而言,该模型在Terminal Bench v2.1(88.4分)和DeepSWE v1.1(64.6分)上较前代大幅提升,但v4.0版本得分(38.5)明显落后于GPT-6.1 Sol(58.2)和Claude Opus 5.5(64.8),表明其适用于中等复杂度视觉编程任务,而非前沿高难度场景。
- 对AI安全治理而言,尽管目前无美国联邦采购禁令明确指向LongCat-2.5,但其与中国供应链关联性已构成合规风险信号;企业若服务美政府客户,须同步核查合同条款与现行联邦供应链命令(如针对DeepSeek的DHS指令),并保留替代模型以防政策突变。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务,帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
想把这些做法用到你的业务里?
留下你的场景和痛点,我们帮你判断从哪一步开始。
联系我们


