AI coding · 一张记分卡上，赢的分数和输的分数印在了一起
体检报告拿在手里，多数人先找箭头朝上的那几行。可这份报告真正有用的地方，是它把所有指标都列出来，超标的和正常的挨着排，谁也不能只截一角发出去。11 月上旬美团放出 LongCat-2.5 的权重，随包附了一份自己测的记分卡。卡上既有从 70.8 涨到 88.4 的漂亮数字，也有一行 38.5 对 53.9 的落后，两…
一张自报的记分卡，把赢的那一栏和输的那一栏印在了一起。
体检报告拿在手里，多数人先找箭头朝上的那几行。可这份报告真正有用的地方，是它把所有指标都列出来，超标的和正常的挨着排，谁也不能只截一角发出去。11 月上旬美团放出 LongCat-2.5 的权重，随包附了一份自己测的记分卡。卡上既有从 70.8 涨到 88.4 的漂亮数字，也有一行 38.5 对 53.9 的落后，两栏并排，没有藏。
时间线要先理顺。11 月 2 日美团技术团队发文正式发布 LongCat-2.5；11 月 9 日权重上传 Hugging Face，协议是 MIT；11 月 10 日技术博客以「正式开源」为题补了工程细节；11 月 12 日多家早报把这件事集中转述了一遍。中文报道里常把「发布」和「开源」写成同一天，模型存在与权重可取是两件事，中间隔了一周。
卡上印了什么
模型卡给的规格是总参数 1.6 万亿，每个 token 激活约 480 亿，上下文一百万；MIT 协议允许商用推理部署与二次训练，无需额外授权。卡上的分数来自美团自测或对公开报告的引用，跑在指定的智能体框架里。
| 基准 | LongCat-2.5 | 对照 | 读法 |
|---|---|---|---|
| Terminal Bench v2.1 | 88.4 | LongCat-2.0 的 70.8 | 同门对比，涨 17.6 |
| DeepSWE v1.1 | 64.6 | LongCat-2.0 的 9.7 | 同门对比，涨幅最大 |
| SWE Atlas 代码库问答 | 58.3 | LongCat-2.0 的 33.1 | 同门对比 |
| Terminal Bench v4.0 | 38.5 | Claude Opus 5 的 53.9 | 对外对比，落后 15.4 |
前三行读起来像一次跃迁，第四行把台阶拉了回来。v2.1 和 v4.0 是同一个基准的两个版本，同一模型在两版上差了将近五十分。把它和「88.4 分」并列当成一次进步的两面，会漏掉口径。DeepSWE 那一项也有一层对照：有二手整理拿它去比 DeepSeek-V4.1-Flash 的 74.2，两家的框架与评测条件未必一致，这个比较只能当线索。
卡背面那行小字
参数量有两个数。美团技术描述写 1.6 万亿，Hugging Face 仓库元数据写 1.8T，两边都没有解释差在哪。VentureBeat 提醒读者按实际文件与服务格式估算部署规模，别照着宣传数字买机器。它顺手算了一笔：按 16 位统一表示，1.6 万亿参数光权重就要约 3.2TB，这个算术是示意，不是实测占用。
MIT 这个词也容易读宽。MoE 每个 token 只激活一部分专家，推理成本低；可服务时仍得把完整 checkpoint 放在能取到的地方，靠路由结构避免来回换入换出。模型卡另外提醒，系统没有对每一种下游用途做全面评测，准确性、安全与合规要开发者自己验。11 月 9 日的检索里，也没有查到专门点名美团或 LongCat-2.5 的美国联邦采购限制，这一点被几家外媒并列写出，属于时点状态。
为了把它跑起来，工程上动了哪些地方
技术博客里最实在的一段是推理与训练的基础设施。W4A4 把专家权重与激活同时量化到 4 比特，交给原生 INT4 矩阵乘单元执行；量化精度以 FlatQuant 的可学习等价变换打底，博客说已评测的下游任务表现与量化前相当。算子那一层把变换与尺度计算，还有量化与打包，一起融成一个专用算子，让同一份 INT4 表示贯穿专家通信与计算。
训练侧的约束写得更具体：国产 AI 加速器单卡显存不足 80GB，长序列训练与微调得在这个条件下完成。做法是 FSDP 双重分片与扁平化缓冲区压常驻显存，混合词表并行再压一层，参数 AllGather，专家 token AllToAll，还有 KV AllGather 尽量收在超节点内的高带宽域，MoonEP 只在负载不均衡越过阈值时才动态复制专家，零拷贝通信、参数预取与 ScMoE 让通信与计算重叠。这套 FSDP 配置在长序列 SFT 任务里的单卡吞吐量比 DDP 基线高 86%。
长程智能体能力来自一整条训练链。数据上补了更多长程轨迹，把真实智能体的失败轨迹转成可复现、可验证的训练任务；强化学习用 partial rollout 异步训练，没跑完的长任务留到下一轮，过采样率按通过率动态调整，全对全错的样本组直接滤掉，跨 checkpoint 的旧轨迹做梯度校正。防钻空子的几条更耐看：任务环境断网，清掉 git 历史与文件缓存，用 LLM judge 盯轨迹，对重复思考、重复工具调用与过度思考施加约束。
视觉那一路也换了做法。模型把视觉信号做成多层级的离散 token，对原生分辨率特征做残差向量量化，逐级补细节；视觉 token 可离线预计算并缓存，视觉码本与主干联合训练，图像和文本共用同一套主干参数，没有外挂视觉模块。博客把这套设计归到 Visual Coding 与 3D 任务的能力提升上。
一份材料该怎么读
11 月 12 日的早报里，这件事通常被压成一句「1.6 万亿参数 MIT 开源」。压掉的是三样东西：发布与开源之间的一周，记分卡上那行落后的分数，以及两个对不上的参数量。这三样恰好是判断一份开源材料能不能拿来规划部署的依据。
美团自己在博客末尾写得克制：显存与带宽的边界实际存在，能改的只有架构、算子与并行策略。社区第一批独立评测还没出来，卡上的分数暂时都算作者自报。把赢的和输的一起印出来，已经比常见的发布稿多给了一层信息，至于这层信息够不够撑起选型，得等别人跑过一遍。
同一天还翻到
| 方向 | 线索 | 状态 |
|---|---|---|
| 安全 × AI infra | Fireworks AI 11-09 更新 10 月入侵的影响范围，补上账单地址与发票历史，还有账户余额，以及部分客户的未完成模型权重和数据集，首份公告曾把这些排除在外；The Register 记 10-23 第三方云上的研究机被侵入，次日跑起未授权工作负载 | 平台方称属 LLMjacking，受影响账户数未公布 |
| 生物学 | 《自然》刊出核孔复合体 FG 屏障研究，活细胞里 FG 域保持纳秒级液态段运动，体外重构的凝聚体会发生液固转变，importin-β 与 O-GlcNAc 一起稳住动态网络 | DOI 10.1038/s41586-026-11258-0 |
| 物理 × 材料 | 《自然》报道两参数生成的尺度丰富网络超材料，韧带长度、厚度与连通度呈幂律分布，动态冲击下比能耗散最高，内部应力较标准点阵最多低 4.9 倍 | 已发表，可作声学透镜设计 |
| 游戏引擎 | 11-12 未检得可核的一手新发布；站内 11-11 有图形学方向的 Blender 高斯泼溅题，11-09 有旧赛车游戏机器码译 C 的题 | 本轮不凑数 |
#AIcoding #开源模型 #LongCat #跑分口径 #国产算力