美团龙猫于 11 月 2 日正式发布 LongCat-2.5，这是一款面向长程智能体任务的原生多模态大模型。该模型总参数量达到 1.6 万亿，每个 token 激活约 480 亿参数，在 LongCat-2.0 的基础上进一步强化原生视觉理解与智能体编程能力，瞄准复杂代码库开发、完整项目构建等端到端工程场景。

参数规模与模型定位

LongCat-2.5 采用混合专家（MoE）架构路线，总参数量为 1.6 万亿，每个 token 激活约 480 亿参数。官方明确表示，该版本在 LongCat-2.0 的基础上强化了两项核心能力：原生视觉理解，以及智能体编程（Agentic Coding）。在此之前，LongCat 系列已经开放过 2.5-Preview 版本，原生支持 100 万 token 的上下文窗口，适合处理超长文档、代码库、日志与多轮复杂任务，本次正式版延续了这一定位并做了能力升级。

长程智能体能力强化

在长序列训练中，龙猫团队加入了更多长程轨迹数据，并通过大规模长程强化学习，提升模型在复杂代码库开发、完整项目构建等任务中的端到端工程能力。围绕数据合成、环境构建与跨 Harness 混合训练，官方持续扩展这条训练链路。

值得关注的是，龙猫将真实 Agent 的失败轨迹转化为可复现、可验证的训练任务，针对模型能力短板持续补充训练数据。这一做法旨在让模型在真实工程中少走弯路，提升一次成功率。

原生多模态与视觉编程

LongCat-2.5 将视觉信号表示为多层级离散 token，使主干模型以统一的 token 形式处理视觉与文本输入。原生视觉理解与智能体编程能力的结合，使模型在 Visual Coding（可视化编程）上表现出色，并支持创意设计和 3D 等任务。这意味着模型可以同时”看懂”图像与代码，在涉及界面、设计稿、截图的工作流中具备更直接的操作能力。

基础设施与国产算力

官方表示，这些升级由持续演进的基础设施支撑：一方面优化国产算力上的长上下文训练与 4 位权重、4 位激活（W4A4）量化推理；另一方面通过训推数值一致性和长上下文 rollout 优化，支撑大规模长程强化学习的高效运行。这显示出国产大模型在训练与推理效率上的持续投入。

体验与开放方式

根据官方信息，用户可以通过 longcat.chat 进行在线体验，开发者可通过 longcat.chat/platform/product 接入 API。GitHub 与 HuggingFace 的模型权重则”即将上线”。随着原生多模态与长程智能体能力的补齐，LongCat-2.5 试图在 Agent 时代为企业级自动化编程与多模态任务提供更完整的底座。