老基准上几乎打平,新基准上还差一截;更值得看的是 MIT 许可和不靠英伟达的训练路线。
LongCat-2.5 是一个面向长链路智能体任务的模型,重点场景是写代码:读仓库、跑命令、多步修 bug 这一类活。几项基本信息:
要注意“开源”二字的边界:放出来的是权重,不是训练代码和数据,属于开放权重。对想自己部署的团队来说已经够用,但想复现训练过程是做不到的。

美团在模型卡里把 LongCat-2.5 和闭源旗舰放在一起比:Terminal Bench v2.1 上 LongCat-2.5 为 88.4,Claude Opus 5 为 89.1,GPT-5.6-Sol 为 88.8。三家挤在不到一分的区间里,这个数字本身就说明 v2.1 已经接近测满,再往上很难拉开差距。
有报道给出了更难的 Terminal Bench v4.0 成绩:LongCat-2.5 为 38.5,Claude Opus 5 为 53.9。差距一下子从 0.7 变成 15.4。两组数字放在一起看,比单看任何一组都更接近真实位置:在常规终端任务上,开放权重模型已经追到了门口;在真正长、真正乱的任务上,头部闭源模型仍有明显余量。
另外,这些分数大多是美团自己测的,模型卡也写明仅供参考。第三方复测出来之前,0.7 分这个差距更适合当作方向,而不是排名。
The Decoder 的报道标题强调 LongCat-2.5 训练全程没有用英伟达 GPU,TG 频道转述称用的是华为昇腾。这一点目前没有找到美团对 2.5 版本的官方确认;上一代 LongCat-2.0 时期也有类似说法,外媒推测是昇腾 910 系列,同样没有官方定论。
如果属实,它的意义比跑分更大。在美国持续收紧对华芯片出口的背景下,一个万亿参数级、能和 Claude Opus 5 同表比较的模型完全跑在国产算力上,说明管制提高了成本,但没有把门彻底关上。
直接受影响的是 API 定价。一个在常见编程基准上与旗舰相差不到一分、又能免费商用部署的模型,会让企业在“够用就行”的那部分工作量上重新算账:日常补全、批量改代码、跑测试这些活,没理由一直按旗舰价付费。闭源模型守得住的,是 v4.0 那 15 分所代表的长任务可靠性,而这恰好也是下一代开放权重模型最想啃的那块。