中国科技公司美团于 6 月 30 日正式推出 LongCat-2.0，确认开放许可、1.6 万亿参数混合专家人工智能模型与在 OpenRouter 上以别名 Owl Alpha 匿名运行两个月的系统相同。
参数是模型在训练期间可以处理的表盘总数。该模型为每个令牌激活大约 480 亿个参数（AI 模型处理的最小数据单位），该数字在 330 亿到 560 亿之间波动，具体取决于查询的要求。
潜行期得到了回报。当美团挺身而出时，该模型已经在 Hermes Agent 工作区中排名第一，在 Claude Code 上排名第二，在 OpenClaw 部署中排名第三，所有排名均按月调用量排名。
这是第一个在中国国内 ASIC 上进行端到端训练和部署的万亿参数模型，而不是在其他地方训练后才服务于这些模型。相比之下，DeepSeek 的 V4-Pro 仅使用华为芯片进行推理，而预训练则在 Nvidia 硬件上运行。
美团表示预训练运行，跨越超过50,000个国产加速器集群中超过35万亿个代币，完成时“没有回滚或不可挽回的损失”尖峰。”考虑到在未经验证的硬件堆栈上进行的大型训练经常在中途失败，以及中国似乎正在减少对美国硬件训练模型的依赖，这种稳定性声明很重要。
价格是LongCat-2.0的真实案例。标准 API 访问的费用为每百万输入代币 0.75 美元，每百万输出 2.95 美元，在当前的启动促销期间降至 0.30 美元/1.20 美元，并且缓存上下文读取免费。这低于 GPT-5.5 的每百万代币 5 美元/30 美元、Claude Sonnet 5 的介绍性 2 美元/10 美元费率，并接近 DeepSeek V4-Pro 的永久 0.435 美元/0.87 美元和小米的 MiMo-V2.5 Pro，在 5 月份降价后也达到了相同的价格。
美团还提供代币计划，以 60 美元左右的价格提供 10 亿枚代币包，这让编码员和重度用户的使用更加便宜。
我们自己通过快速游戏构建测试运行了 LongCat-2.0。它完成了工作，并且经过几轮迭代后输出保持得相当好。结果明显落后于 Claude Fable 和 Opus 4.8，使其更容易排名到 Sonnet 4.6 附近，但以这些价格计算，每美元的质量是无可争议的。
它使敌人从不同角度涌来，镜头自动以最近的敌人为中心。然而，该模型的逻辑并没有考虑到当敌人的数量随着难度增加时会发生什么。当速度较高时，目标切换逻辑变得不稳定；在输入提示的过程中，焦点会跳到更近的敌人身上，从而使游戏无法玩。
这在氛围编码会话中是正常的，其中模型不会预见决策的许多逻辑后果，而是专注于根据用户提示的字面意思提供结果。
这也是为什么廉价模型始终是一个不错的选择，因为它让用户有更多机会迭代改进每个结果，直到最终产品达到预期。
如果没有进一步的交互，乍一看，在我们的快速编码测试中，整体质量介于 DeepSeel v4 Flash 和 Deepseek v4 Pro 之间。
您可以在我们的itch.io网站中查看结果
美团是如何构建的
LongCat-2.0 使用多种技术使模型更快、更强大，而无需大幅增加其大小。
它的注意力系统基于 DeepSeek 的设计，仅关注很长对话中最相关的部分，而不是平等地处理所有内容，从而帮助它更快地做出响应。
此外，新的 N-gram 嵌入系统（一种帮助理解单词或子词组的方法）使模型能够更丰富地理解单词和短语——可能的表示形式增加了大约 100 倍——而无需添加更多的 AI 组件。它基本上是在教人工智能识别常见的短语，而不仅仅是单个单词。与其将“新”、“纽约”和“城市”视为三个独立的部分，它还可以将“纽约市”视为一个有意义的概念。这使得模型对语言有更丰富的理解，而不会使其变得更大。
经过训练，美团还结合了三个专业系统，一个专注于使用工具（Agent），一个专注于解决问题（推理），一个专注于对话（交互）。然后，路由机制决定这些专家的哪种组合应该处理每个请求，就像将正确的团队分配给正确的工作一样。
在 SWE-bench Pro（一个对模型解决从生产代码库中提取的实际 GitHub 问题的频率进行评分的基准）上，LongCat-2.0 达到了 59.5，领先于 GPT-5.5 的 58.6 和 Gemini 3.1 Pro 的 54.2，但仍落后于 Claude Opus 4.7和 4.8。 FORTE 在 45 分钟的时间限制内对 15 个职业的座席日常办公任务进行评分，得分为 73.2，与 Claude Opus 4.6 持平，但落后于 GPT-5.5 的 77.8。
Introducing LongCat-2.0 🐱
1.6T parameters · MoE with ~48B active · 1M context
The full model behind Owl Alpha on @OpenRouter — now available.Built for agentic coding from the ground up:
◆ LongCat Sparse Attention (LSA) — scales efficiently for 1M-context tokens
◆… pic.twitter.com/zum2SdZ0Z2— Meituan LongCat (@Meituan_LongCat) June 30, 2026
在预算内构建编码代理的团队，或者任何运行大容量存储库规模工作（其中免费上下文缓存读取复合内容）的人，都会获得最明显的胜利。如今，可以通过美团的 OpenAI 和 Anthropic 兼容 API 端点，或者通过已经集成该模型的 Hermes、Claude Code 和 OpenClaw 等代理工具来访问该模型。
任何需要自行托管的人现在都不走运。 GitHub 和 Huging Face 存储库仍然显示“模型权重即将推出”，但美团尚未确定文件的发布日期。