美團開源LongCat-2.0，全程跑在中國算力上
Claire Weston
美團7月6日開源1.6萬億參數大模型LongCat-2.0，從訓練到部署全程使用中國自研晶片完成——這不是一次性能刷榜，而是證明國產算力生態已能跑通超大模型的完整閉環。
這個模型到底有多大？
採用MoE架構（混合專家——把模型拆成很多「專家模組」，每次只調用其中一部分），總參數1.6萬億，但每個token只激活約480億參數。
這意味著→ 模型雖然巨大，實際推理時的算力消耗遠低於全量運行，這正是它能跑在國產晶片上的關鍵設計。
原生支持100萬token上下文窗口，預訓練數據超過30萬億token，峰值訓練動用逾5萬張中國自研加速卡。
匿名上線兩個月，怎麼就全球前三了？
LongCat-2.0此前以「Owl Alpha」為名匿名掛在OpenRouter上，不掛品牌、不做推廣，4月底上線。
兩個月內躋身全球月調用量前三：月處理token量10.1萬億，日處理量5590億，月增長率242%。
用戶來自美國、印度、肯尼亞、德國、西班牙，主要用於代碼生成、工具調用和Agent工作流。6月27日被海外博主溯源至美團，6月30日美團正式確認身份。
國產晶片廠商為甚麼同一天就能適配？
華為昇騰、摩爾線程、沐曦（MetaX）在開源當日同步完成LongCat-2.0推理適配。
簡單來說＝ 三家晶片公司提前做好了準備，模型一開源就能跑，這不是巧合，是「國產晶片+國產大模型」的生態協同已經走到了可執行階段。
華為昇騰團隊採用預填充-解碼分離（把「理解輸入」和「生成輸出」拆到不同硬件上跑）等專項優化，解決單卡64GB顯存撐1.6萬億參數模型的難題。
MoE架構在這裡起了甚麼作用？
推理時只激活約480億參數，而非全量1.6萬億——這意味著→ 對顯存和算力的需求大幅下降。
這反映出MoE不只是一個效率技巧，而是國產晶片跑超大模型的架構前提：它把「晶片不夠強」的劣勢壓力，用「每次只用一小部分」的設計繞了過去。
性能夠用嗎？離最強差多遠？
美團沒有把LongCat-2.0定位為全球最強。部分基準測試中仍落後於GPT-5.5和Claude Opus 4.8。
社區反饋顯示，在工具調用、複雜指令執行等Agent任務上接近Claude Opus 4.6水平，但尚未追平Claude Opus 4.8。
簡單來說＝ 性能不是頂尖但已進入實用區間——重點不在排名，在於這個實用水平是純靠國產算力達到的。
這件事對市場意味著甚麼？
模型以MIT許可證在GitHub和Hugging Face開放，提供BF16原始權重、FP8及INT8量化版本，支持免費商業使用，開源距正式發佈僅一周。
這意味著→ 美團選擇了最開放的許可方式，任何人可以直接拿去商用，這會加速國產算力生態的下游驗證。
這反映出市場對國產算力產業鏈的長期定價邏輯正在被重塑：當萬億參數模型的全棧訓練與商業部署已在國產晶片上跑通，「國產算力能不能用」這個問題的答案，從技術爭論變成了已交付的事實。
Content is for reference only, not financial advice.