美团龙猫发布原生多模态模型 LongCat-2.5 ，1.6T 参数专注长程智能体与 Visual Coding 任务

美团龙猫正式发布了面向长程智能体任务的原生多模态 AI 模型 LongCat-2.5。该模型在 LongCat-2.0 的基础上实现了架构与能力的双重跃升，总参数量达到 1.6 万亿，单次前向传播激活约 480 亿参数，进一步强化了原生视觉理解与智能体编程能力。

• 在线体验：https://longcat.chat
• API 接入：https://longcat.chat/platform/product

核心架构与多模态统一表征

LongCat-2.5 在多模态融合机制上进行了深度优化，实现了真正的“原生”多模态处理：

• 多层级离散 Token 化：模型创新性地将视觉信号表示为多层级离散 token。
• 统一处理范式：主干模型能够以完全统一的 token 形式处理视觉与文本输入，消除了传统多模态模型中模态对齐的损耗。
• Visual Coding 突破：原生视觉理解与智能体编程能力的深度结合，使模型在 Visual Coding（视觉编程）任务中表现出色，并有效拓展了其在创意设计、3D 建模等复杂跨模态任务中的应用边界。

长程强化学习与端到端工程能力

针对复杂代码库开发与完整项目构建等长程任务，LongCat-2.5 引入了更为深度的训练策略：

• 长程轨迹数据增强：在训练阶段注入了更大规模的长程交互轨迹数据，并通过大规模长程强化学习（RL）提升模型的端到端工程能力。
• 失败轨迹转化机制：团队建立了一套闭环的数据迭代链路，将真实 Agent 在实际执行中的失败轨迹转化为可复现、可验证的训练任务，从而精准、高效地填补模型的能力短板。
• 跨 Harness 混合训练：围绕数据合成与环境构建，官方持续扩展训练链路，确保模型在不同智能体执行环境（Harness）中均能保持稳定的性能表现。

底层基础设施与工程优化

支撑 1.6 万亿参数模型高效运行的，是美团龙猫持续演进的底层基础设施：

• 国产算力深度优化：针对国产算力平台，专项优化了长上下文（Long-Context）的训练效率与调度机制。
• W4A4 量化推理：引入并优化了 W4A4（权重 4-bit，激活值 4-bit）推理技术，在大幅降低显存占用与推理延迟的同时，保障了模型输出的高质量。
• 训推一致性与 Rollout 优化：通过严格的训推数值一致性校验，以及长上下文 rollout（展开）的底层工程优化，有效支撑了大规模长程强化学习的高效、稳定运行。