@Meituan_LongCat：介绍 LongCat-2.0 1.6万亿参数 · MoE 约480亿活跃参数 · 100万上下文。这是 Owl Alpha 在 @OpenRouter 背后的完整模型…

X AI KOLs Timeline 模型
mixture-of-experts long-context agentic-coding sparse-attention large-language-model benchmark

摘要

Meituan 推出 LongCat-2.0，一个拥有 1.6万亿参数的 MoE 模型，约480亿活跃参数，支持100万上下文。该模型采用了 LongCat Sparse Attention 和 Zero-Compute Experts 等新颖架构，在编码和推理任务的基准测试中取得了优异成绩。

介绍 LongCat-2.0 1.6万亿参数 · MoE 约480亿活跃参数 · 100万上下文 这是 Owl Alpha 在 @OpenRouter 背后的完整模型 — 现已可用。 从头为智能体编码构建： ◆ LongCat Sparse Attention (LSA) — 高效扩展至100万上下文令牌 ◆ Zero-Compute Experts — 每个令牌动态激活 330亿–560亿参数，零计算浪费 ◆ MOPD — 三个专业专家组（Agent / Reasoning / Interaction），按任务通过门控路由 性能对比： → Terminal-Bench 2.1: 70.8 → SWE-bench Pro: 59.5（GPT-5.5: 58.6） → SWE-bench Multilingual: 77.3 → FORTE: 73.2 · RWSearch: 78.8 · BrowseComp: 79.9 技术博客：https://longcat.chat/blog/longcat-2.0/… 在不同场景中试用
查看原文
查看缓存全文

缓存时间: 2026/06/30 03:34

推出 LongCat-2.0 1.6T 参数 · MoE 架构，约 48B 活跃参数 · 100 万上下文 支撑 @OpenRouter 上 Owl Alpha 的完整模型现已可用。

专为智能体编程从头设计： ◆ LongCat 稀疏注意力 (LSA) — 高效扩展至百万级上下文标记 ◆ 零计算专家机制 — 每个 token 动态激活 33B–56B 参数，零浪费计算 ◆ MOPD — 三个专业专家组（Agent / Reasoning / Interaction），按任务门控路由

性能对比： → Terminal-Bench 2.1: 70.8 → SWE-bench Pro: 59.5（GPT-5.5: 58.6） → SWE-bench 多语言: 77.3 → FORTE: 73.2 · RWSearch: 78.8 · BrowseComp: 79.9

技术博客：https://longcat.chat/blog/longcat-2.0/… 在不同场景中体验

相似文章

meituan-longcat/LongCat-2.0

Hugging Face Models Trending

LongCat-2.0 是一个大规模 MoE 语言模型，总参数量 1.6 万亿，每个 token 激活约 48B 参数，使用 AI ASIC 超级计算集群和 1M 上下文数据训练而成。在编码和智能体任务上表现出色。