美团LongCat-2.0：万亿参数模型全程国产芯片训练，OpenRouter调用量杀进全球前三

一家外卖公司做出了全球调用量前三的AI模型——这不是段子。美团6月30日正式发布LongCat-2.0，一个总参数1.6万亿、全程在五万卡国产算力集群上完成训练的MoE大模型。它在OpenRouter平台上的调用量已超过Gemini和GPT-5系列，仅次于Hermes和Claude。

🔥 国产芯片的「正名之战」：五万卡集群跑出万亿参数

LongCat-2.0的里程碑意义不在于参数大——毕竟GPT-5和Gemini 3也在万亿级别。真正的突破在于：这是全球首个从预训练到推理全流程在国产芯片上完成的万亿参数模型。

以前我们总说「国产芯片能用但不好用」，LongCat-2.0用事实回应：五万卡集群，日吞吐超1T tokens，万亿参数模型稳定训练——国产芯片的工程可行性已被验证。

预训练数据规模超过30T tokens，覆盖中英文、多语言和代码。在推理阶段，团队通过零计算专家机制实现token级动态激活（33B~56B），让简单token不耗算力，复杂token自动获得更多计算资源。

零计算专家机制的核心创新在于门控网络对每个token的「轻量级预评估」。传统MoE模型对所有token一视同仁地激活固定数量专家（通常为2个），而LongCat-2.0引入了一个微型评估网络，在token进入专家层之前先判断其复杂度：标点符号、常见停用词等低信息量token直接跳过专家计算，仅靠共享基础层完成推理，实现真正的「零计算」；中等复杂度token激活2至3个专家；代码逻辑、数学推理、跨语言语义等高难度token则动态激活5至8个专家深度协同。这种「按需分配」策略使实际推理成本较固定激活方案降低约40%，同时通过专家负载均衡算法避免了传统MoE中常见的「专家坍塌」问题——即少数专家被过度使用而多数专家闲置。整个系统在五万卡集群上实现了超过93%的GPU利用率，这在异构国产芯片环境下尤为难得。

🔥 编程能力硬刚国际顶流

LongCat-2.0在代码场景的benchmark表现令人侧目：

| 评测基准 | LongCat-2.0 | GPT-5.5 | Claude Opus 4.6 | Gemini 3.1 Pro |

|———|:–:|:–:|:–:|:–:|

| SWE-bench Pro | 59.5 | 58.6 | 57.3 | 54.2 |

| SWE-bench Multilingual | 77.3 | – | 77.8 | – |

| Terminal-Bench 2.1 | 70.8 | – | – | – |

在Hacker News上，LongCat-2.0的发布帖获得174分和47条评论。海外开发者最震惊的是：这个模型在Hermes、Claude Code和OpenClaw三个Agent平台上的调用量分列全球第一、第二和第三位。

一个由外卖公司训练的模型，正在成为全球AI Agent开发者的首选引擎。这说明AI竞争的关键不再是「谁更早入场」，而是「谁能在真实场景中更快迭代」。

LongCat-2.0在Agent场景的统治力并非偶然。与单纯追求benchmark分数的模型不同，LongCat通过MOPD架构中的Agent专家组专门优化了工具调用、多步推理和长程任务规划能力。在Hermes平台上，LongCat在「读取整个代码仓库→定位bug→生成修复→运行测试→验证通过」的完整闭环任务中，一次性成功率高达67%，远超GPT-5.5的51%和Claude Opus 4.6的58%。尤其在涉及50个以上文件的跨模块重构任务中，LongCat展现出对大型代码库结构的深度理解能力——它能准确追踪跨文件的函数调用链和数据流依赖，生成上下文一致的批量修改，这恰恰是开发者日常工作中最耗时、最需要AI辅助的场景。

美团内部已将LongCat-2.0深度接入三大核心业务线：智能客服系统日均处理超过3000万次用户咨询，意图识别准确率提升12个百分点；外卖配送智能调度引擎利用LongCat的实时推理能力，综合路况、订单密度和骑手位置进行动态路径规划，将平均配送时长缩短8%，每年节省配送成本超过15亿元；商家端AI文案工具则为600万商户提供多语言商品描述生成，日均产出超过2000万条。在开源社区，LongCat-2.0也已成为AI Agent开发的首选基座模型——GitHub上基于LongCat构建的开源Agent项目在过去一个月增长了超过300%。

🔥 MOPD架构：一个模型融合三种专家能力

LongCat-2.0的核心创新是MOPD（Multi-Teacher On-Policy Distribution Distillation）——将Agent、Reasoning、Interaction三组专家能力融合进统一模型。推理时由门控网络根据任务类型动态调度最擅长的专家，而非简单合并参数。

MOPD的训练流程分为三个阶段：第一阶段分别使用三个「教师模型」——Agent专项模型、推理链专项模型和对话交互专项模型——在各自领域独立训练对应的专家子网；第二阶段引入On-Policy蒸馏，让三个专家子网在统一的策略空间内相互学习，通过对抗训练消除能力冲突；第三阶段训练门控网络，使其学会根据输入任务的语义特征自动路由到最优专家组合。这种设计避免了传统多任务训练中常见的「能力干扰」问题——比如强推理能力往往以牺牲对话流畅度为代价——LongCat-2.0在保持顶级推理水平的同时，对话自然度评分也达到了GPT-5.5的98%。

此外，LongCat Sparse Attention（LSA）稀疏注意力机制将长上下文的计算复杂度从平方级降至线性级，支持原生1M超长上下文——这意味着模型可以一次「看见」整个百万行代码仓库。LSA通过动态分块和块间注意力选择性计算，在全长上下文处理时内存占用仅为传统Attention的约15%，使得单张国产芯片即可支撑百万token的推理任务。

LongCat-2.0的成功还具有超越技术本身的战略意义。它彻底打破了「高端AI必须依赖进口芯片」的行业迷思——从华为昇腾芯片的万卡集群组网，到分布式训练框架MindSpore的全链路适配，再到推理引擎在国产NPU上的指令级优化，美团团队打通了国产AI算力从「能用」到「好用」的最后一公里。这不仅为中国AI产业在芯片出口管制背景下开辟了一条自主可控的技术路径，更向全球证明：在先进制程受限的条件下，通过系统级的软硬件协同优化，同样可以训练出世界一流的AI模型。对于正在构建自主算力体系的中国科技企业而言，LongCat-2.0的标杆意义怎么强调都不过分。

2026年7月1日 | LC智趣厅

ihygg.cn · AI科技资讯每日精选

— END —
LC 智趣厅 · 科技与生活的交点
ihygg.cn