躋身全球前三，美團龍貓突破了什么？

此前，一款新模型以“Owl Alpha”的匿名代號接入全球大模型 API 路由平臺 OpenRouter，上線后總調用量迅速躋身全球前三，其中在 Hermes、Claude Code、OpenClaw 三大 Agent 場景下的月調用量分別位列全球第一、第二和第三位，使用量上幾乎是 DeepSeek V4 Flash 的兩倍。

而這款新模型正是“美團”的。

6月30日，美團正式發布新一代基礎大模型 LongCat-2.0，這款總參數規模達 1.6 萬億的混合專家架構模型，在峰值規模超過 5 萬張的國產算力卡集群上，完成從預訓練到推理的全流程落地，是在國產算力上完成的最大訓練任務之一。

國產大模型廠商正在把“OpenRouter 匿名登榜、圈內猜謎、官宣認領”玩成一套標準發布SOP。

從技術規格來看，LongCat-2.0 采用 MoE 混合專家架構，總參數達到 1.6 萬億，但每個 Token 實際激活的參數約為 480 億，動態范圍覆蓋 330 億至 560 億，兼顧了模型能力與推理效率。其獨創的零計算專家機制能夠識別助詞、標點等簡單文本并跳過無效運算，僅針對復雜內容調動算力資源，相比傳統稠密大模型大幅提升了算力利用率。

預訓練階段，模型使用了超過 30 萬億 Token 的多語種數據，覆蓋通用文本、代碼、技術文檔等多個領域，原生支持 100 萬 Token 的超長上下文窗口，可一次性處理百萬字級別的輸入內容，解決了長文本處理中常見的信息遺忘問題。在代碼能力方面，LongCat-2.0 在 SWE-bench Pro 評測中取得 59.5 分的成績，在部分編碼與 Agent 工具調用任務中表現突出。

而最受行業關注的，是 LongCat-2.0 全程依托國產算力完成全流程訓練的突破。整個訓練過程峰值調用了超過 5 萬張國產算力卡，未使用海外高端 GPU，從零完成了萬億級模型的預訓練、微調與推理部署全鏈路。此前行業普遍認為，國產芯片在單卡性能、軟件生態和大規模集群調度穩定性上存在瓶頸，難以支撐萬億參數模型的完整訓練。

美團團隊與國產算力廠商聯合攻克了硬件故障容錯、通信延遲優化、性能損耗控制等多項技術難題，最終將整體性能損耗控制在較低水平，驗證了國產算力支撐超大規模 AI 訓練的可行性。按照規劃，美團還將在多平臺同步開源 LongCat-2.0 的 Infra 框架、推理引擎、模型參數等核心技術，向全球開發者社區回饋技術成果。

對于本地生活行業而言，這款萬億模型的落地意味著服務效率的新一輪升級。

不同于主打通用對話的大模型，LongCat-2.0 從設計之初就深度綁定本地生活場景，依托美團積累的海量真實交易與履約數據進行專項優化。

在 C 端，美團旗下的 AI 助手 “小團”“小美” 已接入外賣、到店、酒店旅游等核心業務，升級后將具備更強的復雜指令理解能力，用戶僅通過自然語言描述需求，即可完成餐廳預訂、酒店下單、門票購買等多環節的服務閉環。今年五一假期期間，相關 AI 服務已累計服務過億人次用戶。

在 B 端，模型能夠幫助商戶自動分析經營數據、生成營銷方案、優化菜單結構，甚至結合多模態能力生成宣傳內容；在履約側，大模型作為底層推理引擎，可優化騎手路徑規劃、訂單智能分配與極端天氣下的運力調度，進一步提升配送效率與用戶體驗。對美團自身而言，自研大模型也能大幅降低大規模調用外部 API 的成本，在日均數千萬單的業務體量下，算力成本的優化空間十分可觀。

放在更廣闊的 AI 產業視角下，LongCat-2.0 的發布有著超出企業自身的產業價值。

一位大模型行業人士在接受采訪時表示：“在國產芯片上訓練出大 MoE 還是很厲害的。” 他指出，國產芯片集群訓練曾長期面臨穩定性不足、軟件生態不完善等瓶頸，美團的突破證明了國產算力路線的可行性。行業分析師郭濤認為，此前國內企業未能實現萬億級模型全棧國產化，既有技術路徑依賴的因素，也受限于大規模算力集群的工程難度與早期對國產算力穩定性的顧慮，而 LongCat-2.0 的落地將打消部分市場疑慮，激勵更多團隊加大國產算力適配投入，推動行業技術路徑多元化與自主可控體系的構建。

社區反饋顯示，LongCat-2.0測試版本接近Claude Opus 4.6，落后于Claude Opus 4.8。

從更深層的意義來看，LongCat-2.0 的誕生不是單一企業的技術突破，而是整條國產 AI 產業鏈協同驗證的結果。

來源：星河商業觀察