#华为小艺聪明能干又懂我#11月3日，美团正式发布新一代大模型LongCat-2.5，总参数量1.6万亿，单次推理激活约480亿。参数规模不是重点，重点是它在多项智能体评测里的位置：AutomationBench拿到51.8分，高于Claude-Opus-5的50.3分；BrowseComp得分91.9，位列第一；3DCodeBench的文本生成三维内容任务55.4分，小幅领先。
这次对比的名单不含糊：Claude-Opus-5、GPT-5.6-Sol、GPT-5.5、Claude-Opus-4.8。九项国际主流基准，覆盖代码生成、通用智能体任务和视觉智能体三大方向。结论是：网页交互、自动化流程执行、三维内容生成这些典型智能体场景，LongCat-2.5已经稳居第一梯队；纯代码编写和终端指令执行与头部还有微小差距。
取材网络
美团做模型的路子一直和别家不一样。它不是从通用智能出发往下铺场景，而是从业务反推模型。外卖、闪购、到店，这些业务的共同点是任务链条长、接口复杂、容错率低——骑手调度、商家运营、客服处理，本质上都是智能体问题。所以LongCat系列从上一代开始就主打智能体能力，这一代只是把路走深了。
技术上能看到几个明确的取舍。其一，原生多模态：视觉信号被编码成多层级离散token，和文本在统一token空间里协同处理，而不是外挂一个视觉模型，这让视觉编程类任务表现突出。其二，训练数据上引入更丰富的长程行为轨迹，再叠加大规模长程强化学习——练的就是"连续干几十步不出错"的能力，这正是智能体和聊天机器人的分水岭。其三，基础设施：官方提到依托国产算力平台优化长上下文训练效率，推理侧支持W4A4精度。LongCat-2.0当时公开的标签是"英伟达含量为0"，这一代延续这条线。
把时间线拉长看更有意思。两年前国产模型刷榜刷的是知识和推理，比的是谁能答对题；今年开始，评测的重心整体转向智能体——能不能操作浏览器、能不能执行多步流程、能不能在真实软件环境里把事办成。评测标准的变化，就是产业需求的变化。LongCat-2.5在BrowseComp这种"多轮网页导航"任务上拿到91.9的高分，说明它练的正是方向对的那块肌肉。
对美团自己，这个模型的价值也不仅在榜单。它是一个平台型公司把内部基础设施能力对外产品化的典型路径：先用自家业务养模型，模型成熟了再输出。这一点上它和字节做豆包、阿里做千问的逻辑同构，差别在于美团切入的姿势更垂直。
对行业，这份成绩单的意义是又一记实证：智能体这条赛道上，中国模型和头部产品的差距已经不是代际，而是项点。谁先把"能办事"变成稳定交付的能力，谁就拿到下一阶段的入场券。送外卖的公司先交了卷，这个信号比分数本身更值得记住。#DeepSeek下代大模型将用昇腾芯片训练##世界互联网大会乌镇峰会今天开幕##上头条 聊热点#