LongCat-2.5 发布解读：原生多模态、1M 上下文，长任务 Agent 比 2.0 强在哪？

这次更新值得关注什么？

美团 LongCat 团队于 2026 年 11 月 1 日发布 LongCat-2.5。相比 LongCat-2.0，新版最值得关注的是原生视觉理解与长时间、多步骤任务能力的结合：从读界面、理解图表，到调用工具、修改代码并验证结果，目标是让 Agent 更稳定地完成一整项工作。

本文根据官方发布文章和 API 文档整理，资料核对日期为 2026 年 11 月 2 日。下述成绩均为官方披露，TboxIO 尚未进行独立复测。

模型规格与接入

项目	LongCat-2.5
总参数 / 每 token 激活参数	1.6 万亿 / 约 480 亿
重点能力	原生视觉理解、编程、长任务 Agent、工具调用
API 上下文上限	1,048,576 tokens，输入与输出合计
API max_tokens 上限	262,144 tokens（256K）
接口兼容	OpenAI Chat Completions、Responses、Anthropic Messages 格式
权重状态	发布页 GitHub 与 Hugging Face 均标注 Coming soon

1M 上下文是单次请求的总容量，不代表每次都能生成 1M tokens，也不意味着塞满上下文后仍具有相同准确率。256K 是输出参数的上限，实际可用输出还受剩余上下文和请求配置约束。

相比 2.0，主要改了三件事

视觉进入共享的 token 主干。 官方使用残差向量量化（RVQ）把视觉特征转换为多层离散 token，让视觉与文本在同一主干中处理。适用方向包括截图驱动的网页开发、图表分析与 3D 编程任务。理解图片和编写可视化代码，并不等同于提供原生图片或视频生成接口。

训练更重视完整任务链。 新版扩展长序列训练和长任务强化学习，把真实编程失败转化为可复现任务，结合代码仓库问题、测试验证与多种 Agent 框架训练。它改善的是“计划—操作—检查—修复”的连续执行，而非仅让单轮回答更长。

推理基础设施引入 W4A4。 官方在权重与激活均为 4 bit 的方案中，相对 W8A8 基线报告预填充吞吐提升 43.3%、解码吞吐提升 42.77%，首 token 时间下降 15.91%。这些是特定基础设施和压力测试条件下的结果，不能直接解释成所有 API 请求都比 2.0 快同样幅度。

官方分数：与 LongCat-2.0 对照

基准	LongCat-2.0	LongCat-2.5	分数变化
Terminal Bench v2.1	70.8	88.4	+17.6
Terminal Bench v4.0	3.0	38.5	+35.5
DeepSWE v1.1	9.7	64.6	+54.9
PaperBench	45.2	82.1	+36.9
BrowseComp	79.9	91.9	+12.0
AutomationBench v1.0.6	15.8	51.8	+36.0
MCPAtlas	61.8	83.1	+21.3
JobBench	44.4	65.4	+21.0

变化列为分数的绝对差值，不是相对百分比。不同基准的分数不能相加或直接横向比较；Terminal Bench v2.1 与 v4.0 也不能混为同一测试。

从这组数据看，2.5 的增益主要集中在复杂代码执行、研究复现、浏览检索与跨工具任务。不过，测评框架本身也会影响结果：Terminal Bench 使用 Claude Code v2.1.280、512K 序列上限；DeepSWE 使用 mini-swe-agent、1M 序列上限；BrowseComp 使用带上下文清理策略的定制框架。因此，分数反映模型与工具配置的组合效果。

与其他模型怎么比？

发布页同表列出：Terminal Bench v2.1 上 LongCat-2.5 为 88.4，GPT-5.6-Sol 为 88.8、Claude Opus 5 为 89.1、DeepSeek-V4.1-Flash 为 90.6；BrowseComp 上 LongCat-2.5 为 91.9，Kimi-k3 为 91.2、DeepSeek-V4.1-Flash 为 91.5。

这说明它在部分长任务基准中已具备竞争力，但不能据此宣布全面领先。表中其他模型的部分成绩引用各自公开报告，部分由 LongCat 团队运行，测试配置并非统一的独立横评。选择模型时，应在自己的仓库、提示词、工具权限和预算下重跑任务。

视觉方面，官方披露 Vision2Web 78.6、CharXiv-RQ（带工具）90.2、VideoMME 85.2。它们分别涉及网页、图表和视频理解，分数口径各不相同，也不能代替真实业务中的视觉准确率。

API 价格与开放状态

截至核对日，官方价格页已明确写为 LongCat-2.5，而非仅 Preview；限时按量价格如下，单位均为美元 / 百万 tokens：

计费项	限时价格
未缓存输入	$0.30
缓存输入	$0.006
输出	$1.20

价格可能调整，以平台展示和实际账单为准。长任务可能产生多轮输入、输出与工具调用，仅按一次提示词估算总成本会偏低。

官方已提供在线体验和 API 文档，但发布页的权重仓库仍标注 Coming soon。因此，此时不能把“已发布”写成“权重已可下载”，也不能推定许可证或本地部署门槛。

TboxIO 的判断

LongCat-2.5 值得优先验证的是截图驱动开发、跨文件代码修改，以及需要反复调用工具的研究和办公流程。它的吸引力在于长任务分数提升与较低的限时 token 单价组合。

落地时建议用一组可验收任务同时记录成功率、人工返工次数、端到端耗时和整项任务费用，再与当前使用的模型比较。对准确率敏感的图表、财务或代码修改，保留测试与人工审核；1M 上下文和高基准分数本身都不是正确性的保证。