LongCat-2.5 發布解析：原生多模態、1M 上下文，長任務 Agent 比 2.0 強在哪？

這次更新值得關注什麼？

美團 LongCat 團隊於 2026 年 11 月 1 日發布 LongCat-2.5。相較 LongCat-2.0，新版的重點是將原生視覺理解與長時間、多步驟任務能力結合：從閱讀介面、理解圖表，到呼叫工具、修改程式碼並驗證結果，目標是讓 Agent 更穩定地完成整項工作。

本文根據官方發布文章與 API 文件整理，資料核對日期為 2026 年 11 月 2 日。以下成績皆為官方公布，TboxIO 尚未進行獨立複測。

模型規格與使用方式

項目	LongCat-2.5
總參數 / 每 token 啟用參數	1.6 兆 / 約 480 億
重點能力	原生視覺理解、程式開發、長任務 Agent、工具呼叫
API 上下文上限	1,048,576 tokens，輸入與輸出合計
API max_tokens 上限	262,144 tokens（256K）
介面相容性	OpenAI Chat Completions、Responses、Anthropic Messages 格式
權重狀態	發布頁 GitHub 與 Hugging Face 皆標示 Coming soon

1M 上下文是單次請求的總容量，不代表每次都能產生 1M tokens，也不表示填滿上下文後仍有相同準確率。256K 是輸出參數上限，實際可用輸出仍受剩餘上下文與請求設定限制。

相較 2.0，主要改了三件事

視覺進入共用的 token 主幹。 官方使用殘差向量量化（RVQ），將視覺特徵轉成多層離散 token，讓視覺與文字由同一主幹處理。應用方向包括依截圖開發網頁、圖表分析及 3D 程式設計。理解圖片與撰寫視覺化程式碼，並不等於提供原生圖片或影片生成介面。

訓練更重視完整任務流程。 新版擴充長序列訓練與長任務強化學習，將真實程式開發失敗轉為可重現任務，結合程式碼儲存庫問題、測試驗證與多種 Agent 框架。改善目標是「規劃—操作—檢查—修復」的連續執行能力，而非單純延長回答。

推理基礎設施導入 W4A4。 官方在權重與啟用值皆為 4 bit 的方案中，相對 W8A8 基線公布預填充吞吐量提升 43.3%、解碼吞吐量提升 42.77%，首 token 等待時間下降 15.91%。這些是特定基礎設施與壓力測試條件下的結果，不能解讀成所有 API 請求都比 2.0 快相同幅度。

官方成績：與 LongCat-2.0 對照

基準	LongCat-2.0	LongCat-2.5	分數變化
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

變化欄為分數的絕對差值，並非相對百分比。不同基準的分數不能相加或直接橫向比較；Terminal Bench v2.1 與 v4.0 也不能視為同一測試。

這組資料顯示，2.5 的增益主要集中在複雜程式執行、研究重現、瀏覽檢索與跨工具任務。不過，評測框架也會影響結果：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 使用具有上下文清理策略的自訂框架。因此，分數反映模型與工具設定的組合效果。

與其他模型怎麼比？

發布頁同表列出：Terminal Bench v2.1 中 LongCat-2.5 為 88.4，GPT-5.6-Sol 為 88.8、Claude Opus 5 為 89.1、DeepSeek-V4.1-Flash 為 90.6；BrowseComp 中 LongCat-2.5 為 91.9，Kimi-k3 為 91.2、DeepSeek-V4.1-Flash 為 91.5。

這說明它在部分長任務基準已具競爭力，但不能據此宣稱全面領先。其他模型的部分成績引用各自公開報告，部分由 LongCat 團隊執行，並非統一條件的獨立橫評。選型時仍應在自己的儲存庫、提示詞、工具權限與預算下重跑任務。

視覺方面，官方公布 Vision2Web 78.6、CharXiv-RQ（含工具）90.2、VideoMME 85.2，分別涉及網頁、圖表與影片理解。其分數定義不同，也不能取代實際業務中的視覺準確率。

API 價格與開放狀態

截至核對日，官方價格頁已明確標示 LongCat-2.5，而非僅 Preview；限時按量價格如下，單位均為美元 / 百萬 tokens：

計費項目	限時價格
未快取輸入	$0.30
快取輸入	$0.006
輸出	$1.20

價格可能調整，以平台展示與實際帳單為準。長任務可能產生多輪輸入、輸出與工具呼叫，只按一次提示詞估算總成本容易低估。

官方已提供線上體驗與 API 文件，但發布頁的權重儲存庫仍標示 Coming soon。因此，目前不能把「已發布」寫成「權重已可下載」，也不能推定授權條款或本機部署門檻。

TboxIO 的判斷

LongCat-2.5 值得優先驗證的情境包括依截圖開發、跨檔案修改程式，以及反覆呼叫工具的研究與辦公流程。它的吸引力在於長任務成績進步，搭配較低的限時 token 單價。

實際導入時，建議用一組有明確驗收條件的任務，同時記錄成功率、人工重作次數、端到端耗時與整項任務費用，再與現用模型比較。對準確率敏感的圖表、財務或程式修改，仍應保留測試與人工審查；1M 上下文和高基準分數本身都不是正確性的保證。