LongCat-2.0：美团把万亿参数 MoE 塞进 5 万张国产卡，是给 Agent 时代备的粮

2026 年 6 月 30 日，美团龙猫团队把 LongCat-2.0 整个开源了：1.6T 总参数的 MoE 模型，原生 1M 上下文，训练和推理全跑在自研 5 万卡 AI ASIC superpod 上。API 文档直接列出了 Anthropic 和 OpenAI 两种接口格式，下面挂着的接入工具是 Claude Code、Kilo Code、OpenCode、OpenClaw、Codex。

这模型不打算跟你聊天，它的目标是把 Agent harness 喂饱。

LongCat-2.0 的工程链路被摆到明面上：模型本身负责代码理解和长程任务执行，背后还有训练、推理、API 兼容和工具接入这一整套打底。从聊天扩展到代码 Agent、把重心压在复杂开发任务上，这是它和以往「刷榜模型」最不一样的地方。

架构三条主线，全为长程任务设计

LongCat-2.0 的架构讲三件事：长上下文、动态计算、多专家融合。

第一是 LSA（LongCat Sparse Attention）。它在 DeepSeek Sparse Attention 的基础上，又加了 Streaming-aware、Cross-Layer、Hierarchical 三级 Indexing，专门用来压 indexer 开销。这套设计的目标不是炫技，而是让 1M 上下文在 Agent 任务里真的能用——把整个代码仓库、迁移文档、历史对话一次塞进同一轮任务，模型不至于为了「找一段函数」把整篇文档重新算一遍。

第二是 N-gram Embedding。这个模块从 LongCat-Flash-Lite 继承而来，LongCat-2.0 额外再放进去 135B 的 N-gram 参数。背景是模型本身的 MoE 稀疏率已经接近 97%，继续堆专家的边际收益已经变薄。LongCat 团队把一部分参数预算挪到 N-gram Embedding，让稀疏从「专家维度」扩到「Embedding 维度」，通过 N-gram 组合捕捉更细的局部上下文。和单纯加 MoE 专家相比，这是另一条扩容的路。

第三是 MOPD 多专家融合。后训练阶段把模型拆成 Agent Experts、Reasoning Experts、Interaction Experts 三类专家组：Agent 负责工具调用、API 参数解析、自我纠错；Reasoning 处理数学、STEM、多跳推理；Interaction 管指令跟随、对齐体验、幻觉抑制。然后再通过 MOPD 把这几路能力融到同一模型里。这一招等于把「单一模型学所有事」改成「分头训练、各管一段、出厂再融合」，对应的现实问题就是——真实的代码 Agent 任务很少只考一道题，它要同时能读代码、能推理、能听话、能纠错。

架构这条线讲到底，是给 Agentic Coding 留接口，不是给单轮问答刷分。

来源说明：本文架构与工程细节来自 2026-06-30 美团龙猫团队的发布稿与 LongCat API 文档（参考链接：LongCat-2.0 发布中文报道），评测数字来自团队图表口径，对比对象为同期开源模型公开成绩。

5 万卡国产 ASIC 不是炫技，是真的跑通了

LongCat 团队在国产算力上磨了三年。从千卡起步，逐个解决算子适配、通信优化、分布式稳定性问题，最后把 LongCat-2.0 的训练和推理整体压到五万卡 AI ASIC superpod 上。

相比 NVIDIA 成熟生态，国产 ASIC 平台的软件栈、调试工具和社区经验都薄一截，模型团队必须自己补训练稳定性、数值正确性、并行策略和故障恢复。LongCat-2.0 给出的工程答卷可以分四块看：

• 训练可复现：通信和计算路径都加强确定性，Embedding、FA、LSA、MoE 等模块用自研确定性算子；