LongCat-2.0 MoE：1.6T參數國產芯血統，如何改寫AI編程生態？

LongCat-2.0 MoE是這篇文章討論的核心

美團 LongCat-2.0 橫空出世：1.6T 萬億參數國產芯血統，如何改寫 AI 編程生態版圖？

LongCat-2.0 的橫空出世，標誌著國產算力正式跨入萬億參數大模型訓推全流程時代。（圖片來源：Pexels / Markus Spiske）

⚡ 快速精華

💡 核心結論：美團 LongCat-2.0 以 1.6 萬億參數 MoE 架構，全程依託 5 萬餘張國產算力卡完成預訓練與推理，是業界首個「訓推全國產」萬億級大模型。此前以匿名身份「Owl Alpha」在 OpenRouter 橫掃榜首兩個月，揭露後引爆開發者社群。MIT 開源協議下已登陸 GitHub 與 Hugging Face。

📊 關鍵數據：總參數 1.6T（MoE）、平均激活 48B（動態範圍 33B~56B）、預訓練消耗 35 萬億 tokens、原生 1M 超長上下文。OpenRouter 總調用量全球前三，Hermes 月調用量全球第一，Claude Code 月調用量全球第二。預計 2027 年全球 AI 編程助手市場規模將突破 1,200 億美元，國產算力支撐的開源模型將佔據其中至少 35% 份額。

🛠️ 行動指南：開發者可透過 OpenRouter API 或美團開放平台直接接入 LongCat-2.0，以 ChatGPT 風格對話構建自動化編程工作流。團隊可下載開源權重，在自有國產算力集群上進行私有化部署，零依賴海外 GPU。

⚠️ 風險預警：國產芯片生態仍處於追趕期，MoE 架構在極端長上下文場景下的推理成本尚未被第三方獨立驗證。開源模型的商業化落地節奏與合規框架仍需觀察。

引言：一場被匿名模型偷跑兩個月的產業地震

2026 年 6 月 30 日，一個看似普通的工作日，美團對外正式揭幕了 LongCat-2.0——一款 1.6 萬億參數的 MoE（混合專家）大語言模型。但有意思的是，這不是什麼「發布即上市」的新面孔。早在兩個月前，一個名叫 Owl Alpha 的匿名模型就悄無聲息地爬上了 OpenRouter——全球最大的 LLM API 聚合平台——的開發者調用量榜首，霸榜整整兩個月。全球開發者一邊瘋狂調用，一邊在論壇裡猜測它的來歷。直到美團攤牌，大家才恍然大悟：原來這個「暗影刺客」的背後，是一個外賣起家的中國互聯網公司，用 5 萬張國產算力卡硬懟出來的萬億級巨獸。

說實話，這事兒比單純的「又一個大模型發布」熱鬧太多了。LongCat-2.0 不只是參數量嚇人——它從預訓練到推理部署，全流程零依賴英偉達 GPU。在美國對華芯片出口管制持續收緊的背景下，這等同於一記產業級的「存在證明」：國產算力已經跨過了從「勉強能替代」到「扛得住頂級任務」的關鍵門檻。

LongCat-2.0 到底是什麼？萬億參數 MoE 如何運作？

先拆架構。LongCat-2.0 採用的是 MoE（Mixture-of-Experts）混合專家架構，總參數量 1.6 萬億（1.6T），但每個 token 只激活約 480 億（48B）參數，動態範圍在 33B 到 56B 之間浮動。這意味著它不是把 1.6T 的計算量全部砸在每一次推理上——而是像一個超大型人才庫，根據輸入任務的不同，動態調度最合適的「專家子網絡」來處理。這種設計直接把推理成本壓到了稠密模型的一小部分，同時保留了萬億級參數帶來的知識容量優勢。

更具體地說，LongCat-2.0 引入了美團自研的 MOPD 架構，將專家能力分為三大組：Agent（智能體執行）、Reasoning（深度推理）、Interaction（交互協調）。這不是隨便分組——它對應的是真實編程場景中的三個核心環節：理解意圖、拆解步驟、執行操作。模型在處理一個「幫我寫一個 RESTful API 並部署」這類複合任務時，會自動在這三組專家之間流轉，而非像傳統 LLM 那樣用一套通用權重硬扛所有子任務。

訓練數據方面，預訓練消耗了超過 35 萬億 tokens，覆蓋多語種代碼與自然語言。值得一提的是，整個預訓練過程耗時約一個月，期間零回滾、零不可恢復 loss 突刺——這在萬億參數規模的訓練中極為罕見，說明美團的訓練基礎設施和超參調度已經達到了相當成熟的工程化水準。

🧠 Pro Tip｜專家見解：MoE 架構的核心競爭力不在「總參數有多大」，而在「路由策略有多聰明」。LongCat-2.0 的 MOPD 三組專家設計本質上是一種任務感知型路由——它不是隨機激活專家，而是根據任務類型（Agent / Reasoning / Interaction）進行語義級別的專家分派。對於開發者而言，這意味著在構建 Agentic 工作流時，模型本身就自帶「角色切換」能力，你不需要在 prompt 裡額外設計 system prompt 來強制切換模式——這在多步驟編程自動化中是巨大的效率提升。

5 萬張國產芯片撐起萬億訓練：國產算力真的「能打」了嗎？

這可能是 LongCat-2.0 最硬核的部分。美團明確表示，LongCat-2.0 的預訓練和推理部署全流程均在國產算力集群上完成，峰值規模超過 5 萬張國產算力卡。這是迄今為止國產算力上完成的最大規模訓練任務之一。

為什麼這件事重要？我們得把視角拉遠一點看。自 2022 年美國啟動對華高端 GPU 出口管制以來，中國 AI 實驗室普遍面臨「算力天花板」的壓力。DeepSeek V4 雖然也展示了國產算力的潛力，但 LongCat-2.0 走得更遠——從訓練到推理，全流程完全國產化，沒有任何環節依賴英偉達硬件。這意味著中國實驗室已經找到了繞過西方供應鏈限制的可量產路徑。

訓練穩定性是另一個值得關注的指標。萬億參數 MoE 模型的訓練崩潰風險遠高於稠密模型——專家路由不穩定、梯度爆炸、loss 突刺都是常見的「翻車」原因。而 LongCat-2.0 在一個月的預訓練中，全程零回滾、零不可恢復 loss 突刺，這在工程層面說明國產芯片集群的通信帶寬、顯存管理和容錯機制已經達到了支撐萬億規模訓練的實用門檻。

🧠 Pro Tip｜專家見解：「零回滾」聽起來像個工程術語，但它的含金量比你想像的高得多。萬億參數 MoE 訓練中，一次 loss 突刺可能意味著數天的訓練成果作廢——在 5 萬卡規模下，這等同於浪費數百萬人民幣的算力成本。LongCat-2.0 能做到零回滾，說明美團在超參搜索、梯度裁剪策略、專家負載均衡三個維度上的工程積累已經非常深。對於想要在國產算力上複現大規模訓練的團隊，這個「零回滾」記錄本身就是一份最有說服力的可行性證明。

從產業鏈角度推演，2026 年下半年至 2027 年，我們預期將看到三個連鎖效應：

國產芯片訂單放量：LongCat-2.0 的成功將為華為昇騰、寒武紀等國產 AI 芯片提供最強的「萬億級背書」，預計 2027 年國產 AI 加速卡出貨量將同比增長 60% 以上。
開源模型私有化部署需求爆發：企業不再需要採購昂貴的 A100/H100 集群即可在國產算力上運行萬億級模型，大幅降低 AI 基礎設施 TCO。
西方定價權鬆動：一個 MIT 開源、國產算力訓練的萬億模型在 OpenRouter 上殺到全球前三，將對 Claude、GPT 等閉源模型的 API 定價形成實質性壓力。

Agentic Coding 是什麼？為何開發者瘋搶 LongCat-2.0？

「Agentic Coding」這個概念近一年來在開發者社群裡炸開了鍋。簡單來說，它不是讓 AI「幫你補幾行代碼」那種 Copilot 式的輔助，而是讓 AI 作為一個自主智能體，理解你的高層意圖，自主拆解任務、調用工具、編寫代碼、運行測試、修復 bug，甚至部署應用——整個流程接近「你說一句話，它把活幹完」。

LongCat-2.0 從架構設計之初就圍繞 Agentic Coding 場景打造。它的 MOPD 三組專家——Agent、Reasoning、Interaction——本質上是在模型內部預裝了「執行-思考-溝通」三個角色，讓它天然適合多步驟、多工具的複雜編程任務。再加上原生 1M 超長上下文窗口，它能一次性吞下整個大型代碼庫的上下文，而不需要你手動切片或做 RAG 檢索——這在處理企業級 legacy 代碼重構時是殺手級能力。

數據不會說謊。在 OpenRouter——這個平台上匯聚了 Claude、GPT、DeepSeek、Qwen 等全球頂級模型——LongCat-2.0 以匿名身份 Owl Alpha 霸榜兩個月。揭幕後的官方數據顯示：總調用量全球前三，Hermes 月調用量全球第一，Claude Code 月調用量全球第二。注意，Claude Code 是 Anthropic 的招牌編程工具，而 LongCat-2.0 作為一個剛「轉正」的國產模型，月調用量能跟它掰手腕——這本身就是一個歷史性信號。

🧠 Pro Tip｜專家見解：OpenRouter 的排行邏輯不是跑 benchmark 分數，而是按真實 token 調用量排序——也就是說，開發者用真金白銀的 API 費用投票。LongCat-2.0 能在這個維度上殺到前三，說明它不是「跑分好看但實際難用」的模型，而是在生產環境中被真實採用、反覆調用的模型。對於技術決策者而言，這比任何學術 benchmark 都更有參考價值。如果你在 2026 年還只用 MMLU 分數選模型，那你大概率在浪費預算。

從使用方式來看，LongCat-2.0 支持多語言（不局限於中文編程），可透過 API 直接調用，並鼓勵開發者以 ChatGPT 風格的對話方式構建智能編程助手與自動化工作流。美團同時開放了相應的源碼與工具鏈，降低開發者從「調用 API」到「自主部署」的門檻。

MIT 開源 + OpenRouter 霸榜：美團在打什麼算盤？

一個外賣平台公司，為什麼要花大力氣訓練萬億參數大模型，還直接 MIT 開源？這個問題值得好好琢磨。

首先，美團的業務場景天然需要強大的 AI 編程能力——從外賣調度算法到無人配送系統，從商家後台到用戶端推薦引擎，美團內部有龐大的工程團隊需要 AI 賦能。LongCat-2.0 首先是為自己的業務打磨出來的工具，這保證了它的實用性不是空中樓閣。

其次，MIT 開源是一步極為精明的棋。在閉源模型 API 定價持續高企的背景下，一個 MIT 協議、可私有化部署、國產算力友好的萬億模型，對於受限於預算和合規要求的中國企業、東南亞開發者、以及全球開源社群來說，幾乎是「沒有理由不用」的選項。美團不需要靠賣模型賺錢——它要的是生態黏性。當開發者習慣了用 LongCat-2.0 構建工作流，美團的雲服務、數據標註、行業解決方案就有了天然的入口。

再往深了想，這也標誌著中文 LLM 領域的一個關鍵轉折：從「追趕者」變成「規則參與者」。LongCat-2.0 不只是在中國市場有競爭力——它在全球開發者用腳投票的 OpenRouter 排行榜上站穩了腳跟。這意味著中文 AI 實驗室不再只是做「中文特化」模型，而是直接在全球 Agentic Coding 賽道上跟 Anthropic、OpenAI 正面交鋒。

🧠 Pro Tip｜專家見解：MIT 協議是所有開源許可證中最寬鬆的之一——允許商用、修改、分發，幾乎沒有限制。美團選擇 MIT 而非 Apache 2.0 或 GPL，傳遞了一個明確信號：「我們不設圍欄，你儘管用。」這跟 Meta 的 Llama 系列（限制商用規模）形成鮮明對比。對於想要在自有基礎設施上部署萬億模型又不想踩授權雷的企業 IT 團隊，MIT 是最省心的選擇。預計 2027 年，基於 LongCat-2.0 的二次開發項目將在 GitHub 上形成可觀的開源生態。

從更宏觀的視角看，LongCat-2.0 的發布也呼應了中國國常會近期「加快超大規模智算集群建設」的政策信號。政策推力 + 企業實力 + 開源生態，三者疊加，2026-2027 年中國 AI 產業鏈有望形成「芯片→模型→應用→開源生態」的完整閉環，而 LongCat-2.0 正是這個閉環上最關鍵的一塊驗證拼圖。

常見問題 FAQ

LongCat-2.0 可以在非國產芯片上運行嗎？

可以。雖然 LongCat-2.0 的訓練和推理全流程均在國產算力上完成，但作為 MIT 開源模型，其權重可在任何兼容的硬件平台上部署，包括英偉達 GPU 集群。開發者可從 GitHub 或 Hugging Face 下載模型權重，在自有基礎設施上運行。國產算力的驗證更多是證明「可行性」，而非限制使用場景。

LongCat-2.0 與 DeepSeek V4 有什麼區別？

兩者均為萬億級 MoE 模型，但關鍵差異在於算力依賴。DeepSeek V4 在訓練中也使用了國產算力，但推理環節仍有部分依賴海外硬件。LongCat-2.0 則是從訓練到推理全流程完全國產化，是業界首個實現這一點的萬億參數模型。此外，LongCat-2.0 採用 MOPD 架構，將專家分為 Agent、Reasoning、Interaction 三組，更聚焦於 Agentic Coding 場景。

普通開發者如何開始使用 LongCat-2.0？

最簡單的方式是透過 OpenRouter API 平台調用——一個 API key 即可訪問。如果需要私有化部署，可從 GitHub 下載開源權重和工具鏈，在自有服務器上運行。美團同時提供了 ChatGPT 風格的對話接口，支持構建智能編程助手與自動化工作流。對於團隊級使用，建議先在 OpenRouter 上進行能力驗證，再評估私有化部署的算力需求。