当国产大模型还在“千亿俱乐部”内卷时，美团将战火烧到了万亿参数级，而且是在完全国产化算力集群上完成。6月30日，美团正式发布LongCat-2.0，这一总参数达1.6万亿、每次推理平均激活约480亿参数的模型，不仅开源全部权重，更以原生1M超长上下文和动态专家架构，精准切入Agentic Coding这一高价值场景。它并非实验室里的技术白皮书——OpenRouter上全球月调用量已冲至前三，证明它是被开发者“用脚投票”的生产力工具。

技术架构是LongCat-2.0最硬核的底色。它抛弃了传统的稠密Transformer，转而采用LSA稀疏注意力机制处理超长序列，配合零计算专家（Zero-Compute Expert）策略，在保持1M上下文无损的同时，将推理预算控制在合理范围。而ScMoE（稀疏条件混合专家）与MOPD（多专家融合）的协同设计，让模型内部运行着三组专职专家团——Agent、Reasoning、Interaction——分别对应工具调用、逻辑推理和人机交互。这种“按需激活+专家协同”的思路，与DeepSeek-V2、Mixtral等模型相比，更强调面向Agent场景的微调弹性，而非盲目堆叠专家数量。

评测数据印证了这种设计的方向性正确。在针对编程Agent的SWE-bench Pro上，LongCat-2.0拿下59.5分，而SWE-bench Multilingual（多语言版本）更是达到77.3分——这已接近甚至超越部分闭源模型在同类任务上的表现。要知道，SWE-bench考察的是模型自主定位bug、修改代码、通过单元测试的端到端能力，而非简单的代码补全。对于追求“修复一个真实GitHub Issue”的工程团队来说，59.5分意味着模型已经具备相当的实用价值。更值得关注的是，美团将其以预览版形式通过OpenRouter和longcat.ai开放后，月调用量迅速跻身全球前三——这既是社区对效果的验证，也从侧面表明开源生态对模型供应方“能用、可跑、不虚标”的迫切需求。

从行业角度看，LongCat-2.0的发布有三重信号。第一，国产算力（五万卡集群）已能支撑万亿参数模型的全流程训练与推理，此前依赖海外生态的瓶颈正在被打破。第二，1M原生上下文与稀疏注意力结合，使得长代码仓库、多文件联动的Agent场景不再是空中楼阁，这直接服务于DevOps自动化、智能IDE等领域的商业化落地。第三，开源+高调用量模式让“模型即产品”成为现实——开发者不再被动等待厂商更新API，而是可以本地部署、微调、甚至剪枝，真正掌握模型生命周期。对于瞄准AI编程赛道的创业团队和企业来说，LongCat-2.0现在就是一个可以立刻投入实验的基座，远比等待“下一个GPT-5”来得务实。趋势上，随着更多类似模型在国产算力上生长，Agentic Coding将从少数巨头的Demo游戏，演变为开源社区的集体工程实践——这也正是LongCat-2.0可能被记住的原因：它不是最快的，但它是第一个在万亿参数级别真正“跑通”的国产开源选择。