标题：美团开源 LongCat-2.0：1.6T 参数 MoE 模型，MIT 许可突破 Agentic Coding 壁垒

摘要：美团正式开源 LongCat-2.0 模型，采用总参数量 1.6T 的 MoE 架构，每 token 激活约 48B，支持 1M token 上下文。该模型在 SWE-bench Pro 上以 59.5 分超越 GPT-5.5，并采用 MIT 许可无任何限制。技术亮点包括 LongCat Sparse Attention、Zero-Compute Experts 和 MOPD 动态路由，为 Agentic Coding 团队提供即用型开源方案。

美团今日宣布完全开源 LongCat-2.0 大语言模型，采用 MIT 许可协议，公开模型权重与推理代码。这是国内大厂首次在 SWE-bench Pro 基准上超越 GPT-5.5 的开源模型，标志着开源社区在 Agentic Coding 领域实现了关键转折。

LongCat-2.0 采用 MoE（混合专家）架构，总参数量达 1.6T，但其推理时每 token 仅激活约 48B 参数，在保持强大能力的同时大幅降低计算成本。该模型原生支持长达 1M token 的上下文窗口，可直接处理完整代码仓库级输入，无需分块切片。

技术架构上有三项核心创新值得关注：其一是 LongCat Sparse Attention，通过稀疏注意力机制解决长文本处理中的效率瓶颈，使模型在百万 token 上下文中仍保持高效计算；其二是 Zero-Compute Experts，一种动态激活机制，可灵活调度 33B 至 56B 的专家参数，实现零浪费计算——每个 token 仅激活任务所需的专家群组，避免未被激活的专家产生无效计算；其三是 MOPD (Mixture of Programming Domains) 动态路由策略，根据输入任务类型自动路由至 Agent、Reasoning、Interaction 三组专家中的恰当组合，实现任务专精。

在关键基准测试中，LongCat-2.0 展现出全面竞争力：Terminal-Bench 2.1 得分 70.8；SWE-bench Pro 达到 59.5，超越 GPT-5.5 的 58.6；SWE-bench Multilingual 得分 77.3；FORTE 73.2；RWSearch 78.8；BrowseComp 79.9。这些成绩证明了其在软件开发、多语言编程、代码补全和信息检索等 Agentic 任务上的表现已经达到甚至超越当前最强商用模型。

值得强调的是，此次开源采用了 MIT 许可，没有任何使用、修改、再发布的限制。这意味着开发团队可以自由地将 LongCat-2.0 集成到商业产品中，无需任何授权或付费。模型原生集成了 Claude Code、OpenClaw、Hermes Agent 等主流 Agentic 工具，并已通过大规模国内集群验证，支持 GPU 与 NPU 部署。

对于从事 Agentic Coding 的团队而言，LongCat-2.0 的开放是一个标志性事件。在以往，要在 SWE-bench Pro 这类高难度代码生成基准上达到商用水平，几乎只能依赖闭源模型或高成本 API。美团此次开源打破了这一壁垒，提供了一条可直接落地的技术路径：MIT 许可消除了法律风险，1M 上下文消解了长文档处理难题，而 48B 激活参数意味着在消费级 GPU 集群上即可部署。建议相关团队立即评估其在自身代码库中的表现，特别是需要长上下文 Agent 工作流的场景，这个模型可能是当前性价比最高的开源选择。