·
美团发布 1.6 万亿参数 AI Agent 模型 LongCat-2.5,完全基于国产硬件训练
清晨,美团技术团队的一间会议室里,几块屏幕同时亮起。屏幕上没有熟悉的海外芯片标识,取而代之的是一串持续跳动的训练日志。经历了数轮数据迭代与参数调整,一个名为 LongCat-2.5 的模型终于完成训练:总参数达到 1.6…
清晨,美团技术团队的一间会议室里,几块屏幕同时亮起。屏幕上没有熟悉的海外芯片标识,取而代之的是一串持续跳动的训练日志。经历了数轮数据迭代与参数调整,一个名为 LongCat-2.5 的模型终于完成训练:总参数达到 1.6 万亿,并被定位为面向复杂任务的 AI Agent 模型。

这不是一次简单的模型升级。对美团而言,外卖、到店、即时零售、酒店旅行等业务每天都在处理数亿次需求变化。用户的一句话背后,可能涉及商家调度、骑手路径、库存管理、优惠计算与售后判断。过去,这类工作需要多个模型和系统协同完成,而 LongCat-2.5 的目标,是让模型不只回答问题,还能理解目标、拆解任务并调用工具执行。
更值得关注的是它的训练方式。LongCat-2.5 完全基于国产硬件训练。在大模型竞速愈演愈烈、算力供应受到关注的背景下,这一选择不仅关系到训练成本,也关系到技术供应链的自主性与稳定性。从数据准备、集群通信到模型并行和故障处理,每一环节都需要重新适配,也意味着美团必须把底层工程能力真正掌握在自己手中。
参数规模并不等同于实际能力,但 1.6 万亿为模型容纳更丰富知识和复杂模式提供了空间。尤其当模型需要跨系统完成长链路任务时,稳定性和指令遵循能力往往比一次性的问答表现更重要。AI Agent 要走出聊天窗口,进入真实业务场景,必须能够记住上下文、处理异常,并根据反馈调整行动。
对于消费者而言,这些变化最终可能藏在更短的操作路径里:一句模糊的出行需求,经过理解后变成完整方案;一次跨平台购物,不再需要反复搜索、比较和下单;商家则可能获得更主动的经营助手,提前发现需求变化并给出调整建议。技术进步未必总能被直接看见,但效率提升往往由此开始。
当训练日志停止滚动,会议室里没有人立刻欢呼。模型越大,工程复杂度就越高,部署成本、数据安全与推理效率也越难兼顾。LongCat-2.5 的发布只是起点。真正的考验,是它能否走出实验室,在高频、复杂而琐碎的真实需求中稳定运行。
不过至少此刻,一个拥有 1.6 万亿参数的 AI Agent 已经站在了国产算力与现实服务之间。屏幕上的数字仍在刷新,而这场关于模型、硬件与场景的长跑,才刚刚拉开序幕。
轉發此貼文?
與您的關注者分享。
回覆