Meituan LongCat-2.5 發布:以 MIT 授權開放模型權重
Meituan 已按 MIT 授權發布 LongCat-2.5 模型權重,讓其聲稱擁有 1.6 萬億參數的系統可供獨立部署。Meituan LongCat-2.5 的發布,讓工程團隊除了可透過託管服務使用外,亦可取得已訓練完成的模型本身。這為自行營運模型與依賴供應商之間帶來明確選擇。
核心取捨在於控制權與營運責任。可下載的權重,即模型在訓練期間學得的數值,讓機構可管理部署及適配工作;同時亦令這些機構須自行承擔基礎設施、可靠性及評估責任。寬鬆授權擴展了開發者可建立的方案,卻不能保證其部署具實際可行性。
Meituan 在評估中將 LongCat 與 OpenAI 及 Anthropic 模型並列比較,但這些比較需要審慎解讀。公司自行量度的數據與外部報道的分數同時出現。因此,眼前的新聞重點是存取方式的改變,而技術主張現時可由買方更直接地查證。
Meituan LongCat-2.5 發布帶來的改變
這次發布讓開發者可取得模型成品,令其選擇不再局限於使用託管服務。
官方 模型權重 儲存庫標示其授權為 MIT。Meituan 表示,每個 token,即模型輸入或輸出的單位,約會啟用 480 億個參數。這個啟用數量與模型的總規模不同。
這個分別很重要,因為兩項數字回答的是不同問題。總參數描述整個模型的規模,而啟用參數則描述在某個處理步驟中實際使用的部分。單憑任何一項數字,都不足以告訴基礎設施團隊其部署需要多少記憶體、網絡資源或工程工作。
對開發者而言,取得權重會改變與供應商的關係。託管端點透過服務邊界提供模型行為;可下載模型則成為機構可在所選環境中保存、檢視及運作的成品。
這為規劃提供了不同基礎。評估託管服務的團隊,必須考慮供應商變動如何影響其應用程式。營運模型權重的團隊則可自行決定何時採用替代方案,儘管維持這項選擇本身亦需要資源。
這次發布亦須與較早前的產品推出分開看待。Meituan 的發布時間表列出 LongCat-2.5-Preview 於 2026 年 9 月 25 日推出,而 LongCat-2.5 則於 11 月 2 日可用。這些記錄反映的是服務里程碑,而非證明可下載權重確切在哪一天提供。
截至 11 月 16 日,官方儲存庫已直接證明開放權重方案確實存在。報道應區分這項經核實的可用性,與二手報道所附、彼此矛盾的日期。公告日期、儲存庫建立日期及完成上載日期,未必描述同一事件。
對企業買方而言,實際有用的問題是,現時有哪些內容可以納入評估流程。可下載的 checkpoint,即一組已儲存的訓練權重,可以成為已版本化的依賴項。這讓評估可連結到特定成品,而非不斷演變的服務名稱。
這並不代表每次部署都會自動可重現。軟件版本、數值設定及工具行為仍可改變結果。不過,團隊在研究差異時,會多了一個可維持不變的組件。
因此,Meituan LongCat-2.5 的發布值得作為一項存取決策而受關注。其重要性並不取決於宣稱它必然勝過封閉模型。開發者現可評估更廣泛的部署選擇,而當中的責任亦應獲得同等重視。
MIT 授權擴展開發者的選擇
寬鬆授權提升部署靈活性,但工程上的取捨仍取決於應用程式本身。
標準 MIT 授權容許使用、修改、分發、再授權及銷售,前提是保留相關通知。它亦不提供任何保證。這些條款說明為何該授權吸引商業開發者,但並不能證明應用程式的品質。
實際吸引力在於,可自由圍繞已發布的成品設計產品。機構可評估應否自行營運、委託部署,或將其調整至特定工作流程。合適安排取決於授權以外的能力與限制。
以處理機密儲存庫的工程公司為例。其對本地控制的興趣,可能來自合約責任、內部政策或營運偏好。可下載權重提供一條值得評估的途徑,惟不會自動滿足這些要求。
資料處理不僅限於模型程序。日誌、監控系統、連接工具及支援程序,同樣會影響資訊流向。部署決定因此需要涵蓋整個應用程式,而不能止於權重所在的位置。
相同的分別亦適用於自訂。取得存取權會帶來研究適配的空間,但不代表適配一定能改善結果。任何改動均需要自行評估,尤其當針對狹窄任務的改善,在其他範疇引入弱點時。
這向託管模型供應商提出一個具體問題。對考慮自行管理替代方案的買方而言,託管服務除了提供模型行為外,還有甚麼價值?可靠性、整合支援及營運簡便程度,可能與基準測試排名同樣重要。
這是從該次發布得出的分析含意,而非證明客戶已在轉換。現有文件未有證實遷移率或客戶流失情況;它只證明買方可將另一個選項與現有安排比較。
小型團隊與大型營運者對這個選項的取捨會有所不同。欠缺基礎設施專長的團隊,即使享有廣泛授權自由,仍可能偏好託管服務。已具備成熟部署能力的機構,則可能更重視版本控制及內部營運。
因此,最有力的解讀是具體的。LongCat-2.5 的 MIT 授權擴大了開發者可研究的安排範圍。它既不令自行託管成為預設答案,亦不會免除交付可靠產品所需的工作。
當這個選項對買方的實際工作負載變得可信時,競爭壓力便會隨之而來。這種可信度需要有關任務完成、服務行為及維護成本的證據。法律彈性有助展開討論;營運證據則決定討論將走向何方。
視覺編程為發布帶來具體使用情境
Meituan 的技術主張聚焦於完成結合視覺資訊、程式碼及工具互動的工程工作。
在其多模態工程公告中,Meituan 描述原生多模態能力,即模型會一併處理視覺及文字資訊。該公司表示,LongCat-2.5 加強了視覺理解及智能體編程能力,即模型會在多個開發步驟中使用工具。
該公司描述了納入較長任務序列,以及來自真實智能體活動、可重現失敗案例的訓練。它亦談及強化學習,即利用獎勵塑造行為的訓練方法。這些是公司對開發流程的說明,而非對下游可靠性的獨立展示。
一個具體評估情境,是開發者根據截圖及現有程式碼庫工作。任務可能要求找出相關組件、修改其行為,並檢查渲染結果。這是用作說明的工作流程,而非已有記錄的客戶部署。
這個情境說明了視覺理解為何對工程工作重要。書面規格可能遺漏圖像中顯而易見的關係;反過來說,圖像亦不會說明實作必須保留的應用程式邏輯或限制。
有用的智能體必須連結這些輸入,而不把任何一方視為完整資訊。它需要理解視覺目標,同時遵從程式碼庫的要求。看起來像截圖的結果,仍可能破壞導覽、驗證或現有應用程式行為。
這改變了評估者應如何界定成功。產生看似合理的程式碼只是中間成果。完成所要求的變更,需要證據證明修改後的應用程式運作正確,並且開發者能檢查過程中發生的事。
Meituan 的智能體訓練概覽強調複雜程式碼庫及完整專案建置。這種表述將模型置於一個必須維持跨互動進度的類別中。對單一提示作出令人信服的回應,並不足以證明這種更廣泛的能力。
對買方而言,相關比較應在完整可運作的安排之間進行。模型在智能體框架內運作,該軟件負責管理工具、訊息及執行。即使底層任務不變,周邊軟件的差異仍可能影響結果。
因此,與 OpenAI 或 Anthropic 模型比較時,應盡可能保留相同的工作條件。工具存取、任務指示及完成標準,全都屬於評估的一部分。否則,模型比較可能變成不同應用程式之間的比較。
視覺編程這個角度,令這次發布比單看參數數量更具實用焦點。它指出團隊可直接檢視的工作。商業上的問題是,這些工作能否在可管理的人手介入下達致可接受結果。
對工程機構而言,這是值得研究的具體理由。吸引力在於將視覺要求連繫到真實專案中經驗證的修改。關於廣泛智能的主張,不及這種連繫能否在一般開發限制下成立的證據重要。
稀疏啟用並不能描述整體部署需求
啟用參數數量只解釋了架構的一部分,並非完整的營運負擔。
LongCat 採用混合專家架構,在每個步驟中透過選定模型組件處理工作,而非啟用整個系統。這有助解釋其聲稱的總參數與啟用參數數量之間的差異,但不代表兩者可互換使用。
因此,買方不應將啟用數量視為硬件需求的捷徑。提供模型服務涉及儲存及傳輸資訊,也涉及進行運算。必須將架構與實作方式及預期工作負載一併考慮。
當工作跨越多個處理裝置時,這點尤其相關。通訊可能成為營運限制的一部分。使用選定專家的系統,仍需要有效方法,在有需要時調用其運算結果。
美團的文件討論了針對國產 AI 加速器及低精度運算的最佳化。低精度是以較少位元儲存或處理數值。這些工程選擇值得留意,但對其他營運方是否有用,取決於當地可用的硬件及軟件。
可作出的推論應有所限制。美團將系統工程工作列為模型部署故事的一部分。但這並不表示每個機構都會獲得相同效益,亦不表示已發布的改進可原封不動地轉移至另一個環境。
公司的上下文限制文件列出一百萬 token 的上下文視窗,以及最多 256,000 token 的輸出長度。上下文視窗是模型可在一次請求中考慮的資訊。這些是已記錄的服務限制,而非在最大長度下提供實用效能的保證。
對程式碼庫任務而言,較大的視窗可容納更多材料。評估者仍須確認系統是否會選取相關證據,並準確遵循。能夠接收資訊,與已證實能成功運用該資訊,是兩回事。
長篇輸出帶來另一個評估難題。冗長回應可以包含有用細節、不必要的重複內容,或未完成的嘗試。單靠計算生成文字,無法揭示實際情況,尤其當預期交付成果是可運作的變更時。
這令重點落在完整的任務行為上。營運方需要了解應用程式如何處理中斷、失敗的工具呼叫及未完成工作。不論模型架構看來多有利,這些情況均會影響其實際效用。
在託管及自行管理營運之間的取捨,在此變得具體。託管存取將大部分服務工作交由供應商處理。自行管理部署提供較大自主權,同時要求機構理解並維護這些工作。
沒有任何一種安排單憑架構便必然勝出。團隊在把稀疏啟用轉化為營運決策前,需要從自身工作負載取得證據。模型設計有助說明機會所在;部署量測則決定該機會是否合適。
LongCat-2.5 基準測試需要審慎歸因
已發布的比較結果支持進行評估,而非籠統宣稱 LongCat 領先每一款競爭模型。
美團的評估表格明確區分內部量測的分數,與引述自公開報告、帖文或排行榜的數字。公司稱其內部量測結果具指標性。每當使用這些結果描述模型時,應保留這項限定。
LongCat-2.5 的基準測試亦呈現混合的競爭圖景。美團報告在 Terminal Bench v2.1 取得 88.4 分,對比引述的 GPT-5.6-Sol 88.8 分。在 DeepSWE v1.1 中,其報告的 64.6 分,對比該模型引述的 72.7 分。
這些數字不足以支持普遍排名。它們描述的是在既定條件下的特定評估。量測結果與引述結果之間的區別,亦表示讀者應審視底層配置是否支持他們希望作出的比較。
評估分數是眾多決策的壓縮描述。任務選擇、工具、允許執行的範圍及評分規則,都會影響它量度的是甚麼。當這些條件與買方擬委派的工作相似時,結果會更具參考價值。
這對代理系統尤其相關。一個系統可能透過反覆嘗試、大量使用工具或生成大量內容來完成任務。另一種安排可能在不同額度下產生不同分數。標題結果並不能解釋所有這些差異。
恰當的做法是檢視周邊證據。買方應詢問代理獲得了甚麼、可存取甚麼,以及如何判定完成。這些問題有助區分可轉移的結果,與高度綁定於特定設置的結果。
視覺評估亦有其複雜性。生成的頁面可能看似令人信服,卻包含錯誤行為。功能正常的實作亦可能遺漏重要視覺細節。當兩者皆屬任務的一部分時,評估準則需要反映這兩方面。
同一原則亦適用於專案工作。通過可見的檢查,並不表示某項變更符合每一項相關要求。有用的評估會檢視提交的成果物及支持其完成的證據,而非只依賴代理的描述。
可取得權重令獨立評估者有更多空間研究這些問題,但不會令其最終結果變得可預測。重現測試可能支持美團的說法、揭示較狹窄的優勢,或暴露對周邊應用程式的敏感性。
獨立審視與假定批評之間亦有分別。此處審閱的文件並未確立任何具名評論者對該發布的裁決。懷疑論點應建基於可識別的證據限制,而非虛構反應或未歸屬的疑慮。
對工程團隊而言,有用的立場既非接納,亦非否定。應將 LongCat-2.5 的基準測試視為測試線索。選取與預期工作負載相符的比較,再檢視所報告的優勢是否在可比較的條件下仍然可見。
這種做法既保留發布的價值,亦不會誇大其主張。美團已提供成果物及支持性的技術材料。獨立任務證據將決定其所報告的能力可在多大範圍內轉化為實際用途。
買方應在 2027 年初前留意甚麼
獨立重現、部署支援及持續的任務表現,將顯示這項發布在哪些方面變得有用。
第一個訊號是與明確識別的模型版本掛鈎的獨立評估。有用的報告應描述應用程式、工具、任務條件及完成準則。這些細節讓讀者了解測試了甚麼,並與自身需要比較。
在不同任務上反覆成功,會加強其適合更廣泛採用的論據。結果若集中於狹窄設置,則顯示適用範圍較有限。無論哪種結果,都比另一項缺乏支持的整體優越性主張更有用。
獨立報告亦應保留失敗嘗試。失敗可以揭示模型是否誤解要求、選擇了不合適的工具,或失去進度。這些證據有助買方區分可透過整合處理的問題,與仍未解決的限制。
第二個訊號是其他機構可重現的部署支援。當營運方能了解支援的環境及其維護要求時,可下載模型會更易於評估。文件最重要的時候,是它能在原始團隊以外的實際使用中站得住腳。
此處的證據應將效能與所描述的工作負載聯繫起來。沒有任務或部署資訊的服務結果,難以為規劃提供依據。買方需要足夠背景,以判斷所報告的行為是否適用於其預期用途。
更廣泛的支援會加強以下論點:機構能夠行使許可證所允許的控制權。若持續依賴困難而專門的部署安排,可能受眾便會縮窄。這不會抹去該發布的價值,但會界定其實際覆蓋範圍。
第三個訊號是在完整工程任務上的持續表現。最具參考價值的例子,將追蹤工作由初始要求至經檢查的交付成果。它們應展示代理完成了甚麼、人員在哪裏介入,以及甚麼仍未解決。
這些證據會直接測試美團對延展專案工作的強調。成功示範應能承受根據原始要求進行的檢查。僅有吸引的截圖或充滿信心的摘要,仍不足以檢視核心主張。
團隊可透過在可搜尋知識庫中保留要求及決策,令這項評估更有用。穩定的記錄有助審閱者了解輸出是否符合任務。當模型或周邊應用程式有所改變時,亦令日後比較更容易。
對潛在採用者而言,將存取權與採用決定分開,仍屬合理。權重值得研究,並不等於機構已有可投入生產環境使用的證據。評估可確立哪些任務值得進一步工作,哪些仍較適合沿用現有安排。
美團 LongCat-2.5 的發布為這項研究提供了有形起點。其 MIT 許可證創造了建置空間,而技術文件亦指出值得檢視的主張。接下來的重要問題,是獨立團隊能否將這個空間轉化為可靠結果。
在決定這項發布對你的機構意味著甚麼之前,先選取一個具代表性的專案。保留其要求、記錄可用工具,並根據原始請求檢查最終成果物。將完整運作安排與目前做法比較,包括各自所需的人為介入。把失敗嘗試與成功嘗試一併保留,讓審閱者看見其限制。然後問問自己:取得權重是否解決了團隊實際面對的問題?這個問題將授權消息連結至營運決策。在承諾更廣泛推出前,利用未來數月收集有關可重現性、部署工作量及已完成工作的證據。



