美团今日宣布 LongCat-2.0 完全开源（MIT 许可），公开模型权重与推理代码。该模型为 MoE 架构，总参数量 1.6T，每 token 激活约 48B，支持 1M token 上下文。技术亮点包括 LongCat Sparse Attention 高效处理长文本、Zero-Compute Experts 动态激活 33B–56B 零浪费计算、MOPD 按任务路由 Agent/Reasoning/Interaction 三组专家。Benchmark 成绩：Terminal-Bench 2.1 70.8；SWE-bench Pro 59.5（超越 GPT-5.5 的 58.6）；SWE-bench Multilingual 77.3；FORTE 73.2；RWSearch 78.8；BrowseComp 79.9。原生集成 Claude Code、OpenClaw、Hermes Agent 等工具，支持 GPU 与 NPU 部署，已在大规模国内集群验证。
国内大厂首个在 SWE-bench Pro 上超过 GPT-5.5 的开源模型，MIT 协议无任何限制，搞 agentic coding 的团队可以直接用，是个重要转折。
🐱 LongCat-2.0 现已完全开源—采用 MIT 许可证，无任何限制。
自几天前发布以来，社区的反馈令人难以置信。
感谢大家的所有反馈、讨论和关注。
今天，我们向所有人发布模型权重和推理代码。
◆ 1.6T MoE · 约 48B 活跃参数 · 1M token 上下文窗口
◆ 智能体原生：可直接与 Claude Code、OpenClaw 和 Hermes Agent 集成
◆ 部署：支持 GPU 和 NPU 平台—已在大型国产集群上验证
📑 技术博客：https://longcat.ai/blog/longcat-2.0/
🤗 HuggingFace：https://huggingface.co/meituan-longcat/LongCat-2.0
💻 GitHub：https://github.com/meituan-longcat/LongCat-2.0
🪄 ModelScope：https://modelscope.ai/collections/meituan-longcat/LongCat-20
👇 推理代码
GPU：https://github.com/sgl-project/sglang/pull/30042
NPU：https://github.com/meituan-longcat/SGLang-FluentLLM/tree/npu
[引用 @Meituan_LongCat]：介绍 LongCat-2.0 🐱
1.6T 参数 · MoE 架构，约 48B 活跃参数 · 1M 上下文窗口
Owl Alpha 在 @OpenRouter 上背后的完整模型 — 现已开放。
从头为智能体编程构建：
◆ LongCat Sparse Attention (LSA) — 高效扩展至 1M 上下文 token
◆ Zero-Compute Experts — 每个 token 动态激活 33B–56B 参数，零算力浪费
◆ MOPD — 三个专门的专家组（Agent / Reasoning / Interaction），按任务由门控路由
性能对比：
→ Terminal-Bench 2.1：70.8
→ SWE-bench Pro：59.5（GPT-5.5：58.6）
→ SWE-bench Multilingual：77.3
→ FORTE：73.2 · RWSearch：78.8 · BrowseComp：79.9
📖 技术博客：https://longcat.chat/blog/longcat-2.0/
在不同场景下试用 🧵👇
正式推出 LongCat-2.0 🐱 1.6T 参数 · MoE 架构，约 48B 活跃参数 · 1M 上下文窗口 这是 @OpenRouter 上 Owl Alpha 背后的完整模型——现已开放使用。 从头为智能体编码而构建： ◆ LongCat 稀疏注意力（LSA）——高效扩展至 1M 上下文 token ◆ 零计算专家——每个 token 动态激活 33B–56B 参数，零计算浪费 ◆ MOPD——三个专精专家组（智能体 / 推理 / 交互），按任务通过门控路由 性能对比： → Terminal-Bench 2.1：70.8 → SWE-bench Pro：59.5（GPT-5.5：58.6） → SWE-bench Multilingual：77.3 → FORTE：73.2 · RWSearch：78.8 · BrowseComp：79.9 📖 技术博客：https://longcat.chat/blog/longcat-2.0/ 在不同场景中试用 🧵👇
原文
Introducing LongCat-2.0 🐱 1.6T parameters · MoE with ~48B active · 1M context The full model behind Owl Alpha on @OpenRouter — now available. Built for agentic coding from the ground up: ◆ LongCat Sparse Attention (LSA) — scales efficiently for 1M-context tokens ◆ Zero-Compute Experts — dynamic activation 33B–56B per token, zero wasted compute ◆ MOPD — three specialized expert groups (Agent / Reasoning / Interaction), gate-routed per task How it stacks up: → Terminal-Bench 2.1: 70.8 → SWE-bench Pro: 59.5 (GPT-5.5: 58.6) → SWE-bench Multilingual: 77.3 → FORTE: 73.2 · RWSearch: 78.8 · BrowseComp: 79.9 📖 Tech Blog: https://longcat.chat/blog/longcat-2.0/ Try it across different scenarios 🧵👇
来源：Meituan LongCat · x.com