美团悄悄扔了颗深水炸弹。不是外卖红包，是 LongCat-2.0——一个 1.6 万亿参数的庞然大物，却只有 480 亿在真正干活。它被设计来只做一件事：写代码，更准确地说，是帮 AI 代理写代码。这背后是 MoE 架构 的精妙算计，一场关于效率与性能的极限拉扯。
参数游戏：1.6T 背后的虚与实
1.6 万亿的数字魔术
听到 1.6 万亿参数，你可能会倒吸一口冷气。但别慌，LongCat-2.0 聪明得很。它采用 MoE 架构，也就是混合专家模型。想象一个拥有无数专家的智库，但每次开会只叫几个最相关的专家到场。实际运行时，激活的参数量约为 480 亿。这招很老道，用庞大的总参数量撑起知识容量，又用稀疏激活控制计算成本。模型不是越大越好，是越精越好。
百万上下文：它记得住每一行代码
原生支持 100 万 token 的上下文窗口。什么概念？大约能装下整个中型代码库，或者几十篇完整的技术文档。对于需要理解庞大项目、跨文件追踪 bug 的编码代理来说，这是刚需。它不用像人类一样频繁“上下翻找”，整个项目的脉络尽收眼底。这能力直接决定了代理工作的上限。
为 Agent 而生：三个技术支点
LSA 稀疏注意力：百万窗口的通行证
长上下文是福利也是噩梦，计算量会随长度平方增长。LongCat-2.0 用 LSA（Long-context Sparse Attention）破局。它不是傻傻地计算所有 token 之间的关系，而是智能地让每个 token 只关注最相关的一小部分。就像你读一本厚书，不会字字斟酌，而是抓住关键段落理解脉络。这使得处理百万级上下文变得可行且高效。
Zero-Compute Experts：不浪费一丁点算力
这是 MoE 架构 的又一次进化。传统 MoE 的专家一旦被激活，就算它输出是零，计算成本也已产生。Zero-Compute Experts 技术更进一步：如果某个专家判断自己的输出对当前任务无用，它会直接跳过计算，返回零。模型动态地在 330 亿到 560 亿参数之间调整活跃量，确保每一分算力都花在刀刃上。这不仅是省钱，更是速度的飞跃。
MOPD：专家也有专业分工
最有趣的设计在于专家分组。MOPD（Multi-Objective Partitioned Experts）将专家们分成了三个团队：Agent 组、Reasoning 组和 Interaction 组。当模型接到一个复杂编码任务时，门控网络会像项目经理一样，决定派哪个组去主导。写代码可能更多用 Agent 组，做逻辑推演用 Reasoning 组，理解用户指令用 Interaction 组。这种基于任务的动态路由，让模型反应更准、更像人。
实测成绩单：叫板闭源巨头
SWE-bench Pro 上的 59.5 分意味着什么
在公认的硬核测试 SWE-bench Pro 上，LongCat-2.0 拿到了 59.5 分。这个测试专门考察模型修复真实世界 GitHub issue 的能力。59.5 分是什么水平？它已经非常接近主流闭源模型的顶尖成绩。对于一个开源或开放服务的模型来说，这几乎是能拿到的最高通行证。它证明了一件事：在专业领域，开源模型完全有能力与闭源巨头掰手腕。
开源与闭源的微妙差距
接近，但仍有差距。这差距可能体现在一些极端复杂的边缘案例，或者需要超长链式推理的任务上。但重要的是，差距已经缩小到“可用”甚至“好用”的程度。对于大多数编程助手和代码代理场景，LongCat-2.0 的性能已经溢出。开发者不再需要为了那一点点性能提升，去支付闭源模型高昂的成本和接受其黑箱操作。
商业落地：价格与即刻可用
透明定价：给开发者的诚意
价格很直接：输入缓存每百万 token 0.015 美元，输入每百万 token 0.75 美元，输出每百万 token 2.95 美元。这个定价策略透着实用主义。缓存极便宜，鼓励重复利用上下文；输入价格适中，输出最贵，符合生成式模型成本结构。对于企业或团队评估项目成本，这种透明度至关重要。没有隐藏费用，算起来清楚。
硅基流动 Day 0：说干就干
模型发布同日，硅基流动（SiliconFlow）就提供了线上服务。Day 0 支持，意味着开发者看到新闻的那一刻，就可以立刻注册、调用 API、开始测试。没有漫长的等待期。这种敏捷的商业落地能力，是模型能否快速获得反馈、迭代优化的关键。它传递了一个信号：这不是实验室产品，是即刻能投入生产的工具。
行业涟漪：Agentic Coding 的拐点
为什么需要专用的编码代理模型
通用大模型是瑞士军刀，样样能干，但样样不精。而 Agentic Coding 要求的是手术刀：精准、可靠、理解复杂工程上下文。LongCat-2.0 的整个架构设计，从百万上下文到专家分组，都指向一个目标——成为 AI 编码代理的专用大脑。当代理需要自主规划、修改代码、验证结果时，一个专为它优化的模型能大幅降低出错率，提升自主性。专用化的时代正在到来。
模型演化的下一站
LongCat-2.0 展示了一条清晰的路径：MoE 架构结合极致的效率优化和任务导向设计。未来的模型可能不会再盲目追求参数膨胀，而是更聪明地分配计算资源，像乐高一样模块化组合。模型即产品，会越来越垂直、越来越贴近具体工作流。对于开发者而言，选择模型的标准将从“哪个最强大”转变为“哪个最适合我的代理任务”。游戏规则正在改变。
