🚨 AI News | TestingCatalog@testingcatalog
同事件
79AI 编辑部评分,满分 100
2026-06-30 15:54· 47天前
AI 导读

美团推出LongCat-2.0,总参数1.6T(MoE架构,活跃参数约48B),支持1M上下文窗口。训练与部署完全基于AI ASIC超算集群,已以Owl Alpha名称在OpenRouter上线测试。模型专为智能体编码设计:LongCat Sparse Attention(LSA)高效处理百万级token;Zero-Compute Experts每个token动态激活33B–56B参数,零浪费计算;MOPD机制含三种任务门控专家组(Agent/Reasoning/Interaction)。基准测试:Terminal-Bench 2.1得70.8,SWE-bench Pro 59.5(同期GPT-5.5为58.6),SWE-bench Multilingual 77.3,FORTE 73.2,RWSearch 78.8,BrowseComp 79.9。

正文 · AI 翻译

美团发布了 LongCat-2.0,一个拥有 1.6T 参数、1M 上下文窗口的全新模型!

完整的训练运行和大规模部署均完全基于 AI ASIC 超算集群构建。

该模型现已在 OpenRouter 上以 Owl Alpha 的名称开放测试。

【引用 @Meituan_LongCat】:介绍一下 LongCat-2.0 🐱 1.6T 参数 · MoE,约 48B 活跃参数 · 1M 上下文窗口 @OpenRouter 上 Owl Alpha 背后的完整模型--现已可用。

从头开始为智能体编程而构建: ◆ LongCat 稀疏注意力(LSA)--高效扩展到 1M 上下文模型 token ◆ 零计算专家--每个 token 动态激活 33B-56B,零算力浪费 ◆ MOPD--三个专门的专家组(智能体 / 推理 / 交互),按任务经过门控路由

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/ 在不同场景下试用它 🧵👇

Meituan LongCatIntroducing 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...

来源:🚨 AI News | TestingCatalog · x.com

事件后续 · 3查看事件全部 →
🚨 AI News | TestingCatalog · @testingcatalog · X·2026-06-30 15:54·47天前
AI 导读

美团推出LongCat-2.0,总参数1.6T(MoE架构,活跃参数约48B),支持1M上下文窗口。训练与部署完全基于AI ASIC超算集群,已以Owl Alpha名称在OpenRouter上线测试。模型专为智能体编码设计:LongCat Sparse Attention(LSA)高效处理百万级token;Zero-Compute Experts每个token动态激活33B–56B参数,零浪费计算;MOPD机制含三种任务门控专家组(Agent/Reasoning/Interaction)。基准测试:Terminal-Bench 2.1得70.8,SWE-bench Pro 59.5(同期GPT-5.5为58.6),SWE-bench Multilingual 77.3,FORTE 73.2,RWSearch 78.8,BrowseComp 79.9。

正文 · AI 翻译

美团发布了 LongCat-2.0,一个拥有 1.6T 参数、1M 上下文窗口的全新模型!

完整的训练运行和大规模部署均完全基于 AI ASIC 超算集群构建。

该模型现已在 OpenRouter 上以 Owl Alpha 的名称开放测试。

【引用 @Meituan_LongCat】:介绍一下 LongCat-2.0 🐱 1.6T 参数 · MoE,约 48B 活跃参数 · 1M 上下文窗口 @OpenRouter 上 Owl Alpha 背后的完整模型--现已可用。

从头开始为智能体编程而构建: ◆ LongCat 稀疏注意力(LSA)--高效扩展到 1M 上下文模型 token ◆ 零计算专家--每个 token 动态激活 33B-56B,零算力浪费 ◆ MOPD--三个专门的专家组(智能体 / 推理 / 交互),按任务经过门控路由

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/ 在不同场景下试用它 🧵👇

Meituan LongCatIntroducing 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...

来源:🚨 AI News | TestingCatalog· x.com

事件后续 · 3查看事件全部 →