中国 1.6 万亿参数模型只用国产卡训练：每词元激活 480 亿，长程榜反超 GPT-5.6

一、先看参数结构：1.6 万亿是总量，480 亿才是每次推理的成本

LongCat-2.5 是美团龙猫团队 11 月 2 日发布的新一代模型，定位「长程智能体任务」的原生多模态模型，在 LongCat-2.0 基础上强化了原生视觉理解与智能体编程能力。在线体验与 API 接入已开放，GitHub 与 Hugging Face 权重宣布「即将上线」。

「总参数」决定装得下多少知识，「激活参数」决定跑一次要多少算力。480 亿激活意味着推理时的显存与带宽压力，量级更接近一个中等规模模型，而不是一万六千亿。

二、长程智能体榜单：一个指标反超，其余要按各自口径读

Terminal Bench 测的是在终端里连续执行任务的能力，v4.0 是更难的一版，38.5 分这个绝对值不算高，但官方给出的对照是 GPT-5.6-Sol 的 37.3——这是发布材料里唯一一处与闭源旗舰的直接比较，且只覆盖单一评测项。

• 「反超」只成立在这一项、这一版；其余项目官方未给同条件对照，不能推成整体领先；
• Program Bench 25.5 分说明复杂编程任务仍有明显空间，长程任务与单轮编程不是一回事；
• 权重尚未实际放出，「即将上线」到「可下载」之间还有许可条款这一关。

三、被迫做对的四件事：国产卡显存不足 80 GB 带来的工程改造

官方在技术说明里点明，基础设施是「面向国产算力单卡显存不足 80 GB 的限制」做的优化。对自建集群的读者，这四条比跑分更有参考价值：

• 超节点并行 + 双重分片 FSDP：把单卡装不下的专家分片到多卡，绕开单卡显存上限；
• 长序列 SFT 单卡吞吐较 DDP 基线提升 86%：长上下文训练的效率瓶颈不只在算力，也在并行策略；
• 推理用 W4A4，把专家权重与激活同时量化到 4 bit：相对 W8A8 INT8，Prefill 提升 43.3%、Decode 提升 42.77%，首字延迟与每词元耗时分别降低 15.91% 和 19.72%；
• GMM 算子平均加速 1.73 倍：MoE 模型的算子在国产卡上往往没有现成高度优化版本，这部分得自己做。

另外两条训练侧的细节也值得记：数据合成流水线自动生成任务、可交互环境与可验证测试用例，并用 fail-to-pass / pass-to-pass 双校验；为抑制 reward hacking，训练时做了断网、清除 git 历史与 LLM judge 监督。这类工程约束，是「长程智能体」能不能稳定跑起来的分水岭。

来源：美团龙猫 LongCat-2.5 官方技术博客（longcat.ai/blog/longcat-2.5）与 11 月 2 日发布信息，经站长之家、时代财经、格隆汇等报道；跑分为厂商自报口径，未做第三方复现。 本文仅转述公开报道，不评判任何企业与产品，不构成投资建议。