Das erste in China entwickelte inländische Karten-Trainings- und Inferenz-Trillionen-Parameter-Großmodell, quelloffen
Bericht von Zhidx am 6. Juli: Meituan hat heute das Open-Source-Großmodell LongCat-2.0 mit Billionen von Parametern veröffentlicht und gleichzeitig den Inferenzcode freigegeben, der tief für inländische Rechenchips optimiert ist. Das Modell hat insgesamt 1,6 Billionen Parameter mit durchschnittlich aktivierten etwa 48 Milliarden Parametern und ist das erste Modell der Branche mit Billionen von Parametern, das den gesamten Trainings- und Inferenzprozess auf einem inländischen Rechencluster mit 50.000 Karten abgeschlossen hat.
▲ LongCat-2.0 ist Open Source (Bildquelle: GitHub)
Laut den offiziell veröffentlichten Daten verfügt LongCat-2.0 über starke umfassende Fähigkeiten. Es erzielte 59,5 Punkte im SWE-bench Pro, das tiefgreifende Ingenieurfähigkeiten prüft, und liegt damit vor Gemini 3.1 Pro (54,2), GPT-5.5 (58,6) und Claude Opus 4.6 (57,3); im SWE-bench Multilingual zur Bewertung von Programmiersprachen erreichte es 77,3 Punkte, was mit Claude Opus 4.6 (77,8) vergleichbar ist; im echten Terminal-Befehls-Interaktions-Benchmark Terminal-Bench 2.1 erzielte es 70,8 Punkte.
▲ Vergleich der Bewertungen von LongCat-2.0 und anderen Modellen (Bildquelle: LongCat)
In Bezug auf Aufgaben in realen Szenarien erzielte LongCat-2.0 78,8 Punkte im Suchagenten-Benchmark RWSearch, 73,2 Punkte im Produktivitätsszenario-Benchmark FORTE und 79,9 Punkte in BrowseComp – Werte, die das Niveau führender geschlossener Modelle erreichen oder nahezu erreichen.
Laut praktischen Tests von Zhidx kann LongCat-2.0 bei der Ausgabe langer Texte die Absicht des Benutzers gut verstehen und gut lesbare lange Texte gemäß den Anforderungen des Benutzers generieren. Bei der Programmierung generiert das Modell Code relativ schnell, ist aber manchmal instabil und es können Probleme mit der Darstellung auftreten.
Darüber hinaus verfügt das Modell über gute Kreativität und die Fähigkeit, 3D-Animationsszenarien zu generieren, und kann die Absicht des Benutzers verstehen und sofort reagieren. Außerdem hat LongCat-2.0 starke logische Schlussfolgerungsfähigkeiten und klare, prägnante Schritte bei der Lösung von Denkaufgaben.
LongCat-2.0 verwendet eine MoE-Architektur (Mischung von Experten) und unterstützt nativ eine extrem lange Kontexteingabe von 1 Million Tokens. Das Modell wurde bei der Gestaltung von Agentic-Coding-Aufgaben (intelligentes Agenten-Programmieren) gezielt in Bezug auf Code-Verständnis, -Generierung und -Ausführung verstärkt.
LongCat-2.0 weist drei Innovationen auf: Erstens der LongCat-Sparse-Attentionsmechanismus (LSA), der die herkömmliche quadratische Rechenkosten auf lineare Kosten optimiert und das Training und die Inferenz von langen Kontexten mit Millionen von Tokens effektiv beschleunigt. Zweitens wird neben den MoE-Experten N-gram-Embedding als neuer Pfad zur Parametererweiterung eingeführt. Drittens verwendet das Modell in der Nachtrainingsphase Multi-Lehrer-Online-Destillation, bei der Experten in drei Kategorien unterteilt werden: Agenten, Schlussfolgerung und Interaktion, die sich jeweils auf Kernfähigkeiten wie autonome Ausführung, adaptive Schlussfolgerung und sichere Ausrichtung konzentrieren.
Zhidx hat LongCat-2.0 in zwei Richtungen praktisch getestet: Ausführung realer Aufgaben und schwierige Schlussfolgerungsaufgaben.
Open-Source-Links:
Modellgewichte:
HuggingFace:
https://huggingface.co/meituan-longcat/LongCat-2.0
GitHub:
https://github.com/meituan-longcat/LongCat-2.0
ModelScope:
https://www.modelscope.cn/collections/meituan-longcat/LongCat-20
Inferenzcode:
GPU:
https://github.com/sgl-project/sglang/pull/30042
NPU:
https://github.com/meituan-longcat/SGLang-FluentLLM/tree/npu
API-Plattform:
https://longcat.chat/platform/product
01.
Verfassen langer Online-Texte und Lösen von AIME-Prüfungsaufgaben
Generieren einer 3D-Pixelwelt in einem Durchgang
Bei der Ausführung realer Aufgaben haben wir zunächst die Fähigkeit des Modells zur Generierung langer Texte und zur Konsistenz des Kontexts getestet, indem wir das Modell einen Roman im Genre „Bäuerliches Leben“ erstellen ließen – mit Charaktereinstellungen, einem Gliederungsentwurf für 100 Kapitel und einem einleitenden Kapitel mit insgesamt fast 30.000 Wörtern.
Man kann sehen, dass das Modell die Aufgabe ohne Abweichungen verstanden hat. Sowohl die Charaktereinstellungen, die Weltanschauung als auch die Erfassung der Hauptereignisse und Höhepunkte sind relativ genau. Der Einstieg in den Text ist zudem fesselnd: Das erste Kapitel beginnt direkt mit der Szene, in der die Hauptfigur nach ihrer Zeitreise vor der Situation steht, verkauft zu werden, und kommt schnell zum Thema – entsprechend der Schreiblogik von Online-Romanen.
▲ Von LongCat-2.0 generierter langer Text
Anschließend haben wir die Kreativität und logische Fähigkeit des Modells praktisch getestet, indem wir es ein Kinderspiel zum Training erstellen ließen. Bei der ersten Generierung des Reaktionsspiels „Blasen anklicken und entfernen“ war das generierte Spiel zwar spielbar, aber es traten Darstellungsfehler wie Quadrate und Fragezeichen auf.
▲ Das von LongCat-2.0 generierte fehlerhafte „Blasen-Entfernungs“-Spiel
Beim zweiten Mal generierte das Modell das Denkspiel „Zahlen-Huarong-Dao“. Bei diesem praktischen Test war die Code-Generierung relativ schnell und der gesamte Code wurde in einem Durchgang erstellt. Zudem lief das Spiel reibungslos, die Darstellung war klar und es traten keine Verzögerungen oder anderen Fehler während des Tests auf.
▲ Das von LongCat-2.0 generierte „Zahlen-Huarong-Dao“-Spiel
Wir haben auch die Fähigkeit des Modells zum Erstellen von 3D-Szenarien getestet, indem wir es ein 3D-Pixel-Kunstwerk mit dem Motiv „Ein Kind, das mit einer Windmühle auf einer Parkbank spielt“ erstellen ließen. Das Modell zeigte gutes Verständnis: Bei der ersten Generierung gelang es ihm, das 3D-Pixel-Kunst-Szenario vollständig aufzubauen – mit vollständigen Elementen wie Himmel, Bäumen, Bank, Windmühle und dem Kind.
▲ Von LongCat-2.0 generiertes 3D-Animationsszenario
Um seine logische Schlussfolgerungsfähigkeit zu überprüfen, haben wir eine echte Prüfungsaufgabe aus der AIME 2026 ausgewählt. Die Aufgabe lautet wie folgt:
▲ Echte Prüfungsaufgabe aus der AIME 2026
Diese Aufgabe prüft die Wiederherstellung von Logarithmen, Exponentialgleichungen, die Beziehung zwischen Wurzeln und Koeffizienten sowie die Primfaktorzerlegung – geeignet, um die Schlussfolgerungsfähigkeit des Modells zu testen. LongCat-2.0 bearbeitete die Aufgabe in weniger als einer Minute und löste sie in vier Schritten mit dem richtigen Ergebnis 441. Das Modell zeigte in diesem Fall sehr stabile Leistung, was darauf hindeutet, dass seine Schlussfolgerungskette und die Rechenausführung bei standardmäßigen Mathematikwettbewerbsaufgaben zuverlässig sind.
▲ Lösungsschritte von LongCat-2.0 für die AIME-Prüfungsaufgabe
02.
Datenabfrage, Code-Migration, Spieleentwicklung
3D-Demonstration und Romanerstellung – ein Modell erledigt alles
Während der offiziellen internen Testphase hat Meituan eine große Anzahl von Aufgabenanforderungen von Endbenutzern gesammelt. LongCat-2.0 zeigte in mehreren praktischen Szenarien eine vollständige Fähigkeit zur geschlossenen Auslieferung:
Erstellen eines AI-SQL-Agenten mit LongCat-2.0: Geschäftspersonal kann Daten direkt in natürlicher Sprache abfragen. LongCat-2.0 kann automatisch den gesamten geschlossenen Prozess abschließen – einschließlich des Verstehens der Aufgabenabsicht, der Planung von Abfrageschritten und der Umwandlung der Daten in klare geschäftliche Erkenntnisse.
▲ Interne Testphase von LongCat-2.0 (Bildquelle: LongCat)
Migration von Codebasen: Bei Angabe der Codebasis eines alten Plugins und der Dokumentation des neuen SDKs kann LongCat-2.0 die Architektur selbst analysieren, die Logik strukturieren und das gesamte Plugin in eine neue API-Implementierung umgestalten – wobei alle Funktionen erhalten bleiben, potenzielle Probleme behoben werden und die Kompilierung in einem Durchgang erfolgreich ist.
▲ Interne Testphase von LongCat-2.0 (Bildquelle: LongCat)
Vollständige Anwendungsentwicklung: Wenn man die Idee „Trainingsplatz für Kinder-KI-Spiele“ in das Modell eingibt, generiert das Modell schrittweise die Technologieauswahl, Seitenarchitektur, Spiellogik und visuellen Details – von der Startseite bis zu drei vollständigen spielbaren Spielen wird der gesamte Code in einem Durchgang erstellt.
▲ Von LongCat-2.0 in der internen Testphase generiertes Kinderspiel (Bildquelle: LongCat)
Interaktive 3D-Demonstration: LongCat-2.0 kann eine vollständige Three.js-3D-Demonstration mit einer einzigen Satzbeschreibung generieren – transparente Kolben, fluoreszierende Flüssigkeit,