发布的是什么
LongCat-2.5 是 LongCat-2.0 的升级版，定位不是通用聊天，而是长流程 agent：复杂代码库开发、整项目构建、视觉编程（创意设计、3D 任务）都在目标范围内。官方给出的结构是稀疏 MoE，总参数 1.6 万亿，每个 token 激活约 480 亿；图像被转成离散 token，和文本走同一个模型，不需要外挂视觉编码器。
上下文窗口 100 万 token，最大输出 262,144 token。对 agent 来说，这两个数字比参数总量更实用：前者决定能不能一次装下整个仓库和工具返回，后者决定能不能连续写完整套文件。
训练和推理的国产算力
官方说训练完全使用国产 AI 加速卡，单卡显存低于 80GB，中训练阶段用了最长 100 万 token 的序列。推理侧把专家权重和激活都量化到 4 位（W4A4），官方负载测试称吞吐比 8 位版本高约 43%。这些数字都是美团自测，第三方还没有复现。
基准：有亮点，也有明显短板
官方表格里，LongCat-2.5 的 Terminal Bench v2.1 是 88.4，接近 Claude Opus 5 的 89.1；BrowseComp 91.9，高于 Opus 5 的 90.8；PaperBench 82.1、ResearchRubrics 81.0 也在第一梯队。但 Terminal Bench v4.0 只有 38.5，明显低于 Opus 5 的 53.9；DeepSWE v1.1 是 64.6，低于 DeepSeek-V4.1-Flash 的 74.2。美团自己的总结是「介于 Claude Opus 4.8 和 Opus 5 之间，在部分测试上超过 Opus 5」。
这张表至少说明两件事：它在长流程、浏览和研究类任务上确实有竞争力；但「终端里连续操作几十步」和「大型仓库的深度修改」仍是弱项。把 Terminal Bench v2.1 的接近当成全面追平，会高估它。
价格与可用性
官方 API 的限时价：未缓存输入每百万 token $0.30，缓存输入 $0.006，输出 $1.20；人民币价目是 ¥2 / ¥0.04 / ¥8。这个价格放在 1M 上下文模型里很低，但官方明确是限时价，且平台和实际账单为准。权重仓库仍写「即将上线」，所以现在能用的是 API 和 longcat.ai，不是本地部署。
兼容性方面，官方 changelog 提到可接 Claude Code、Codex、Hermes 等 agent 环境。对已经在这些 harness 里跑流程的团队，迁移成本主要是模型 id、工具调用格式和上下文预算，不是重写业务代码。
该怎么试
- 先用一条真实的长任务，不要用 benchmark 题：比如在一个中型仓库里修一个跨 5 个文件的 bug，记录成功率、返工次数和总 token。
- 单独测 100 万上下文：把整个仓库塞进去后，问 3 个只有早期文件里才有答案的问题，看它是否真的检索到，而不是被近处内容带偏。
- 测输出上限：让它连续生成多个文件，观察 26 万 token 输出是否稳定、会不会在中途丢结构。
- 算限时价结束后的账：如果价格回到常规水平，当前任务还划不划算，要有第二套模型方案。
一句话：LongCat-2.5 值得拿来压长上下文 agent 的成本，但不值得因为一张自测榜就替换掉已经在生产里验证过的模型。