登录
11 月 2 日，美团发布 LongCat-2.5。1.6 万亿总参数，每个 token 激活约 480 亿，原生多模态，主打长程智能体任务。官方对比图里，Terminal Bench v2.1 从 LongCat-2.0 的 70.8 升到 88.4，DeepSWE v1.1 从 9.7 升到 64.6。
数字很密。但如果你每天在 Claude Code、Codex 或自己的 agent 里写代码，真正要问的不是它排第几，而是它替你少干哪几步活。
我的判断：它能省掉两次转述，但最后一次，它替不了。
第一个中间人，站在屏幕和模型之间。
报错截图，要手打成文字；设计稿，要写成“左边导航、右边卡片、间距 16”；一段录屏，要拆成“先点这里，再点那里，然后报错”。模型只认 token，人就得把看见的东西转述给它听。
LongCat-2.5 的做法是把视觉信号也变成多层级离散 token，和文字进同一条序列。 官方文档写得很直白：它支持在文本之外输入图片和视频。 你不再需要先把界面翻译成一段描述，截图、设计稿可以直接进上下文，录屏则要先有一个可访问的链接。美团技术团队LongCat API 文档
省掉的是“描述”这一步，不是“看”这一步。描述是你替模型做的功课，看图是模型自己该做的功课。
官方演示里有一个活动邀请函生成器：上传场地照片，写一句需求，它生成邀请和报名页，报名、名单、表格导出都能跑。这个 demo 是官方挑过的，不能当成日常水平；但它指出了一个变化：从“看照片”到“做出一个能用的页面”，中间那段写规格、搭页面、接表单的活，被压成了一次生成。
以前这种小工具，得有人画、有人写页面、有人接表单。现在一个人可以先跑出可点版本，再决定哪里值得改。
第二个中间人，站在模型和终端之间。
它写一段代码，你复制进编辑器；跑一遍，报错，再复制回对话框；顺便把刚才改过的文件、终端输出、相关上下文重新讲一遍。模型越能干，你越像它和机器之间的消息总线。
LongCat-2.5 想省的就是这段。官方把训练重点放在长程任务上，用公开仓库和内部真实任务的 PR、issue 合成环境，跑 fail-to-pass 和 pass-to-pass 测试。 再把真实 agent 的失败轨迹改成可复现的训练题。配合 1M 上下文和工具调用，它可以在一个仓库里连续读、改、跑、看报错、再改，而不是每轮都等人把上下文重新喂一遍。美团技术团队
换模型这件事，也能少经一道手。官方文档里，Claude Code 的配置主要是填 token、base_url 和模型名；OpenAI 和 Anthropic 两套接口格式都兼容。以前换模型要改一层适配代码，现在更像换一个环境变量。
还有一笔账：输入 2 元/百万 token，缓存命中 0.04 元，输出 8 元，限时折扣。长程 agent 每一步都要算钱，缓存便宜，才敢让它多跑几轮。
两道转述合起来，省的不是打字时间，而是同一份上下文在屏幕、对话和终端之间来回搬的时间。
最后一次，它替不了：验收。
发布当天下午，B 站 UP 主“AI产品狙击手”把正式版接进 agent，跑了一轮自研基准。他写道：强约束指令能守住数字结尾，但语义通顺和常识搭配还翻小错；鹈鹕骑车、复合弓射箭的 SVG 把空间关系和物理逻辑画得乱七八糟；浏览器 OS、Trello 看板能跑功能，弹窗层级和拖拽残留却露了怯；3D 赛车不崩但颜值一般。哔哩哔哩
这不是说它不行。它说明省掉的是执行，不是判断。页面能不能跑，模型能自测；页面看起来对不对、交互在边界情况下是否成立、生成的 SVG 空间关系对不对、3D 场景好不好看，仍要人看。
官方公布的评测表里，Terminal Bench v4.0 这一档 LongCat-2.5 是 38.5 分，Claude Opus 5 是 53.9 分。 外部模型的分数有的取自公开报告，口径不完全一致，但方向很清楚：在这类更接近真实仓库的评测里，差距更明显。它能把“从 0 到能跑”这一段缩短，但“从能跑到能交付”这一段，还是要人补。知乎
所以，LongCat-2.5 最实在的省法，不是“帮我写代码”，而是把“看见的东西”和“要做的东西”之间的两次转述省掉。你少写描述，少搬上下文，少在编辑器、终端和浏览器之间来回切。
但省到最后，剩下的是最不该省的那部分：说清楚什么叫“做完”，以及做完之后，谁来检查。
如果你能把验收标准写出来，它就能替你多跑几轮；写不出来，它只会更快、更便宜地跑偏。
