► 文 观察者网心智观察所
三月底之前，如果你在OpenRouter上搜索一个叫Owl Alpha的模型，大概率不会有人告诉你它是谁做的。
它没有官网，没有发布会，甚至连一句正式的自我介绍都没有。它唯一的身份线索，是一份跑分表格里靠前的名字，以及开发者社区里悄悄流传的一句话：这玩意儿接进Claude Code特别好用。
等到美团把LongCat-2.0的技术报告正式挂出来，很多人才后知后觉地拼上了那块拼图：Owl Alpha，就是LongCat-2.0戴着面具跑的那一路。它在Hermes榜单月调用量全球第一，在Claude Code的调用生态里排第二，在OpenClaw里排第三。
这是一次被动曝光的胜利，先被开发者用出了口碑，才被揭穿是谁做的。放在整个国产大模型的叙事里，这个顺序其实很少见。绝大多数模型的出场方式，是先发布、先讲故事、再等市场验证；LongCat-2.0走的是反过来的路，先被验证，再讲故事。
这件事本身，比参数量更值得琢磨。
从硬指标来看，LongCat-2.0是一个自研MoE混合专家架构模型，总参数1.6万亿，每次推理实际激活约480亿，原生支持100万token的上下文窗口。它被官方称为全球首个训练和推理全流程都跑在国产芯片上的万亿参数模型，用美团自己的说法是"英伟达含量为0"。
这句话听起来像一句公关金句，但对应的其实是一个此前业内没人真正跑通过的工程闭环：从预训练第一天开始，全部计算都压在国产卡集群上，而不是像过去那样，训练在英伟达平台上完成，只把推理这一步挪到国产芯片上做单点验证。
这个区别很关键。过去几年，国产算力跑推理这件事，行业里已经有过不少案例，一些大模型的线上服务确实实现了在国产平台上稳定对外提供服务。训练侧也有零星突破，百亿甚至千亿参数级别的训练流程被陆续跑通过。
但仔细看这些成果，本质上都是某个环节的能力证明，训练归训练，推理归推理，谁也没有把两头串成一条完整的产线，更没有人在万亿参数这个量级上做到过。LongCat-2.0第一次把这条产线从头到尾焊死在国产芯片上，这才是它被称为“首个”的真正含义，而不是简单地又多了一个大参数模型。
这件事有多难呢，先看看国产芯片和英伟达平台之间那道并不小的鸿沟。单卡显存更小，意味着1.6万亿参数没法塞进少数几张卡，只能拆到成千上万张卡上协同计算；跨节点通信带宽又不如NVLink充裕，一旦计算和通信没对齐，训练吞吐就会被硬生生拖慢。硬件差距之外，软件生态的坑更隐蔽。英伟达平台上那些被打磨了多年的算子库、调试工具、确定性计算能力，换到国产芯片上基本要重新写一遍。
技术报告里提到一个具体的例子：FlashAttention的反向梯度算子，国产平台原有的确定性实现只能单核串行运行，速度比英伟达平台慢20到70倍，这种速度根本没法用在真实的生产训练里。换句话说，美团团队不是在一个成熟地基上盖楼，而是先要把地基自己浇一遍。
这也是为什么美团要专门搭一整套自动化的故障处理体系。5万张卡规模的集群，几乎每天都会有硬件出问题，从异常检测、链路切换到自动恢复，全部需要自动化完成，否则光是人工排查故障就能拖垮训练进度。据披露，这套体系不仅把日均故障率压了下去，还支撑训练任务从两千多张卡一路扩容到五万多张卡，中间没有因为架构撑不住而推倒重来。这种细节恰恰是“万亿参数训推闭环”背后最硬核的部分。不要看算法本身有多聪明，要看系统工程有没有踩过所有该踩的坑。
架构层面，LongCat-2.0也不是简单地把参数堆大。针对Agent场景下长上下文带来的注意力计算压力，团队设计了一套叫LongCat稀疏注意力（LSA）的方案。这里有一个值得对比的背景：DeepSeek此前提出的稀疏注意力方案DSA，思路是让模型只关注关键token来省算力，但实际跑起来会遇到一个反直觉的问题：负责筛选关键token的索引器本身变成了新的性能瓶颈，序列越长，索引计算越慢，显存访问越碎，效率反而掉得更明显。
LSA就是从这个瓶颈切入的，做了三项相对独立、可以按需组合的优化：把零散的访存请求整理成连续读取，让相邻层共享索引结果，再用两阶段筛选进一步压缩计算量。三项叠加的效果，是让100万token上下文的处理速度明显提升，同时模型质量基本没有损失。
另一个设计思路更反常识一些，叫N-gram Embedding，是从LongCat-Flash-Lite继承并强化而来的。行业里大部分MoE模型提升能力的路径，是不断堆专家网络的数量和规模；LongCat团队反其道而行之，把一部分参数从后面的专家层“前移”到了Embedding层，让模型在读到输入的第一步，就能识别出高频词组和常见语言模式，而不是要等模型往后跑几十层才反应过来。
这个改动带来的好处有两层：一是在代码理解、指令跟随这类任务上准确率会提升，因为模型不需要绕远路去“想明白”一些本该一眼看穿的模式；二是减少了专家网络之间频繁通信带来的额外开销，这在超大规模MoE架构里是个实打实的成本项。加上ScMoE快捷连接、零计算专家等设计，这套架构其实都在服务同一个目标：让每一份算力都花在真正需要计算的地方，而不是浪费在冗余路径上。
这套架构优化叠加国产芯片本身的成本优势，直接体现在了一个很朴素的指标上：钱。测试者用同一段提示词，让LongCat-2.0和GPT-5.5、Opus 4.6、Opus 4.8生成同一套物理仿真代码，四家输出效果在肉眼可见的层面上相差不大，但LongCat-2.0的token消耗量明显最低，只用了9004个token，按美团官方的计费方式算下来，成本不到一毛钱。这背后当然有产品定价策略的成分，比如缓存命中不计费、Token Plan不计入消耗，但省钱这件事本身，确实是LongCat-2.0在这轮测试里表现得最扎实的一项能力，不是靠营销话术堆出来的印象分。
把这些测试放在一起看会更清楚一点。有人专门自己拼了一份几万字、中英混杂、跨多个行业研报和论文的长文档，去测LongCat-2.0是不是真的把100万token的上下文读进去了，结果发现藏在文档前段的信息、被特意拆分的完整统计数据，它都能准确定位，速度也不慢。也有人把一个GitHub上13k星标的开源2048游戏项目丢给它，要求同时完成视觉风格改造和棋盘规则改动这两类完全不同性质的任务，LongCat-2.0自己拆出了一个七步计划，跑了12分钟后独立交付，没有让人中途介入调整。再往后，还有人让它把整个项目从原生JavaScript迁移到React，游戏表现不变，但底层代码全部重写。
这些测试凑在一起，指向的其实不是某一项具体能力有多惊艳，而是一种相对综合、相对稳定的工程可用性。这恰恰是Agent场景里最被开发者看重、却最难在跑分榜单上量化的东西。
LongCat-2.0与竞品 benchmark对比
这也是为什么Owl Alpha的匿名走红，值得单独拿出来说一说。跑分可以刷，宣传可以造，但一个模型如果连自己是谁都不说，还能被开发者持续、大量地选用，这种信任是买不来的。某种意义上，这是一种比公开榜单更硬的验证机制，姑且可以称之为影子验证——没有品牌光环、没有话术加持，纯粹靠好不好用被市场挑出来。
LongCat-2.0用两个月时间证明的，其实不只是纸面上的技术指标能打，更是国产芯片训出来的万亿参数模型，放到一个完全中立、去标签化的环境里，全球开发者依然会用真实的调用量投票。
当然，把这次交卷简单等同于“国产算力已经追上英伟达”，也是一种过度解读。美团这三年走的路，本质上是一条更慢、更贵的路。2023年初，美团成立LongCat基座团队，第一件事不是训模型，而是先搭国产算力集群；同年跑通千亿参数训练流程；2024年在国产卡上验证MoE架构可行；2025年推出5600亿参数的LongCat-Flash；2026年才落地1.6万亿参数的LongCat-2.0。
这条时间线拉出来看，每一步都是踩着坑往前挪的，期间大量的时间和成本，都花在了把英伟达平台上现成的东西在国产芯片上重新造一遍，要把算子重写、调试工具重建、确定性计算能力补齐，这些工作本身不产生任何直接的模型能力提升，只是让后面的训练变得可能。用美团自己的话说，这是一种"时间换空间"的选择：短期内接受适配阵痛，换来长期不被单一供应链卡住脖子的主动权。这笔账划不划算，取决于你站在多长的时间维度上看它。
也正因为这条路更慢更贵，LongCat-2.0这次交出的答卷，与其说是一次技术上的全面超车，不如说是一次可行性的证明：证明了国产算力具备支撑先进大模型持续训练、持续部署、持续迭代的能力，而不是只能完成一次性的、实验室级别的单点验证。这个证明本身的价值，可能比模型在某几项评测上的具体分数更重要，因为它决定的是后来者要不要走这条同样艰难的路，以及走这条路时心里有没有底。
站在美团的业务逻辑上再看这件事，会更容易理解它为什么愿意投入这三年。今年3月，美团核心本地商业CEO王莆中在内部谈到AI时提过一个说法，叫建设物理世界AI底座，并表示公司会持续投入基础模型，方向是做有特色、低推理成本、同时能力紧跟SOTA的模型。
这句话放在美团的业务盘子里其实很好理解，美团要做的不是一个通用聊天助手意义上的超级大模型公司，它的核心资产是外卖、到店、配送这些高频、强履约、对成本极度敏感的物理世界场景。一个模型如果推理成本降不下来，在这些场景里根本没法大规模落地；一个模型如果能力跟不上SOTA，又没法支撑更复杂的Agent化任务，比如自动规划配送路径、自动处理商家纠纷、自动生成到店场景的服务方案。
LongCat-2.0全程基于国产算力、又把成本压到了很低的水平，恰好踩在这两个诉求的交叉点上。换句话说，这不是一次单纯为了秀技术肌肉的军备竞赛，更像是美团在为自己未来要搭的理解层和行动层，先把地基浇结实。
当然，这里也需要留一个问号。一次匿名测试的走红，证明的是模型在编程和Agent这类特定场景下的实用性，但它离“综合能力全面对齐一线模型”还有距离，公开报告里给出的评测数据目前也主要来自美团自己，第三方独立评测的样本还不够多，这些都需要更长时间的市场使用去补齐。国产芯片路线本身的可持续性也是个需要持续观察的变量，
这一次的五万卡集群能撑住万亿参数，不代表下一次参数量再翻倍时，同样的工程方案还能不能扛住，硬件迭代的速度能不能跟上模型规模扩张的速度，都是未知数。而放在更大的产业背景下，“英伟达含量为0”这个说法本身，也很难完全脱离当下全球芯片供应链博弈的语境去被单纯解读为一次技术叙事，它同时也是一次面向产业链上下游、面向潜在客户的信号释放，这一层意味也值得留意。
回到最开始那个问题：Owl Alpha靠匿名走红，靠的不是营销，是被开发者用真实调用量投出来的信任。这种信任一旦被市场记住，下一次新模型上线，可能就不需要再靠面具赢一次了。但反过来想，如果这条路真的走得通，下一个披着马甲、悄悄挤进全球开发者工具链的国产模型，大概率也不会是最后一个。
来源|心智观察所
禁止转载
明利配资提示：文章来自网络，不代表本站观点。
