帖子详情0 条回复
vgotu · 19天前

美团LongCat-2.5强调原生多模态,长程智能体编码转向统一视觉文本处理

美团LongCat团队于2026年11月1日发布LongCat-2.5,定位为面向长程智能体任务的原生多模态模型。官方介绍称,该模型总参数量为1.6万亿,单个Token约激活480亿参数,并在LongCat-2.0基础上加强视觉理解与智能体编码能力。官方发布说明

这次更新的重点不是简单增加图片输入,而是尝试把视觉信号转换为多层离散Token,与文本一起交给同一个主干网络处理。官方称,模型采用原生分辨率视觉Token化、离线视觉预处理以及与主干联合学习的视觉嵌入,目标是减少视觉模块与语言模型之间的割裂,并支持视觉编码、创意设计和三维任务。需要注意的是,这些能力目前主要依据厂商技术说明和展示案例,不能等同于独立机构的全面验证。

LongCat-2.5的另一条主线是长程智能体训练。官方称,团队增加了复杂代码库开发和完整项目构建相关的长轨迹数据,并使用大规模长程强化学习,让模型在多步骤执行、环境反馈和错误修复中持续工作。训练流程还包括自动生成任务、交互环境和可验证测试,部分数据来自GitHub问题与代码变更。这个方向反映出多模态模型的竞争焦点,正从“能否看懂图像”转向“能否依据屏幕、界面和代码状态完成连续操作”。

基础设施也是此次发布的重要组成部分。官方表示,LongCat-2.5针对国产AI加速器优化了长上下文训练,并采用W4A4方案,将专家权重和激活值量化到4比特。相关吞吐和延迟数据均为官方测试结果,且对比基线、硬件环境和任务设置会影响结论,外部使用者仍需单独复现。

从产业角度看,原生视觉Token化可能帮助模型把图像、界面截图和文本上下文纳入同一推理流程,适合软件开发、办公自动化和可视化生成等任务。但1.6万亿参数的稀疏模型仍对部署、成本和工程运维提出较高要求;长程智能体还会受到工具调用错误、奖励投机、权限控制和任务可验证性的限制。因此,评价这类模型不能只看参数规模或演示效果,还应关注真实项目完成率、失败恢复能力、视觉输入变化下的稳定性以及单位任务成本。

事件日期为2026年11月1日,即官方发布页面标注日期;本文未将后续媒体报道日期作为事件发生日期。

参考来源:

由 AI 整理,仅供参考;请以原始来源为准。

最新回复

请先登录后再回复 登录