meng shao(@shao__meng)

美团发布 LongCat-2.0 了，1.6T 参数 MoE 架构，激活参数 48B，上下文窗口 1M（最大输出 128K），采用 5-6 万张中国国产加速卡训练，训练推理全程零英伟达依赖。 三项关...

8.5内容质量
美团发布 LongCat-2.0 了，1.6T 参数 MoE 架构，激活参数 48B，上下文窗口 1M（最大输出 128K），采用 5-6 万张中国国产加速卡训练，训练推理全程零英伟达依赖。 三项关...

TL;DR · AI 摘要

美团发布LongCat-2.0，采用1.6T参数MoE架构，支持1M上下文窗口，训练推理全程依赖国产加速卡。

核心要点

  • LongCat-2.0使用5-6万张中国国产加速卡训练，实现训推全链路国产化
  • N-gram Embedding技术减少MoE路由开销，激活参数达48B
  • 稀疏注意力机制支撑1M上下文窗口，计算成本控制优于DeepSeek V4

结构提纲

按章节快速跳转。

  1. §LongCat-2.0发布信息

    介绍模型参数规模、上下文窗口和国产化训练方案

  2. ·核心技术突破

    N-gram Embedding优化MoE效率，稀疏注意力扩展上下文能力

  3. ›国产化实现路径

    采用5-6万国产加速卡，自研底层算子弥补生态短板

  4. ·能力定位与生态

    聚焦Agent+Coding场景，OpenRouter调用量居前

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • LongCat-2.0技术架构
    • 核心参数
      • 1.6T总参数
      • 48B激活参数
    • 关键技术
      • N-gram Embedding
      • 稀疏注意力
      • 自研算子
    • 国产化实现
      • 5-6万国产加速卡
      • 零英伟达依赖

金句 / Highlights

值得收藏与分享的关键句。

#AI模型#MoE架构#国产芯片#大模型
打开原文

meng shao on X: "美团发布 LongCat-2.0 了，1.6T 参数 MoE 架构，激活参数 48B，上下文窗口 1M（最大输出 128K），采用 5-6 万张中国国产加速卡训练，训练推理全程零英伟达依赖。 三项关键技术 1. N-gram Embedding：参数前移 embedding 层，减 MoE 路由与通信开销 2. 稀疏注意力 + 跨层索引：支撑 1M https://t.co/W1bTixKivr" / X

meng shao

@shao__meng

美团发布 LongCat-2.0 了，1.6T 参数 MoE 架构，激活参数 48B，上下文窗口 1M（最大输出 128K），采用 5-6 万张中国国产加速卡训练，训练推理全程零英伟达依赖。 三项关键技术 1. N-gram Embedding：参数前移 embedding 层，减 MoE 路由与通信开销 2. 稀疏注意力 + 跨层索引：支撑 1M 上下文，控制计算成本 3. 底层算子自研：确定性 FAG、Scatter 重写等，弥补国产芯片生态短板 能力定位 Agent + Coding 优先，非通用对话。Preview 在 OpenRouter 开发者调用量居前，Claude Code / Hermes 生态采用度高。 与 DeepSeek V4 的差异 参数量级相近（1.6T / ~48B / 1M），路径不同：DeepSeek 开源 + 双栈适配；LongCat 强调训推全链路国产化。

Meituan LongCat

@Meituan_LongCat

5h

Introducing LongCat-2.0 🐱 1.6T parameters · MoE with ~48B active · 1M context The full model behind Owl Alpha on

@

OpenRouter

— now available. Built for agentic coding from the ground up: ◆ LongCat Sparse Attention (LSA) — scales efficiently for 1M-context tokens ◆

Show more

4:11 AM · Jun 30, 2026

2.3K

Views

1

8

2

Read 1 reply