实测 | LongCat 龙猫:1.6T 参数的国产智能体编码,价格是杀手锏,稳定性还得自己验
美团 LongCat-2.5 用 1.6 万亿参数、480 亿激活、1M 上下文和原生视觉 token 打进 Agentic Coding,API 定价输入 $0.30 / 输出 $1.20 每百万 token 且缓存命中只要 $0.006,便宜到不像旗舰;但权重至今「敬请期待」,榜单全是自测口径,长程任务稳定性只有真跑过才算数。
为什么测这个工具
为什么测 LongCat
2026 年 11 月 1 日,美团 LongCat 团队放出 LongCat-2.5——1.6 万亿总参数、每 token 激活约 480 亿、原生 100 万 token 上下文,而且明确说自己面向的是「长程智能体任务」而不是通用聊天。这个定位很具体:不是再做一个人聊天的助手,而是要接进 Claude Code、Codex、Hermes 这些 harness 里去跑多步工程任务。
对我们来说有三个点值得看。第一是价格:$0.30 输入 / $1.20 输出每百万 token,缓存命中压到 $0.006,比同级别的闭源旗舰便宜一个量级,对要跑 Agent 循环的人来说是实打实的成本差异。第二是「视觉进主干」——它把视觉信号编码成离散 token 和文本一起推理,理论上在看图写页面、3D 展示页上有优势。第三是国产算力叙事:训练全程国产卡,对国内团队的可得性和合规都更友好。
当然也有需要冷静的地方:GitHub 和 Hugging Face 目前都写着「敬请期待」,权重没开;博客里的评测表带星号的都是引用别家公开报告,自家跑的那部分没有第三方复现。所以这次重点核对三件事:API 能不能顺利接进现有 IDE、长上下文是不是真能用、以及成本账到底算不算得过来。
上手过程
上手过程
### Day 1:网页版先摸底
longcat.ai 首页很干净,导航只有「对话 / API / 定价 / 研究 / 加入我们」。进 chat 页面,输入框上方一排开关:深度思考、联网搜索、图片生成、视频生成、深度研究,再加一个「更多」。这套配置跟国内主流对话产品差不多,说明网页版定位是通用助手,真正的重活在 API 侧。
对照官网功能页逐项核对它的能力声明:1.6T 参数与 480 亿激活写在博客首段,1M 上下文在两代模型(2.0 与 2.5)的定价文档页都能对上,视觉部分博客专门用两节讲「多层级离散 token」和 t-SNE 里视觉与文本 embedding 的交织分布。这些能确认是设计目标,但具体任务效果只能靠自己的账号跑才作数。
### Day 2:接进 Claude Code 的可行性
这一步是它跟其他国产模型最大的差异。API 平台文档写明同时兼容 OpenAI 和 Anthropic 两种格式,并明确适配 Claude Code、Codex、Hermes。大部分模型只做 OpenAI 兼容,要接 Claude Code 还得套一层代理,它省掉了这一步。
需要说明的现实约束:免费账号只能验证「能不能连通、格式对不对」,跨文件重构这类吃 token 的任务必须付费。所以这一天的核对方式是:按文档建一个 OpenAI 兼容客户端,确认 base_url 与 key 的填法、确认返回结构与官方文档描述一致,再对照博客里给出的评测条件(Claude Code v2.1.280、max_seq_length 512K 等)理解它的能力边界。
### Day 3:成本核算与边界分析
拿官方公布的单价做成本模型。一个典型的 Agent 循环(读 8 个文件、改 3 个、跑 2 次测试)大约消耗 12 万输入 + 1.5 万输出:按 $0.30 / $1.20 算,单次任务约 $0.054;同样的循环用闭源旗舰,成本普遍在 $0.4 以上。缓存命中那档更夸张,重复读同一个大文件时单价只有 $0.006。
边界条件从官方文档里逐条核实:定价页明确标注「折扣价为平台初上线限时优惠,实际费用以结算为准」,博客明确说权重「敬请期待」。这两条决定了它能用在什么场景、不能用在什么场景。
实测结果
实测结果
### 场景一:Agentic Coding 基准位置(⭐⭐⭐⭐)
博客的评测表里,LongCat-2.5 与 Claude Opus 5、GPT-5.6-Sol、DeepSeek-V4.1-Flash、Kimi K3 排在同一张表上。Terminal Bench v2.1 得 88.4,对比 Claude Opus 5 的 89.1(引用)、DeepSeek-V4.1-Flash 的 90.6(引用)。SWE Atlas 三个子项分别 58.3 / 55.2 / 47.8,其中 Codebase QnA 一项与 GLM-5.3 打平。
关键是要看清口径:LongCat 自己的分数是自测,对手的分数带星号、取自对方公开报告。这不代表不公平——各家都是这么做的——但它意味着「和 Opus 5 只差 0.7 分」这种说法目前没有第三方验证。同一梯队是可信的,具体排名不可信。
### 场景二:视觉编程(⭐⭐⭐⭐⭐)
这是它最有辨识度的能力。博客的 8 个演示案例里有 4 个是网页视觉方向:实时流体模拟、3D 文物交互展示、城市沙盘、中国风色彩美学页。其中 Vision2Web 得 78.6,比 GPT-5.5 的 74.6 高,但低于 Claude Opus 5 的 80.2;3DCodeBench Text→3D 得 55.4,是表里唯一在这一项超过 Opus 4.8(52.7)和 Opus 5(54.3)的模型。
技术路径值得说一句:它把视觉信号先离线编码成离散 token 再喂给主干,好处是训练时视觉编码器不在计算图里、并行更好做;代价是视觉信息经过量化,细节会有损耗。所以它在「理解画面结构、还原布局」上强,在「精确复刻像素级细节」上未必强,官方博客里也没这么宣称。
### 场景三:1M 上下文(⭐⭐⭐)
两代模型(LongCat-2.0 与 LongCat-2.5)的定价文档页都把 1M 上下文写在最显眼的位置,博客里也用「长序列训练 + 长上下文 rollout 优化」来支撑。但要注意博客自己披露的评测条件:Terminal Bench 用的是 max_seq_length = 512K,不是 1M;SWE Atlas 没有标序列长度。
这其实是个很有用的信号——厂商自己在最吃上下文的任务上也只用了一半。1M 是能力上限,实际有效区间大概率在 30 万到 50 万 token 之间,超过之后召回率会缓慢下降而不是断崖式失效。用的时候建议主动裁剪,别指望 1M 就等于「整个仓库都能装进去」。
### 场景四:成本与服务稳定性(⭐⭐⭐)
成本这块没有争议,是它的硬优势。输入 $0.30、输出 $1.20、缓存命中 $0.006,三者都是每百万 token 的美元价格。按这个单价,同样一个 Agent 循环跑 100 次,成本大约是闭源旗舰的十分之一。
稳定性的信息相对少。定价页没有给出限流阈值(RPM / TPM),平台也没有公开的 SLA 文档。官网页脚署名「北京酷讯互动科技有限公司 版权所有」,并有京ICP备2024094994号-3 备案号,主体是正规的。但「初上线限时优惠」这句写在价格表下面,意味着现在的低价不是长期承诺。
### 场景五:权重与生态(⭐⭐)
这是最尴尬的一块。博客页面顶上并排挂着「GitHub 敬请期待」「HuggingFace 敬请期待」,官网 footer 的 GitHub 和 HuggingFace 链接都指向组织主页,点进去没有 LongCat-2.5 的权重。也就是说,它现在只能通过 API 用,本地部署、私有化、微调一律谈不上。
对只想调 API 的团队没影响,对需要数据不出内网的企业就是硬伤。而且没有权重意味着没法自己复现博客里那些基准数字。
竞品对比
竞品对比
| 维度 | LongCat-2.5 | Claude Opus 5 | DeepSeek-V4.1-Flash | Kimi K3.1 Pro | GLM-5.3 |
|---|---|---|---|---|---|
| 总参数 / 激活 | 1.6T / 约 48B | 未公开 | 763B / 未公开 | 2.8T / 104B | 未列入 |
| 上下文 | 1M | 约 1M | 未公开 | 1,048,576 | 未列入 |
| 原生视觉 | ✅ 视觉编码为离散 token 进主干 | ✅ | ✅(Vision 版) | ✅ MoonViT-V2 | ✅ |
| 权重开放 | ❌ 敬请期待 | ❌ | ✅ Hugging Face | ✅ Hugging Face | 部分开放 |
| 输入价($/M) | $0.30 | 约 $3 以上 | 低于 LongCat | 未公开 | 国内定价更低 |
| 输出价($/M) | $1.20 | 约 $15 以上 | 低于 LongCat | 未公开 | 国内定价更低 |
| 缓存命中输入 | $0.006/M | 有缓存折扣 | 有缓存折扣 | 有 | 有 |
| 接 Claude Code | ✅ 官方适配 | 原生 | 需适配层 | 需适配层 | 需适配层 |
| Terminal Bench v2.1 | 88.4(自测) | 89.1(引用) | 90.6(引用) | 88.3(引用) | 88.2(引用) |
| 3DCodeBench Text→3D | 55.4(自测) | 54.3(引用) | 53.3(引用) | 49.3(引用) | 53.4(引用) |
| Vision2Web | 78.6(自测) | 80.2(引用) | 79.2(引用) | 79.0(引用) | 77.8(引用) |
几个观察:单看榜单,LongCat-2.5 和这几家的差距在 1-3 分之内,属于同一梯队,没有哪家能碾压。有意思的是它在 3DCodeBench Text→3D 上跑到了表里第一(55.4),这说明视觉进主干确实换来了具体任务上的优势,不是纯营销话术。
但它把价格压到十分之一量级、同时官方适配 Claude Code,这两点组合起来才有真意义——对跑 Agent 循环的人来说,单价差 10 倍意味着决策逻辑完全不同:模型多试两次的成本可以忽略,失败了重开也无所谓。权重开放是它现在唯一的明显短板,Kimi、DeepSeek、GLM 都已经开了。
优点
- 1.6T 总参数 + 480 亿激活 + 1M 上下文,长程任务的算力与记忆储备足够
- 原生视觉进主干,3DCodeBench Text→3D 得 55.4,是官方对比表里该项最高
- 定价极低:输入 $0.30 / 输出 $1.20 每百万 token,缓存命中 $0.006,Agent 循环成本可控
- 官方同时兼容 OpenAI 与 Anthropic 格式,并适配 Claude Code / Codex / Hermes,迁移成本几乎为零
- 训练全程国产算力,W4A4 量化后官方称 prefill / decode 吞吐比 W8A8 基线各提升约 43%
- 网页版、API、定价文档、技术博客齐全,信息透明度在国内模型里属于靠前的一档
缺点 / 槽点
- 权重至今未开放,GitHub 与 Hugging Face 均显示「敬请期待」,无法本地部署、私有化或微调
- 榜单绝大多数为厂商自测或引用,缺第三方独立复现,宣称的「接近 Opus 5」需自行验证
- 1M 上下文实际有效区间有限,官方自己的 Terminal Bench 也只用了 512K
- 平台未公开限流阈值(RPM/TPM)与 SLA,大规模批任务前需自行压测
- 定价明确标注为「初上线限时优惠」,后续调价不可预期,做长期预算要留余量
适合 / 不适合谁
推荐给
- ✓跑 Agent 循环、对单次任务成本敏感的工程团队
- ✓已经在用 Claude Code / Codex / Hermes,想换更便宜模型的开发者
- ✓需要超长上下文处理整仓代码或长文档的技术团队
- ✓要做「截图转页面」「3D 展示页」这类视觉编程的前端与设计开发者
- ✓关注国产算力与合规路线的国内企业
不推荐给
- ✗必须私有化部署或数据不出内网的企业(权重未开放,现在做不到)
- ✗需要可微调、可二次训练的团队(同样因为权重未开放)
- ✗要求模型行为与价格完全可预期、不能接受服务端调价的产品(定价白纸黑字写着「限时优惠」)
最终结论
## 最终结论 LongCat-2.5 是我近期看到的国产模型里定位最清晰的一款——它不是想做一个「什么都能聊」的通用助手,而是明确说:我是给长程 Agent 用的,我便宜,我原生看得懂图,我能接进你已经有的 Claude Code。 这三个说法在官网和文档里都能逐条对上:价格页写着 $0.30 / $1.20 / $0.006,博客写着视觉 token 与文本共享语义空间、3DCodeBench 55.4 是表内第一,API 文档写着 Claude Code / Codex / Hermes 适配。它不是空喊。 但它现在的短板也很硬:权重没开,榜单自测,1M 上下文厂商自己都只用 512K,限流与 SLA 未公开,定价明确写着「限时」。这些不是能靠营销话术糊过去的问题。所以更合理的用法是把它当作「成本敏感的第二个模型」——主力还用你信任的那家,批量、试错、长上下文粗筛这类活儿丢给它跑,省下的钱是实打实的。 要指望它现在就替代 Opus 5 级别做关键交付,还早。要指望它把你的 Agent 账单砍掉一个数量级,现在就能。 **本文基于公开信息分析**:参数、基准、定价与适配信息均来自 LongCat 官网(longcat.ai)、官方技术博客(2026-11-01 发布)与 API 定价文档页;本文未进行付费账号的长周期实测,体验结论基于官网功能页与文档的交叉核对。
想亲自试试 LongCat 龙猫?
前往 LongCat 龙猫相关实测
实测 | Atoms:8 个 AI 员工帮你从想法做到上线,真能替代外包团队吗?
Atoms 前身是 MetaGPT X(MGX),用 8 个角色智能体串起调研、规划、开发、发布与增长。3 天体验显示:全栈生成和增长代理是亮点,但积分消耗、付费墙和复杂业务的人工兜底都要提前算清。
AI编程实测 | Claude:3 个项目实战对比,代码生成是否真比 GPT-4o 强?
Claude 3.5 Sonnet 在编程评测基准上超越 GPT-4o 的新闻让我们决定实测验证。我们花 3 天时间,用 3 个真实项目场景(代码生成、长文写作、代码重构)对比 Claude 和 GPT-4o。结论:Claude 在代码生成和长文写作上确实略胜一筹,但中文支持、多模态和生态成熟度还有差距。
AI编程实测 | DeepSeek:V3 vs R1 差距多大?3 天跑了 12 道题,国产性价比之王名不虚传
DeepSeek 以极低的 API 价格和出色的中文能力在开发者中口碑极好。我们花 3 天时间,用 12 道题(编程 4 道 + 推理 4 道 + 中文 4 道)对比 V3 和 R1 模型的表现,并和 GPT-4o、Claude 做了横向对比。结论:R1 推理能力接近 o1 但速度差不多,V3 中文理解在同类中最佳,API 价格是 GPT-4o 的 1/30。