► 文 | 观察者网心智观察所

三月底之前，美团马甲若在 OpenRouter 上搜索模型 Owl Alpha，用个赢场用参绝大多数人无法得知其背后厂商。匿名

它没有官网，考试未举办发布会，美团马甲甚至缺乏正式的用个赢场用参自我介绍。其唯一的匿名身份线索，仅是考试一份跑分表格中靠前的排名，以及开发者社区中悄然流传的美团马甲评价：“接入 Claude Code 后体验极佳。”

直到美团正式公开 LongCat-2.0的用个赢场用参技术报告，这块拼图才终于完整：Owl Alpha 正是匿名 LongCat-2.0 的“马甲”。数据显示，考试该模型在 Hermes 榜单月调用量位居全球第一，美团马甲在 Claude Code 生态中排名第二，用个赢场用参在 OpenClaw 中排名第三。匿名

这是一次典型的“被动曝光”胜利——先由开发者口碑验证，后由官方揭开面纱。在国产大模型普遍遵循“先发布、讲故事、后验证”的叙事逻辑下，LongCat-2.0 反其道而行之，这种“先验证、后叙事”的路径，其意义远超参数本身。

一、 “英伟达含量为 0”：万亿参数训推闭环的工程奇迹

从硬指标来看，LongCat-2.0 是一款自研 MoE（混合专家架构）模型，总参数量达 1.6 万亿，单次推理激活约 480 亿，原生支持 100 万 token上下文窗口。美团官方将其定义为“全球首个训练和推理全流程均基于国产芯片运行的万亿参数模型”，并强调其“英伟达含量为 0”。

这并非单纯的公关话术，而是对行业工程闭环的突破：

1. 全流程国产替代：不同于以往“英伟达训练 + 国产推理”的单点验证，LongCat-2.0 从预训练第一天起，所有计算均部署于国产芯片集群。
2. 万亿级量产突破：此前，国产算力在推理侧已有案例，训练侧也有百亿至千亿参数的零星突破，但从未有人将“训练”与“推理”串联成完整的万亿参数产线。LongCat-2.0 首次实现了这一全链路闭环。

跨越鸿沟：从地基到高楼

实现这一目标难度极大，主要面临两大挑战：

• 硬件差异：国产单卡显存较小，1.6 万亿参数需拆分至成千上万张卡协同计算；跨节点通信带宽不及 NVLink，若计算与通信未对齐，训练吞吐将严重受损。
• 软件生态重构：英伟达平台成熟的算子库、调试工具及确定性计算能力，在国产芯片上需重新开发。

典型案例：技术报告指出，FlashAttention 的反向梯度算子在国产平台原有实现中仅支持单核串行，速度比英伟达平台慢 20-70 倍，无法满足生产需求。美团团队并非在成熟地基上盖楼，而是先自行浇筑地基。

系统工程：5 万卡集群的稳定性保障

为应对 5 万张卡规模集群的高故障率，美团构建了自动化故障处理体系，涵盖异常检测、链路切换及自动恢复。该体系不仅降低了日均故障率，更支撑训练任务从 2000 多张卡扩容至 5 万多张卡，期间未因架构瓶颈推倒重来。这证明了“万亿参数训推闭环”的核心在于系统工程的稳健性，而非仅靠算法聪明。

二、 架构创新：针对 Agent 场景的深度优化

LongCat-2.0 并未简单堆砌参数，而是针对 Agent 场景下的长上下文压力进行了针对性设计。

1. LongCat 稀疏注意力（LSA）

针对 DeepSeek 提出的 DSA 方案中“索引器成为性能瓶颈”的问题（序列越长，索引计算越慢，效率越低），LSA 实施了三项优化：
* 连续读取：将零散访存请求整理为连续读取。
* 索引共享：相邻层共享索引结果。
* 两阶段筛选：进一步压缩计算量。

三者叠加显著提升了 100 万 token 上下文的处理速度，且未牺牲模型质量。

2. N-gram Embedding 与前移策略

区别于传统 MoE 模型通过增加专家网络规模来提升能力，LongCat 团队采取反向策略：
* 参数前移：将部分参数从后端专家层前移至 Embedding 层。
* 即时识别：模型在输入第一步即可识别高频词组和语言模式，无需等待深层网络处理。

优势：
* 提升准确率：在代码理解、指令跟随等任务中，减少“绕路思考”。
* 降低通信开销：减少超大规模 MoE 架构中专家间的频繁通信成本。

结合 ScMoE 快捷连接与零计算专家设计，该架构旨在最大化算力利用率，避免冗余计算。

三、 成本与效能：真实场景下的竞争力

架构优化与国产芯片成本优势结合，直接体现在经济指标上。

• 极低推理成本：在生成同一套物理仿真代码的测试中，LongCat-2.0 仅消耗 9004 个 token，成本不足 0.1 元（基于美团计费策略，含缓存命中不计费等因素）。相比之下，GPT-5.5、Opus 4.6/4.8 等竞品输出效果相近，但成本显著更高。
• 长上下文实测：测试者使用数万字中英混杂的行业研报，LongCat-2.0 能准确定位前段信息及拆分统计数据，速度稳定。
• Agent 任务执行：面对 GitHub 13k 星标的 2048 游戏项目，模型自主拆解七步计划，12 分钟内独立交付视觉改造与规则修改任务，无需人工干预。

这些案例表明，LongCat-2.0 的核心价值在于综合、稳定的工程可用性，这是 Agent 场景中最受开发者看重却难在榜单量化的能力。

四、 “影子验证”：信任来自市场而非营销

Owl Alpha 的匿名走红，构成了一种比公开榜单更硬的验证机制——影子验证。

• 去标签化信任：无品牌光环、无话术加持，纯粹依靠“好用”被市场筛选。
• 全球开发者投票：LongCat-2.0 用两个月时间证明，国产芯片训练的万亿参数模型，在中立环境下仍能获得全球开发者的真实调用量支持。

五、 战略深思：时间换空间与业务闭环

将此次成果简单解读为“国产算力追上英伟达”属过度解读。美团走的是一条更慢、更贵的路：

• 时间线回顾：
• 2023 年初：成立 LongCat 团队，搭建国产算力集群。
• 2023 年：跑通千亿参数训练流程。
• 2024 年：验证国产卡 MoE 架构可行性。
• 2025 年：推出 5600 亿参数 LongCat-Flash。
• 2026 年：落地 1.6 万亿参数 LongCat-2.0。

每一步都在填补国产芯片在算子重写、工具重建及确定性计算上的空白。这是一种“时间换空间”的战略选择：以短期适配阵痛，换取长期供应链自主权。

业务逻辑：物理世界 AI 底座

美团核心本地商业 CEO 王莆中提出建设“物理世界 AI 底座”，要求模型具备特色化、低推理成本、紧跟 SOTA三大特征。

• 场景匹配：美团的核心资产（外卖、到店、配送）对成本极度敏感，且需支撑复杂 Agent 任务（如路径规划、纠纷处理）。
• 战略意义：LongCat-2.0 全程基于国产算力且低成本，恰好契合美团需求。这并非单纯的技术军备竞赛，而是为未来理解层和行动层夯实地基。

六、 冷思考：挑战与信号

尽管成绩显著，仍需保持理性审视：

1. 评测局限性：当前数据多来自美团内部，第三方独立评测样本不足，综合能力对齐一线模型仍有距离。
2. 可持续性验证：5 万卡集群的成功不代表未来参数量翻倍时同样方案可行，硬件迭代速度能否跟上模型扩张仍是未知数。
3. 供应链信号：“英伟达含量为 0”不仅是技术叙事，更是面向产业链及客户的信号释放，旨在缓解全球芯片博弈下的供应链焦虑。

结语

Owl Alpha 的匿名走红，证明了一种基于真实调用量的信任机制。这种信任一旦建立，新模型上线将不再依赖“马甲”。

LongCat-2.0 的价值不仅在于技术指标，更在于证明了国产算力支撑先进大模型持续训练、部署与迭代的可行性。它给后来者带来的信心，可能比具体分数更为重要。如果这条路走得通，下一个披着马甲、悄然融入全球开发者工具链的国产模型，或许不会是最后一个。

来源 | 心智观察所

禁止转载