读懂｜美团新模型在自家 27 项对比里 10 项高过 Opus 5

美团 LongCat-2.5 在自家列出的 27 项对比里有 10 项高过 Claude Opus 5，其中 6 项的对手分数是美团自己跑的；差距大的四项都是编程题，暂无独立评测。

按美团自己的成绩表，它的新模型和 Claude Opus 5 在一张编程考卷上的差距，从上一代的约 51 分收窄到约 15 分。这张考卷是 Terminal Bench v4.0，表格里有分数的八个模型在这张考卷上都没有超过 54 分。

美团 11 月 2 日发布 LongCat-2.5，总参数 1.6 万亿。按它自己列出的成绩表，有 Opus 5 分数的 27 项里，它高出 10 项、低 17 项，差距大的四项全是编程题。我们的判断是：它在通用智能体任务上已经贴近闭源头部，在它主打的长程编程上还差一截；所有分数都还没有独立评测。

高出的 10 项里，6 项对手分数是美团自跑

据 LongCat 官方技术博客，成绩表共 31 项，对比了 GPT-5.6-Sol、Claude Opus 4.8、Claude Opus 5、GLM-5.3、Kimi K3 等模型。

表下注明：其他模型带星号的分数取自公开技术报告、博客或官方榜单，不带星号的是美团自己跑的，只作参考。

按这条注释逐项数，LongCat-2.5 高过 Opus 5 的 10 项里，只有 4 项的 Opus 5 分数带星号：BrowseComp、AutomationBench、SkillsBench 和 CharXiv。

四项的领先幅度在 0.9 到 2.9 分之间。另外 6 项的对手分数由美团自己跑出，其中一项是美团自建的考卷。

经济观察网转述的说法是，LongCat-2.5 在多项主流基准上的成绩介于 Opus 4.8 与 Opus 5 之间。和 Opus 4.8 能对上的 24 项里，它高出 18 项，这个说法与表格一致。

美团把这一代定位为面向长程智能体任务的模型。可表格里它离 Opus 5 最远的四项，恰好都是编程：

表里 Opus 5 的分数除了写测试一项是美团自跑，其余三项都带星号。换个角度看进步：同一张 Terminal Bench v4.0，上一代 LongCat-2.0 只有 3.0 分，这一代 38.5 分，略高于 GPT-5.6-Sol 公开的 37.3 分。

博客把提升归到长程强化学习：从 GitHub 的拉取请求里合成训练任务，把真实智能体失败的轨迹改成可复现的训练题；训练时断网、删掉 git 历史，并用模型审查轨迹，防止钻评分的空子。这些做法是否在独立考场上同样有效，要等第三方复跑。

成绩之外，博客写得更细的是工程。美团称单卡显存不到 80 GB，训练分工按超节点排布；长序列微调时单卡吞吐比基线高 86%。推理用 4 比特权重加 4 比特激活，线上压测相较 8 比特方案：

这些也是美团自测，好在比较对象是自家前后两种做法，不牵涉别家分数从哪来。据经济观察网转述，王兴在 8 月的财报电话会上说：「我们不会成为Token工厂」。同一天，美团还介绍了基于 LongCat 系列模型的商家经营工具「妙手」。

API 更新日志显示，LongCat-2.5 在 11 月 2 日上线 API。

TechNode 报道称，GitHub 与 Hugging Face 的权重之后才放出。在那之前，外部只能通过 API 复测。

有人会说，输掉的 17 项里有 11 项差距在 3 分以内，足够说明它进了第一梯队。我们接受这个说法用在通用智能体任务上，不接受把它延伸到编程。

「贴近 Opus 5」这句话目前只在通用智能体任务上站得住，这是分析推断，依据是表格里带星号的 4 项领先都在 3 分以内，而编程上的四项分差都超过 11 分。

如果第三方在 Terminal Bench 等公开榜单上跑出的分数与美团表格相差在几分以内，编程上 11 到 15 分的差距就站得住；如果独立分数明显更低，连通用任务上的领先也要重新看。