中國生活服務巨頭美團發表了主打「代理式程式設計」（模型自主規劃並撰寫軟體）的大型語言模型「LongCat-2.0」。其總參數量高達1.6兆，但每次處理只啟用其中一部分以抑制運算開銷，並可處理長達100萬tokens的上下文。最引人注目的一點是，整個訓練過程完全在中國自製晶片上完成。本文整理這款模型的內部架構、定價，以及它對業界的意義。
備受關注的「Owl Alpha」真面目
在正式登場之前，LongCat-2.0便已在全球開發者之間嶄露頭角。在可透過單一入口呼叫多種AI模型的平台OpenRouter上，一個未公開身分、名為「Owl Alpha」的模型在約兩個月間穩居使用量排行前段，而美團如今揭曉：Owl Alpha正是LongCat-2.0。
根據揭曉後彙整的運作資料，Owl Alpha在OpenRouter上每月處理約10兆tokens，每日平均約5,590億tokens。其使用量較前一個月成長242%，躋身全球使用排行前三。一個隱去名稱與來歷的模型仍被如此大量使用，足見它在效能與成本兩方面都贏得了開發者的青睞。
1.6兆參數，實際運作的只是一部分
LongCat-2.0採用「專家混合（MoE，依需求分別調用多個專家模型的方式）」架構。總參數量雖高達1.6兆，但處理單一token時實際啟用的平均約為480億參數，並會依問題的複雜度在約330億到560億之間增減。透過將單純處理導向較輕量路徑的「Zero-Compute Experts」設計，減少了始終全量運作的稠密模型常見的運算浪費。
在處理長上下文方面也下了工夫。美團表示，其導入了在DeepSeek所採用的稀疏注意力機制基礎上演進而來的「LongCat Sparse Attention（LSA）」，使100萬tokens的上下文能以現實的運算負載加以處理。這項設計正是針對把整份原始程式碼一次讀入、再交由模型進行修改或生成的用法。
基準測試與積極的定價
公開資料顯示，在檢視真實軟體開發任務的「SWE-bench Pro」上，它取得59.5分，略微超越OpenAI的GPT-5.5（58.6分）；在評估終端機操作的「Terminal-Bench 2.1」上得分為70.8。不過這些皆為美團方面公布的數值，實際使用體驗會因任務與條件而異，因此仍需搭配第三方驗證來看待。
授權方面採用對商用限制極少的MIT授權，並在GitHub與Hugging Face上陸續開放。API呼叫價格同樣相當積極：標準價為每百萬輸入tokens 0.75美元（約120日圓）、每百萬輸出tokens 2.95美元（約475日圓）；限時優惠期間，輸入降至0.30美元（約48日圓）、輸出降至1.20美元（約193日圓）。此外，命中已讀入上下文「快取」的部分則完全免費。
※1美元=161日圓換算（截至2026年7月3日）
全程以自製晶片訓練的意義
比技術細節更受矚目的，是它的訓練環境。LongCat-2.0僅在由5萬餘張中國自製AI晶片（ASIC）組成的叢集上完成訓練。在生成式AI最前沿模型大多依賴NVIDIA GPU的當下，這顯示僅憑自製晶片也能打造出接近前沿水準的模型。
這股動向恰逢美國收緊先進AI出口管制之際。事實上，OpenAI收窄了新款GPT-5.6系列的開放範圍，Anthropic也一度將其最新的「Claude Fable 5」下架。有觀點認為，對西方高效能模型的存取愈是受限，開發者轉向價格低廉、效能出色的中國開源模型的空間就愈大。另一方面，公布的基準優勢並不等於實際部署中的優勢，包含地緣政治層面在內，要形成定論仍需時日。
總結
LongCat-2.0是一款在1.6兆參數的MoE架構下壓縮實際運作部分，同時兼顧100萬tokens上下文與程式設計效能的開源模型。以MIT授權開放，加上包含快取免費在內的大膽定價，正對長期由封閉商用模型主導的自主軟體開發市場發起衝擊。連同其完全採用中國自製晶片訓練這一點，從效能、成本到供應鏈的走向都值得關注。不過，目前的效能評價仍以提供方公布的數值為主，保持等待第三方驗證的審慎態度依然不可或缺。
