LongCat-2.5：图像理解，长期智能体任务

1. 以相同输入结构处理图像与文本

LongCat-2.5 的总参数量为 1.6 万亿，每个 token 激活约 480 亿参数。参数是在训练过程中调整的数值。公司表示，该模型基于 LongCat-2.0，强化了视觉理解以及利用工具完成任务的智能体编程能力。

模型将图像转换为多层编码形式的视觉 token，并以与文本相同的输入格式进行处理。这一设计不仅面向屏幕与图像理解，也面向涉及视觉元素的编程、创意设计和三维任务。

公司解释称，将图像压缩为多层 token，并预先计算和存储，可减少每次训练时重新计算视觉信息的负担。联合学习图像与文本表征的方法，已先在平均激活参数量约 30 亿的小规模模型上验证。

2. 将长期编程任务纳入训练

公司在训练中加入了更多从任务开始到结束的执行记录，并大规模应用根据结果给予奖励的试错式强化学习。公司称，这提高了模型端到端完成复杂代码仓库开发和项目构建的能力。

任务数据来自公开仓库和内部真实场景。基于相关变更请求与问题，构建包含程序运行所需条件与工具的执行环境及验证测试，并在训练期间根据实际执行记录和通过率重新筛选任务、完善测试。

未完成的任务记录会被保存，并在下一训练阶段继续执行。这种方式可减轻等待单个长期任务结束的负担。

此外，公司还将失败的真实智能体任务转化为可复现、可验证的新训练任务，以弥补能力短板。

训练混合了多种任务与工作环境，并对重复思考和重复工具调用施加额外惩罚。公司在训练持续执行任务能力的同时，也训练模型减少不必要的重复行为。

3. 编程与探索任务的代表性评测结果

以下依据公司发布的代表性评测结果，与上一代进行比较。Terminal Bench v2.1 和 PaperBench 属于编程智能体评测，BrowseComp 和 AutomationBench v1.0.6 属于通用智能体评测。

相比上一代，Terminal Bench v2.1 提升了 17.6 分，PaperBench 提升了 36.9 分。BrowseComp 和 AutomationBench v1.0.6 也分别提升了 12.0 分和 36.0 分。PaperBench 从 45.2 分升至 82.1 分，AutomationBench v1.0.6 从 15.8 分升至 51.8 分，大幅改善了上一代较低的得分。BrowseComp 则从上一代已有的 79.9 分进一步升至 91.9 分。各任务的评测方式不同，对比模型的分数也混合了公开资料与公司自行实测，因此难以将这些数字合并解读为统一排名。

4. 适应加速器限制的训练与推理基础设施

LongCat-2.5 优化了底层系统，以便在国产人工智能加速器上执行长上下文训练与推理。考虑到单卡显存不足 80GB 的条件，系统将主要通信安排在通过高速连接组成的卡组内。公司称，在使用长输入标准答案示例进一步训练模型的监督微调中，单卡吞吐量比多卡分摊数据进行训练的分布式数据并行基准高 86%。

推理时，模型将选择性启用的计算部分，即“专家”的权重，以及根据输入在计算中生成的激活值，均降至 4 比特。权重是表示模型所学连接强度的数值。公司称，在已评测的子任务上，模型保持了与量化前相近的性能，量化是一种降低数值表示精度的技术。以下数据来自公司公布的在线负载测试，与 8 比特权重及激活值基准进行比较。

表：4 比特推理的在线负载测试结果

条件：LongCat-2.5 的 4 比特推理与 W8A8 INT8 基准对比，在线负载测试

单位：%

吞吐量提高，延迟降低。公司还表示，在作为单项计算操作的算子级矩阵乘法中，相比相同基准实现，平均速度达到 1.73 倍。

预先计算图像 token 并采用 4 比特运算，可减轻在线计算与显存负担。但要实现这些效果，还需要量化转换、专用运算，以及适配加速器架构的并行化。这一路径并非仅靠模型规模获取性能，而是同时完善训练与推理系统。

5. 通过在线体验与 API 使用

在线体验地址为 https://longcat.chat ，API 接入说明见 https://longcat.chat/platform/product 。原文还公布了限时优惠：向完成认证的新注册用户提供 1000 万 token，并向现有用户追加提供 500 万 token。

LongCat-2.5 的方向是将图像输入与长期任务整合到同一个模型中，并同步优化运行大规模模型的底层系统。