LongCat-2.0

LongCat-2.0 快速入门

美团 LongCat 团队的开源旗舰大模型：1.6T 参数 MoE、原生 100 万 token 上下文、标准 MIT 协议，主攻 Agentic Coding（智能体编程）场景。

这是什么？适合谁？

LongCat-2.0 是美团 LongCat 团队（Agentic System X）于 2026-06-30 发布并宣布开源的旗舰语言模型。它是一个 1.6T 总参数的混合专家（MoE）模型，每个 token 平均激活约 48B 参数（33B–56B 动态调整），另有 135B 的 N-gram Embedding；通过自研的 LongCat Sparse Attention（LSA）实现了原生 100 万 token 的超长上下文。官方定位是 Agentic Coding——不是陪聊机器人，而是给 Claude Code、OpenClaw、Hermes 这类智能体编程框架当”发动机”的模型，后训练采用了专门的 MOPD 架构。权重采用标准 MIT 协议开源，可自由商用。

适合谁？三类用户：一是做智能体编程/自动化开发的团队，需要一个能跑在 Claude Code 等 harness 里、长上下文、成本可控的开源底座；二是需要处理超长文档或整个代码仓库的场景（1M 上下文是原生支持而非外推）；三是数据敏感、要求私有化部署且在意许可证干净的企业——MIT 协议几乎没有合规负担。竞品对比：DeepSeek-V4-Pro 同为国产超大 MoE 但 API 优先、上下文原生 128K；Kimi K2.6 同为 Agentic Coding 取向的开源 MoE；LongCat 的差异点在于原生 1M 上下文 + MIT 全开放权重 + 缓存命中近乎免费的计费设计。

准备工作

国内用户（longcat.chat 开放平台）

• 零门槛体验：直接打开 longcat.ai，网页端可以免费对话体验（已打开核验，无需下载客户端）
• API 开发者：到 longcat.chat 开放平台 注册，创建 API Key；接口为 OpenAI 兼容格式
• 付费要求：按量预充值模式，支持支付宝/微信；大陆用户需完成实名认证才能充值调用
• 计费规则：仅 HTTP 200 成功的请求计费；限时折扣价输入 ¥2/百万 tokens、输出 ¥8/百万 tokens（2026-07-27 官方定价页核验）

海外用户（OpenRouter / HuggingFace）

• OpenRouter：无需接触国内平台，直接走 meituan/longcat-2.0，美元按量计费（标价约 $0.75/$2.95 每百万输入/输出，搜索快照，以页面实时价为准）
• HuggingFace：组织页 huggingface.co/meituan-longcat 可直接下载完整权重（含 FP8/INT8 量化变体）
• GitHub：组织页 github.com/meituan-longcat 有推理代码与 cookbook

通用准备

• API 调用准备 Python 3.8+ 环境，装 openai 或 requests 即可
• 想自部署：先看清硬件门槛（见”常见踩坑”），绝大多数用户应该用 API 而非自建

3 步快速上手

第 1 步：网页端直接对话体验

打开 longcat.ai，无需注册即可在对话框里提问。建议直接试它的主打场景：粘贴一段较长的代码或文档，让它做解释或重构。预期结果：能明显感受到它对长输入的容忍度——这正是 1M 上下文模型的基本盘。

第 2 步：注册开放平台，跑通第一次 API 调用

到 longcat.chat/platform 注册、实名认证、充值（可先充最小面额），在控制台创建 API Key。然后发一个 OpenAI 兼容请求：

curl https://api.longcat.chat/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "longcat-2.0",
    "messages": [{"role": "user", "content": "用三句话介绍你自己"}]
  }'

Python 版本（用 openai SDK，仅改 base_url 和 key）：

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.longcat.chat/v1",  # 具体地址以控制台文档为准
)
resp = client.chat.completions.create(
    model="longcat-2.0",
    messages=[{"role": "user", "content": "用三句话介绍你自己"}],
)
print(resp.choices[0].message.content)

预期输出：返回模型的中文自我介绍，HTTP 200 才会计费。如果报 401，检查 Key 是否复制完整；报余额不足则先到控制台充值。

第 3 步（高阶）：下载开源权重

• HuggingFace（海外/有代理）：到 huggingface.co/meituan-longcat 选择 LongCat-2.0（完整权重，194 个 safetensors 分片）或 LongCat-2.0-FP8 / LongCat-2.0-INT8 量化变体下载
• 魔搭 ModelScope（国内免翻墙）：到 modelscope.cn/models/meituan-longcat/LongCat-2.0 下载，国内带宽直连

# 魔搭下载示例（国内推荐）
from modelscope import snapshot_download
snapshot_download("meituan-longcat/LongCat-2.0-FP8", cache_dir="./models")

预期验证标志：下载完成后目录下有完整的 safetensors 分片和 config.json。注意：下载容易部署难，硬件要求见下文”常见踩坑”。

常见踩坑

踩坑 1：HuggingFace 国内直连下载被重置

• 症状：huggingface-cli download 频繁断连、速度归零
• 原因：HF 在国内网络环境下直连不稳定
• 解决：改用 HF_ENDPOINT=https://hf-mirror.com 镜像，或直接走魔搭 ModelScope 镜像，免翻墙满速

踩坑 2：想在本地/小公司机房全量部署

• 症状：按”48B 激活”估算买了几张消费级显卡，发现根本跑不起来
• 原因：MoE 模型推理时全部专家权重都要驻留显存，1.6T 总参数即使 FP8 量化也需要约 1.6TB 级显存。官方 cookbook 给出的最低配方是 FP8 + 8×B300，或 2 节点 16×H200/B200/H20（TP=16/EP=16）
• 解决：普通用户和中小团队不要尝试全量自部署，直接用官方 API 或 OpenRouter；自部署只适合有整机柜预算的大厂/研究机构

踩坑 3：SGLang 部署报错/无法加载模型

• 症状：按官方 cookbook 部署时模型加载失败或算子缺失
• 原因：LongCat-2.0 使用了新架构（LSA 稀疏注意力等），稳定版 SGLang 尚未合入支持，必须使用 nightly 版本，且启动时要加 --trust-remote-code
• 解决：pip install --pre sglang 装 nightly，启动命令带 --trust-remote-code；NPU 环境走专用的 meituan-longcat/SGLang-FluentLLM 分支

踩坑 4：找 vLLM 官方部署教程

• 症状：团队现有推理栈是 vLLM，想找官方 vLLM 配方
• 原因：截至 2026-07-27，官方只给了 SGLang 一条部署路径，未发布 vLLM 支持
• 解决：要么迁到 SGLang，要么关注 GitHub 组织 和 vLLM 社区的支持进展，不要强行用 vLLM 加载（架构不识别）

踩坑 5：API 充值失败/无法调用

• 症状：注册后无法完成充值
• 原因：longcat.chat 开放平台要求大陆用户实名认证，且仅支持支付宝/微信人民币充值
• 解决：完成实名认证后再充值；海外用户改用 OpenRouter 美元结算，绕开实名流程

初级用法

1. 网页端零成本试用：在 longcat.ai 直接对话，先确认模型风格和能力边界是否适合你的场景，再决定是否接 API。

2. 当代码助手用：粘贴报错堆栈 + 相关源码让它定位 bug，或贴一个函数让它补单元测试——这类任务正好是它 Agentic Coding 训练的主场。

3. 长文档一次读入：几百页的 PDF 转文本、整个模块的源码，直接一次性塞进上下文提问，不用切片——1M 上下文的意义就是省掉 RAG 切块的工程量和精度损失。

4. 用 OpenAI SDK 无缝迁移：已有基于 OpenAI/DeepSeek API 的代码，只改 base_url、api_key、model 三个参数即可切到 LongCat，迁移成本约五分钟。

高级玩法

1. 接入 Claude Code / OpenClaw 等 Agent Harness

官方称 LongCat-2.0 深度适配 Claude Code、OpenClaw、Hermes 等智能体编程框架。以 Claude Code 为例，通过环境变量把后端切到 OpenAI 兼容端点：

export ANTHROPIC_BASE_URL="https://api.longcat.chat/v1"  # 以 harness 文档的实际配置项为准
export ANTHROPIC_AUTH_TOKEN="YOUR_LONGCAT_API_KEY"
export ANTHROPIC_MODEL="longcat-2.0"
claude  # 启动后即在用 LongCat-2.0 驱动

这类 harness 会高频重复发送相同的系统提示和工具定义，正好命中 LongCat 的缓存低价（见”小技巧”），跑 agent 长任务时成本优势会被放大。

2. 仓库级代码理解

利用原生 1M 上下文做整仓分析：用 git ls-files + 脚本把仓库代码打包成单个 prompt，让模型做跨文件重构建议、依赖梳理或架构评审。这是 128K 级竞品（如 DeepSeek-V4-Pro 原生上下文）做不了或需要切块妥协的场景。

import subprocess

files = subprocess.check_output(["git", "ls-files", "*.py"], text=True).split()
context = "\n\n".join(
    f"# {f}\n{open(f, encoding='utf-8').read()}" for f in files
)
resp = client.chat.completions.create(
    model="longcat-2.0",
    messages=[{"role": "user", "content": context + "\n\n请给出这个仓库的架构评审和三个最重要的重构建议。"}],
)

3. 量化变体选型（FP8 vs INT8）

自部署时权重有三个版本：完整 BF16、LongCat-2.0-FP8（官方 cookbook 的主推路径，8×B300 / 16×H200 级硬件）、LongCat-2.0-INT8（更省显存，精度损失略大）。选型原则：有 B300/H200 级新卡走 FP8；硬件受限做研究验证再考虑 INT8；没有整机预算就老实走 API。

小技巧

• 缓存命中输入价仅 ¥0.04/百万 tokens（原价 ¥0.10，2026-07-27 官方定价页核验）：重复上下文场景（agent 循环、多轮对话带历史、固定系统提示）成本几乎可忽略，Prompt 设计时把不变的部分放前面以最大化缓存命中
• 国内下权重用魔搭镜像：免翻墙、满带宽，命令就是 snapshot_download("meituan-longcat/LongCat-2.0-FP8")
• Token 资源包 9.9 元/5000 万 tokens（搜索快照，腾讯新闻实测）：轻度体验用户买资源包可能比按量充值更划算，以平台活动页为准
• 只有 HTTP 200 才计费：调试期的报错请求不花钱，可以放心试参数
• 自部署前先看显存账：FP8 权重约 1.6TB，低于这个量级显存的机器连加载都过不了，别浪费时间

常见问题 FAQ

Q: LongCat-2.0 免费吗？ A: 权重完全免费（MIT 协议，可商用）；longcat.ai 网页版可免费对话体验；API 按量付费，折扣价输入 ¥2/输出 ¥8 每百万 tokens，缓存命中输入仅 ¥0.04（2026-07-27 定价页核验）。自部署的话硬件成本才是大头。

Q: 和 DeepSeek-V4-Pro、Kimi K2.6 比怎么选？ A: 要原生 1M 超长上下文 + MIT 干净许可证，选 LongCat-2.0；要更成熟的生态和第三方验证口碑，DeepSeek-V4-Pro 更稳；Kimi K2.6 同为 Agentic Coding 取向的开源 MoE，可按实际任务跑分实测后二选一。注意 LongCat 目前的基准成绩均为厂商自测口径，建议以自己的任务集实测为准。

Q: 可以商用吗？ A: 可以。权重是标准 MIT 许可证（LICENSE 原文核验，Copyright 2026 Meituan），商用无限制。注意 MIT 授权不含美团商标和专利授权——别在产品里使用 Meituan/LongCat 商标做背书式宣传。

Q: 国内能用吗？ A: 能，而且是为数不多”国内体验完整”的国际水平开源模型：longcat.ai 网页直连、longcat.chat 平台支付宝/微信充值、魔搭镜像下权重，全链路不需要翻墙。API 充值需大陆实名认证。

Q: 官方跑分（SWE-bench Pro 59.5 等）可信吗？ A: 官方公布的 SWE-bench Pro 59.5、Terminal-Bench 2.1 70.8、SWE-bench Multilingual 77.3、IFEval 90.0 均为厂商自测口径，截至 2026-07-27 尚无大规模第三方独立复现（模型权重放出不足一个月，社区规模还小）。参考可以，选型请用自己的任务实测。

Q: 我的 API 请求数据会被美团拿去训练吗？ A: 截至 2026-07-27，我们未查到官方 API 数据使用政策（是否用请求数据训练）的明确公开表述。数据敏感场景建议自部署开源权重（MIT 协议允许），或事先以书面方式与官方确认。

参考链接

• 官网（网页对话体验）：https://longcat.ai/
• 官方博客（LongCat-2.0 发布文）：https://longcat.chat/blog/longcat-2.0
• 开放平台（API Key/充值）：https://longcat.chat/platform
• HuggingFace 组织页（权重下载）：https://huggingface.co/meituan-longcat
• 魔搭镜像（国内下载）：https://www.modelscope.cn/models/meituan-longcat/LongCat-2.0
• GitHub 组织（代码与 cookbook）：https://github.com/meituan-longcat
• SGLang 官方部署 cookbook：https://docs.sglang.io/cookbook/autoregressive/Meituan/LongCat-2.0
• OpenRouter 模型页（海外美元计费）：https://openrouter.ai/meituan/longcat-2.0

本文基于官方文档和公开资料整理，AI辅助生成。如有错误或过时信息，请通过 contact@magicnetworld.com 反馈。