美団がLongCat-2.0を公開：1.6TパラメータのオープンMoEモデル、ネイティブ1MコンテキストとLongCat Sparse Attentionを搭載

美団はLongCat-2.0を正式に公開しました。これは大規模なMixture-of-Experts（MoE）言語モデルで、総パラメータ数は1.6兆、トークンあたり約480億パラメータ（動的範囲330億～560億）を活性化します。モデルはエージェント型コーディングタスク（コード理解、生成、エージェントワークフロー内での実行）に特化しています。

LongCat-2.0の際立った特徴は2つあります。1つはネイティブ100万トークンのコンテキストウィンドウをサポートすること、もう1つはトレーニングと推論がすべて国産AI ASICスーパーポッド上で実行され、Nvidiaハードウェアを一切使用していないことです。モデルは2025年にリリースされた560BパラメータのLongCat-Flashから進化しました。事前学習には35兆以上のトークンが使用され、数百万のアクセラレータ時間を要しました。美団は、トレーニング中にロールバックや不可逆的な損失スパイクが発生しなかったと報告しており、これは非Nvidiaハードウェアでは特に注目に値します。

アーキテクチャ面では、LongCat-2.0はコスト削減のために複数の革新を採用しています。ゼロ計算エキスパート：句読点などの単純なトークンはゼロ計算エキスパートにルーティングされてそのまま返され、複雑なトークンはより多くのエキスパートを呼び出します。PIDコントローラがエキスパートバイアスを動的に調整し、33B～56Bの活性化範囲を実現します。MoEバックボーンはショートカット接続設計（ScMoE）を採用し、スループットを向上。LongCat Sparse Attention（LSA）はDeepSeek Sparse Attentionの進化版で、ストリーミング対応インデックス、クロスレイヤーインデックス、階層インデックスの3つの手法を組み合わせ、アテンションの複雑さを2次からほぼ線形に削減し、百万単位のコンテキストを支えます。さらに、1350億パラメータのN-gram埋め込みモジュールが、局所的なトークン関係を捕捉し、メモリI/Oを削減します。事後学習にはMOPDパイプラインが使用され、エージェント、推論、インタラクションの3つの教師エキスパートグループを統合しました。

推論サービスでは、6D並列化方式とプリフィル・デコード分離アーキテクチャを採用し、スーパーカーネルやL2キャッシュウェイトプリフェッチでI/Oレイテンシを隠蔽しています。

美団自身が報告したベンチマークによると、LongCat-2.0はSWE-bench Proで59.5（GPT-5.5の58.6を上回る）、Terminal-Bench 2.1で70.8、SWE-bench Multilingualで77.3を達成。全体的な性能はGoogle Gemini 3.1 Proに匹敵するとされ、ソフトウェアエンジニアリング分野で優位性があります。より広範な汎用エージェントベンチマーク（FORTEやBrowseComp）では、最先端システムに劣ると報告されています。独立したリーダーボードによる確認はまだありません。

前世代のLongCat-Flashとの比較では、LongCat-2.0はパラメータ数（1.6T vs 560B）、コンテキストウィンドウ（1M vs 128K）、国産ハードウェア対応で大幅に向上。ライセンスはMITで、重みは近日公開予定です。

LongCat-2.0はエージェント型ソフトウェア作業（リポジトリ全体の推論、マルチステップ端末タスク、モジュール間リファクタリング、多言語マイグレーション）に適しています。LongCat APIプラットフォーム（OpenAI互換およびAnthropic互換エンドポイント）、OpenRouterなどを通じてアクセス可能。価格は入力100万トークンあたり0.75ドル、出力100万トークンあたり2.95ドル、ローンチプロモーションではそれぞれ0.30ドルと1.20ドル、キャッシュコンテキスト読み取りは無料。重みが未公開のため、ローカルセルフホスティングはまだサポートされていません。