知识卡片：LongCat-2.5——1.6万亿参数原生多模态模型主攻长程Agent

一句话结论

LongCat-2.5 是一款总参数 1.6 万亿、每 token 激活约 480 亿的原生多模态模型，核心定位是长程 Agent 任务，训练中引入长程轨迹数据与大规模长程强化学习，并在国产算力与 W4A4 推理上给出吞吐提升数据。

事件概述或研究问题

• 材料显示 LongCat-2.5 已发布，主打“长程 Agent”方向。
• 研究/产品问题指向：如何让模型在长程任务中保持多模态理解与执行能力，并把真实 Agent 失败轨迹转化为可训练、可验证的任务。
• 材料未给出发布方全称、发布时间、模型开源与否、基准测评分数等细节，待核实。

方法/产品要点

• 规模：总参数 1.6 万亿，每 token 激活约 480 亿（稀疏激活的 MoE 式结构，具体专家配置待核实）。
• 多模态表示：将视觉信号表示为多层级离散 token，与文本统一处理（原生多模态路线）。
• 训练数据与策略：加入长程轨迹数据与大规模长程强化学习；把真实 Agent 失败轨迹转为可验证任务。
• 工程优化：国产算力上长序列 SFT 单卡吞吐较 DDP 基线提升 86%。
• 推理优化：W4A4 相对 W8A8 基线，prefill 与 decode 吞吐分别提升 43.3% 和 42.77%。
• 获取方式：注册即赠千万 token（具体平台与时限待核实）。

主要结果或产业意义

• 给出的量化结果集中在效率侧：长序列 SFT 单卡吞吐 +86%，W4A4 推理 prefill +43.3%、decode +42.77%。
• 产业意义：一是把“长程 Agent”作为主攻方向，训练数据直接来自真实失败轨迹，指向 Agent 落地中的可靠性问题；二是强调国产算力上的训练与低比特推理效率，指向成本与部署可行性。
• 模型能力层面的 benchmark 对比材料未提供，待核实。

为什么重要

• 与既有卡片中 Kimi K3（2.8 万亿参数、强调开源与综合能力）相比，本条增量在于：LongCat-2.5 把“长程 Agent”与“失败轨迹转可验证任务”作为训练核心，并公开了国产算力训练与 W4A4 推理的吞吐数据，属于效率与 Agent 训练方法层面的信息。
• 与商汤 SenseNova U1 Pro（长程 Agentic 闭环、交付级）相比，本条更偏底层模型规模、多模态 token 化表示与训练/推理工程指标，二者可构成“Agent 基座”不同技术路线的对照。

局限与不确定性

• 材料为速递摘要，缺少模型卡、技术报告与第三方评测，能力结论待核实。
• “1.6 万亿总参数/480 亿激活”的具体架构（专家数、路由方式）待核实。
• “国产算力”具体芯片型号、集群规模、基线配置待核实。
• W4A4 与 W8A8 的精度损失、评测条件待核实。
• 注册赠 token 的适用平台、额度与有效期待核实。

可用于图书/PPT/简报的角度

• 万亿级稀疏 MoE + 原生多模态：视觉离散 token 与文本统一建模的路线对比。
• 长程 Agent 的训练数据工程：把真实失败轨迹转为可验证任务闭环。
• 国产算力上的大模型工程：长序列 SFT 吞吐与 W4A4 低比特推理收益。
• 2026 年万亿参数多模态模型竞速：Kimi K3、LongCat-2.5、SenseNova 系列的定位差异。

与既有脉络的关系

• 延续“万亿参数多模态模型”脉络（Kimi K3 为 2.8 万亿），本条补充了 1.6 万亿、480 亿激活的另一量级样本，并把焦点从综合能力转向长程 Agent 训练方法与推理效率。

原始材料

• 来源：腾讯研究院AI速递 20261103（搜狐转载）
• 父级链接：https://m.sohu.com/a/1096286983_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 条目：六、LongCat-2.5发布，1.6万亿参数原生多模态模型主攻长程Agent