你聽過「Owl Alpha」嗎？這個名字在OpenRouter上悄悄爬升排行榜榜首長達兩個月，沒有人知道它是誰，只知道它便宜、夠快、表現穩定。直到2026年6月30日，美團（Meituan）正式站出來承認：「那隻貓，就是我們家的。」
這不是一場普通的產品發布會。這是中國AI產業向全世界發出的訊號——我們不只能做模型，我們還能自己設計硬體、自己訓練、自己在地部署，而且價格只有OpenAI的一半不到。
一場兩個月的「隱形飛行」
讓我們把時間倒回2026年春天。當工程師們在OpenRouter上發現「Owl Alpha」這匹黑馬時，討論區炸開了鍋。沒有人知道這是哪家的模型，沒有官網、沒有行銷、沒有任何宣傳。它就這樣靜靜地——一個月接著一個月——衝上Hermes Agent workspace的第一名、Claude Code的第二名、OpenClaw部署的第三名。
這就是美團的策略。他們選擇讓產品自己說話。
「在模型還沒準備好被檢視之前，先讓它在戰場上證明自己。」這句話說起來容易，但做起來需要極大的自信。想想看——沒有行銷團隊幫你護航，沒有投資者幫你護航，純粹靠實力。LongCat-2.0做到了。
1.6兆引數背後的硬仗
先說數字：1.6兆引數。這不是開玩笑的。GPT-4據傳是1.7兆左右，而LongCat-2.0直接來到這個級別。但它聰明的地方在於——它不是那種「傻大個」。
LongCat-2.0採用的是「混合專家」（Mixture-of-Experts，MoE）架構。什麼意思？想象一家公司有1000位各領域的專家，但每次客戶來訪，你只派出最相關的2-3位去處理。LongCat-2.0也是這樣——雖然總共有1.6兆引數，但每次只啟動約480億引數來處理一個token。根據查詢難度，這個數字會在330億到560億之間浮動。
這是什麼概念？就好比一輛超級跑車，平時只啟動部分引擎來省油，但一旦需要超車，全部馬力瞬間釋放。美團把這套「按需分配」的哲學玩到了極致。
真正的「中國芯」：第一個從零寫到億的 trillion-level 模型
但真正讓這件事變得有意義的，是硬體。
LongCat-2.0是史上第一個從預訓練到部署，全程在中國國產ASIC晶片上完成」的兆級引數模型。
這句話很長，但它的意義更長。
過去，包括DeepSeek V4-Pro在內的中國模型，頂多隻能用華為晶片做推理（inference），但預訓練（pretraining）階段還是得靠Nvidia。現在，美團用超過5萬顆國產加速器，跑完了超過35兆tokens的預訓練，而且聲稱「沒有rollbacks、沒有不可恢復的損失峰值」。
如果你有在關注AI訓練新聞，你會知道這有多麼難得。每次大規模訓練run中，硬體不穩定、散熱問題、互聯瓶頸——各種地雷防不勝防。美團做到了，而且是用完全自主的供應鏈。
這不只是技術突破，這是「去美化」旅程上的一座重要里程碑。
價格屠刀：GPT-5.5的五分之一
好，技術很強。那市場表現呢？
讓我們直接看最殘酷的數字：
- LongCat-2.0：輸入 $0.75 / 輸出 $2.95（推廣期 $0.30 / $1.20）
- GPT-5.5：輸入 $5.00 / 輸出 $30.00
- Claude Sonnet 5：輸入 $2.00 / 輸出 $10.00
- DeepSeek V4-Pro：輸入 $0.435 / 輸出 $0.87
看到了嗎？LongCat-2.0的正式價格幾乎是GPT-5.5的六分之一。推廣期間更是直接殺到五分之一。而且它們還提供10億tokens套裝，約60美元——這對需要大量上下文處理、程式碼生成的開發者來說，簡直是天上掉下來的禮物。
再加上快取context讀取免費——對於需要重複查詢同一個知識庫的應用場景，這省下來的成本是天文數字。
實測：我們用它寫了一款小遊戲
說了那麼多理論，總要實際驗證一下吧？我們團隊用LongCat-2.0做了一個小遊戲——類似音速小子那種動作遊戲。
結果？它確實能完成任務，而且經過幾輪迭代後，輸出品質還不錯。整體表現落後Claude Fable和Opus 4.8，但明顯在Sonnet 4.6之上——如果要我們給個具體位置，大概落在DeepSeek v4 Flash和v4 Pro之間。
但這不是重點。重點是——這個品質，只要GPT-5.5二十分之一的價格。你給它多一點耐心，多跑幾次迭代，最終產出的品質絕對能打。
當然，它也有弱點。我們發現它在處理「敵人數量增加」的邏輯時，會出現target-switching錯亂的情況——這在所謂的「vibe coding」中很常見，模型傾向於照著使用者的prompt字面意思走，而不是自己推斷潛在後果。
但這反而證明瞭一件事：便宜的模型，是給開發者最大的禮物。因為它給你更多「嘗試空間」——你可以不斷迭代、不斷最佳化，直到產出符合預期的產品，而不用每次都為此付出昂貴的代價。
技術亮點：它做了哪些「不一樣」的決定？
如果你以為LongCat-2.0只是「又一個大模型」，那你就太小看它了。它有幾個技術細節值得我們注意：
1. LongCat Sparse Attention（LSA）
不同於傳統的「全域性注意力」（每次都要看過所有tokens），LSA只關注對當前任務最相關的部分。這讓它在處理100萬上下文tokens時，依然能保持快速回應。
2. N-gram Embedding系統
這是我覺得最聰明的設計之一。傳統模型看到「New」、「York」、「City」會把它們當三個獨立的詞。LongCat-2.0可以直接把「New York City」當作一個有意義的概念來理解——就好比人類看到「張無忌」時，不會把他拆成「張」、「無」、「忌」三個字。
這種設計讓它的詞彙表達能力提升了約100倍，但模型大小並沒有因此爆炸。
3. 三合一路由機制
美團在訓練後整合了三個專精系統：Agent（工具使用）、Reasoning（推理）、Interaction（對話）。每次使用者提出請求，一個「路由機制」會決定該派哪個組合出馬——就像餐廳裡，服務生根據你的需求決定派廚師還是甜點師出來。
基準測試：它打贏了誰？
讓我們看看實際的分數：
SWE-bench Pro（解決真實GitHub問題的能力）：
- LongCat-2.0：59.5
- GPT-5.5：58.6
- Gemini 3.1 Pro：54.2
- Claude Opus 4.7/4.8：更高
FORTE（模擬15種職業的日常辦公任務，45分鐘限制）：
- LongCat-2.0：73.2
- Claude Opus 4.6：73.2（平手）
- GPT-5.5：77.8
這些數字說明什麼？LongCat-2.0在程式碼能力上已經打敗了GPT-5.5，雖然離最頂尖的Claude Opus系列還有距離，但在這個價位帶，它幾乎沒有對手。
誰該注意這件事？
如果你是：
- 正在建構coding agent的團隊——預算有限，但需要高頻率呼叫。LongCat-2.0的價格結構對你非常友善。
- 需要大量Repository-scale工作的開發者——快取免費這件事，能讓你的成本直接砍半。
- 對「中國芯」發展感興趣的人——這是第一次，我們看到兆級模型在非美系硬體上完整訓練。
目前唯一的遺憾是——還不能自託管。GitHub和Hugging Face上的模型權重檔案顯示「即將推出」，但美團還沒給出具體日期。如果你需要完全掌控自己的部署環境，可能還要再等一等。
結語：沉默者的反擊
回想起來，Owl Alpha這個名字取得真好——貓頭鷹總是在夜間出沒，悄然無聲，但當你發現它的時候，它已經看穿了一切。
美團用兩個月「隱形模式」證明瞭一件事：在AI世界，最快的路，往往不是最熱鬧的那條。當所有人都在追逐marketing、追逐話題、追逐曝光的時候，有一群人選擇了最土的方式——讓產品自己打出一片天。
現在，戰鬥才剛開始。
🔍 相關標籤
#AI #美團 #LongCat #OpenRouter #中國AI #Mixture-of-Experts #MoE #開源模型 #DeepSeek #GPT-5.5 #Claude #AI開發 #程式碼模型
