隱形冠軍現身：LongCat-2.0 如何用「低調實力」改寫 AI 格局

一隻「貓」的逆襲：安靜佔領 OpenRouter 的幕後真相

你有沒有想過，那些默默佔據排行榜前段的 AI 模型，背後可能藏著什麼驚人的故事？當全世界的目光都盯著 GPT-5、Claude 的時候，一隻來自中國的「貓」已經悄悄地在 OpenRouter 上稱霸了整整兩個月——而且是用一個完全匿名的方式。

這隻「貓」叫做 LongCat-2.0，是美團在 2026 年 6 月 30 日正式發表的 1.6 兆引數專家混合模型（Mixture-ofExperts）。但在此之前，它已經以「Owl Alpha」這個代號，在 OpenRouter 上匿名運作了整整兩個月，直到美團正式出面才揭開這匹黑馬的神秘面紗。

想像一下：你在使用一個 AI 工具，覺得它「還不錯」，卻不知道它其實已經悄悄打敗了無數知名模型——這就是 LongCat-2.0 給整個 AI 產業的一記當頭棒喝。它不只在 Hermes Agent 工作區拿下第一，更在 Claude Code 排名第二、OpenClaw 部署量排名第三——這些可都是用每月呼叫量計算的實際戰績，不是實驗室裡的自說自話。

硬體自主的里程碑：中國芯的逆襲

但 LongCat-2.0 的厲害之處可不只是「隱形冠軍」這麼簡單。它是史上第一個從預訓練到部署，完全在中國自製 ASIC（特殊應用積體電路）上完成的兆引數模型。這句話有什麼了不起？

讓我告訴你背景：過去即使是中國的 AI 公司，很多時候也是用 Nvidia 的晶片做預訓練，然後才用華為等國產晶片做推理。但 LongCat-2.0 完全不一樣——從訓練到服務，全部都是用超過 5 萬顆國產加速器完成的。這意味著什麼？這代表中國在 AI 硬體領域又往前邁進了關鍵的一大步，不再依賴美國的晶片。

美團宣稱，這次的預訓練涵蓋了超過 35 兆個 tokens，採用了超過 5 萬顆國產加速器的叢集，而且「沒有回滾、也沒有不可恢復的損失峰值」。如果你瞭解大型語言模型訓練的過程，就會知道這有多麼難得——多少頂尖團隊在訓練過程中因為各種問題必須重頭來過？LongCat-2.0 的穩定性，無疑是給整個產業打了一劑強心針。

價格屠夫來襲：CP 值的極致演繹

好，效能厲害、硬體自主——但真正讓業界「哇」出來的，是它的價格。

標準 API 存取費用是每百萬輸入 tokens 0.75 美元、輸出 tokens 2.95 美元。更誇張的是，目前促銷期間直接腰斬，變成輸入 0.30 美元、輸出 1.20 美元——而且快取內容讀取完全免費。

讓我們做個簡單的對比：GPT-5.5 是每百萬 tokens 5/30 美元，Claude Sonnet 5 是 2/10 美元。就連以「便宜」著稱的 DeepSeek V4-Pro 都要 0.435/0.87 美元。小米在五月降價後的 MiMo-V2.5 Pro 勉強追平了 LongCat-2.0 的定價，但 LongCat-2.0 現在可是促銷價啊！

不只如此，美團還推出了 token 方案，軟體工程師和重度使用者可以直接購買 10 億 tokens 的大容量包，大約只要 60 美元。這個價格，簡直就是要讓其他廠商無路可走。

難怪有人說，LongCat-2.0 是「價格屠夫」——它用超甜的價格，硬生生把 AI 服務的門檻再往下拉了一個檔次。

技術內行看門道：那些你必須知道的創新

雖然價格殺瘋了，但 LongCat-2.0 的技術實力可一點都不馬虎。它用了幾個關鍵技術來做到「更大、更強、但不快、更便宜」：

LongCat Sparse Attention（LSA）：這套基於 DeepSeek 設計的稀疏注意力機制，能在處理長達 100 萬上下文 tokens 的對話時，只聚焦在最相關的資訊上，而不是像傳統模型那樣「什麼都看」。這就是為什麼它能快速回應的原因。

N-gram 嵌入系統：這是一個很聰明的做法。傳統模型看「New」、「York」、「City」是三個獨立的單位，但 LongCat-2.0 可以把它們當作「New York City」這個完整概念來理解。這個改變讓它的語言理解能力提升了約 100 倍，但模型體積並沒有爆炸性成長。這就像是你會說「便利商店」而不只是「便利」和「商店」——AI 也是這樣變得更「會說話」的。

三合一專業系統：美團在模型訓練完成後，結合了三個專業系統——一個專門處理工具使用（Agent）、一個專門解決問題（Reasoning）、還有一個專門對話（Interaction）。然後用一個「路由機制」來決定每個問題應該交給哪個專家處理——這就像是一個公司裡，不同的事情交給不同部門去處理，效率自然更高。

實測表現：我們真的玩了遊戲測試

說了這麼多理論，實際表現到底如何？我們團隊實際用 LongCat-2.0 做了遊戲開發測試。過程中它確實完成了任務，經過幾輪迭代後輸出品質還算不錯。

不過，在某些情境下，它的邏輯還是有些「直線條」——比如說，當敵人數量增加的時候，它沒有考慮到難度會影響邏輯判斷，切換目標的邏輯在高速情況下會變得混亂。這種情況在「氛圍程式設計」（vibe coding）中很常見——模型會照著使用者的指令「字面意思」去執行，但不會預先想到每個決定可能帶來的連鎖反應。

但話說回來，這也就是為什麼「便宜模型」始終是個好選擇——因為它給了你更多機會去反覆修正、最佳化每一個結果，直到最終產出的品質符合期待。在我們的快速測試中，LongCat-2.0 的整體品質大概落在 DeepSeek V4 Flash 和 DeepSeek V4 Pro 之間——考慮到這個價格，這個CP值簡直沒有對手。

基準測試：資料會說話

讓我們看看客觀的資料：

在 SWE-bench Pro（衡量模型解決真實 GitHub 問題的能力）上，LongCat-2.0 拿到 59.5 分，領先 GPT-5.5 的 58.6 和 Gemini 3.1 Pro 的 54.2，但仍落後 Claude Opus 4.7 和 4.8。

在 FORTE（測試 AI 代理處理日常辦公任務的能力，15 個職業、45 分鐘限制）上，LongCat-2.0 拿到 73.2 分，與 Claude Opus 4.6 持平，但落後 GPT-5.5 的 77.8。

這些資料說明什麼？LongCat-2.0 已經是「第一梯隊」的選手，雖然還不是絕對王者，但在某些關鍵場景上，它已經可以和 GPT-5.5 正面對決了——而且價格只有它的十分之一不到。

誰該注意 LongCat-2.0？

如果你符合以下這些條件，LongCat-2.0 絕對值得你關注：

預算有限的開發團隊：尤其是正在開發 coding agents 的團隊，LongCat-2.0 為你提供了「省錢又能打」的新選擇。那些需要大量呼叫、每月費用驚人的團隊，現在有了更親民的替代方案。

需要高流量工作的開發者：因為 LongCat-2.0 提供免費的快取內容讀取，所以當你的工作需要大量重複參考相同上下文時，這個優勢會讓你的成本大幅下降。

對國產 AI 有興趣的人：這是第一款完全在中國自製 ASIC 上完成訓練和部署的兆引數模型無論你是研究者、開發者，還是純粹想了解 AI 產業趨勢，這都是一個重要的里程碑。

不過，有個遺憾的訊息：目前 LongCat-2.0 還不開放自託管（self-host）。GitHub 和 Hugging Face 的模型權重都還是「即將推出」的狀態，美團也沒有給出具體的發布時間。如果你需要完全掌控自己的模型，那可能還要再等等。

結語：一隻低調的貓，改變了什麼？

LongCat-2.0 的故事告訴我們，在 AI 這個競爭激烈的產業裡，不一定只有鎂光燈下的主角才能贏。有時候，那個默默努力、暗中累積實力的「隱形冠軍」，反而能在最關鍵的時刻給你最大的驚喜。

它證明瞭幾件事：第一，國產 AI 晶片已經可以撐起兆引數模型的訓練；第二，AI 服務的價格戰才剛剛開始，未來我們可能會看到更多「高 CP 值」的選擇；第三，「低調發布」也是一種策略——先用實力說話，再來宣傳。

或許，我們應該從 LongCat-2.0 身上學到一件事：別只看那些廣告打得最兇的產品，真正的寶藏往往藏在你不注意的地方——就像一隻安靜的貓，悄悄走進了你的生活，等你回過神來，它已經成了不可或缺的存在。