美团 LongCat-2.0 能跑在五万卡国产芯片上，背后是自 2023 年起三年「模芯协同」的打磨。国内万卡集群的工程难点不在单卡算力——昇腾 910B 的 FP16 算力约 A100 的六成——而在通信稳定性：千卡时还能靠人工盯，五万卡时硬件月均故障率是英伟达集群的 3-5 倍。LongCat 团队通过 HCCL 异常处理、弹性扩缩卡和自动故障恢复，将日故障率砍掉 70% 以上。同期华庆超算规划了十万卡全栈国产集群，验证了这条路正在从「能不能用」走向「好不好用」。

传统 MoE 每来一个 token 都固定激活 k 个专家，即使「的」「是」这种虚词也要过一遍 FFN。LongCat-2.0 引入零计算专家（Zero-Computation Expert），门控网络对每个 token 先判断重要性，简单 token 直接走恒等映射返回，不消耗算力；复杂代码或推理任务才调用真正的专家网络。实测同等硬件下推理吞吐提升 40% 以上。这个机制本质上把 MoE 的「激活固定」改成了「激活自适应」，跟 MoE++ 论文的思路一脉相承。

LongCat-2.0 在国产芯片上训出 1.6T 模型，被解读为「国产算力已够用」的里程碑。但另一视角是：英伟达 B200 单卡 FP8 算力 4.5 PFLOPS，是昇腾 950（1 PFLOPS）的 4.5 倍。华为的追赶策略是不拼单卡，灵衢统一总线压到百纳秒级卡间时延，万卡集群协同效率 95%。雪球上有分析称之为「团战冠军 vs 单打冠军」——单卡仍有代差，但大模型训练瓶颈在数据传输而非单点计算。阿里 480 块 V100 训出万亿参数 M6 的案例也说明，系统优化能在硬件劣势下大幅追平。

LongCat-2.0 在 SWE-bench Pro 拿 59.5，Terminal-Bench 2.1 拿 70.8。但智源社区和 MiniMax 的评测指出，传统 Coding Agent 基准只看「测试通过率」，无视 Agent 有没有改不该改的文件、有没有遵守工程规范。OctoCodingBench 发现，最强模型在 2/3 的任务中代码对但过程错。LongCat-2.0 的 MOPD 架构融合了 Agent/Reasoning/Interaction 三组专家，真正值得关注的拐点不是跑分，而是它能否在「能干活」和「守规矩」之间找到平衡——这决定了它能不能从开发者尝鲜进入企业级代码交付管道。

LongCat-2.0 用了五万张国产卡、跑月余、吞吐超 1T tokens/天。按昇腾 910B 租赁价 0.85 元/卡时算（参考天罡智算平台），这轮训练的算力成本在 3000 万人民币上下——远低于英伟达 H100 集群的亿级开销，但对中小玩家仍是天价。真正的追问是：「国模+国芯」的全栈闭环能支撑多少真实的商业场景？美团自己有 AI SQL Agent 和 Tabbit 浏览器吃掉了推理侧的账，但第三方开发者拿到开源权重后，用同样集群跑推理的成本结构是否还能撑起一个 SaaS 定价模型？