MoE 模型每层有多个专家，但每个 Token 只激活少数几个——LongCat-2.0 的 MoE 稀疏度已接近 97%，意味着继续增加专家参数带来的性能收益微乎其微。美团选择的替代路径是 N-gram Embedding：将 135B 参数（占总参数 10% 以内）投入一个与 MoE 正交的新扩展方向，通过 5-gram 词组组合将表征空间扩大百倍。实验证明同等参数量下，这条路的回报显著高于堆叠专家。

LongCat-2.0 的百万上下文能力依赖 LSA，其核心是三项正交策略：一是流感知索引，将碎片化 HBM 访问转换为连续顺序读取，最大化内存带宽；二是跨层索引，利用相邻层关注 Token 高度一致的特性，让一次索引结果被多个注意力层复用；三是层级化索引，先按 block 粗筛再精细挑选，缩小检索空间。这三招共同将平方级计算开销降至线性级，并在投机解码中进一步复用多层索引结果。

LongCat-2.0 在 SWE-bench Pro 上得分 59.5，超过 GPT-5.5 和 Claude Opus 4.6。但近期研究指出，SWE-bench 分数是「模型 + Agent 框架 + 任务集」三变量的混合结果，同一个模型换套 Agent 框架可差数十个百分点。基元律动等机构开源的 Claw-SW Bench 正试图拆解这个黑箱：当 Agent 框架参数固定后，模型原始编码能力的高低才真正浮现——这意味着 LongCat-2.0 的高分有一部分来自美团自研 MOPD 架构的工程优化，而非纯模型能力。

LongCat-2.0 开源不只是秀技术肌肉。美团的 AI 战略是三层架构：AI at Work（内部提效）、AI in Products（小美等产品嵌入）、Building LLM（大模型基座）。开源模型以 MIT 协议释放权重和推理代码，表面是降低国产算力使用门槛，实则是在构建以 LongCat 为核心的本地生活 AI 生态——开发者适配后更难迁移，美团可借此盘活存量国产卡、降低自建算力成本，并通过 Tabbit 等免费产品抢用户、沉淀场景数据反哺模型。这套打法本质是用开源「吸生态血」补商业化闭环。

5 万张国产卡训出万亿模型，这本身就是工程壮举。但真正值得追问的不是「能不能训」，而是「能跑多久、多稳」：文章提到月均日故障率降低 70% 以上，说明故障大概率是常态。国产卡在万卡级训练中遇到的主要瓶颈到底在哪——是单卡算力不足、片间互联带宽受限，还是算子库成熟度差距？要知道同一批卡上跑的并行框架设计、故障恢复机制、Checkpoint 策略，这些工程细节的差距可能比芯片本身更大。