国产算力全知道：1.6T 是怎么练出来的
LongCat-2.5 的发布稿只有一句话在讲算力。真正值得读的，是这句话背后那条链上还没被说清的部分。
引言：一句"全程国产算力"，藏了七件事
11 月 2 日，美团龙猫发布 LongCat-2.5。总参数 1.6 万亿，每个 token 激活约 480 亿，原生多模态，面向长程智能体任务，训练全程由国产算力完成。
发布稿里，"国产算力"只占了半句话。但这半句话背后，至少有七件事需要拆开看：芯片是谁的、卡和卡之间怎么说话、视觉怎么进主干、长程 Agent 的能力从哪来、量化省下的钱从谁的账上出、宣传口径能不能核、以及一个 1.6T 的模型对一家做本地生活的公司到底意味着什么。
这篇不谈立场，只把这条链拆开。拆完你会发现，"全国产"不是一个开关，而是一串可以逐个追问的数字。
1.6T 参数只激活 480 亿，这个稀疏度在赌什么？
1.6 万亿参数，每次只叫醒 480 亿。激活比例大约 3%。这个数字第一次看会觉得夸张，放在 2026 年的 MoE 里却不算异类。
腾讯混元 Hy4 preview 是 770B 总参、49B 激活，比例约 6.4%。LongCat-2.5 把总参推到 1.6T，激活只比它多一点。方向很清楚：继续往总参上加，但尽量不动每次推理的算力。
这就是 MoE 的核心交易。总参数决定模型的容量，能装多少知识、多少模式；激活参数决定每个 token 要花多少 FLOPs、要读多少权重。前者影响显存，后者影响账单。把两者拆开，才有可能做到"能力像万亿，单价像百亿"。
代价也在这里。参数装进显存，是要付真金白银的。1.6T 权重按 FP8 算是 1.6TB，按 4bit 算是 0.8TB。一张 96GB 的卡，光装权重就要九张起步；换成 FP16，得三十多张。这不是"部署"，这是"建一个小机房"。
另一笔代价是通信。MoE 每层要把 token 发给对应的专家，再把结果收回来。专家并行度越高，All-to-All 的通信量越大。所以稀疏度不是免费的：省下来的算力，一部分会以通信的形式还回去。
读这类模型时，记住一句就够：总参看显存，激活看账单，稀疏度看通信。三个数一起看，才不会被"1.6T"这个数字单独带走。
五万卡全链路国产化，先撞墙的是芯片还是互联？
今年 6 月的 LongCat-2.0，美团给出的说法是"五万卡集群全链路国产化"，第一次在国产算力上完成万亿参数模型的全流程训练与推理。LongCat-2.5 沿用了这条链路，并针对长上下文训练和推理做了优化。
很多人第一反应是：国产卡单卡算力差多少？这个问题的答案，其实没有想象中重要。
单卡的差距，可以用规模补。一张卡慢 30%，就多买 30% 的卡，只要电和机房跟得上。但互联的差距补不了。五万张卡训练一个 1.6T 的 MoE，瓶颈不在 FLOPS，在"卡等数据"的时间。
业内常用的办法是超节点：把几十到几百张卡用高速互联捆成一台"逻辑上的大机器"，华为的 CloudMatrix 384 是公开案例。再往外，靠 RoCE 或自研网络把超节点串起来。差别不在峰值带宽，在尾延迟。训练时最怕的不是平均慢，是少数卡偶发卡顿，把整个同步步骤拖住。
所以真正该看的指标是 MFU，模型浮点利用率。业内万卡级训练的 MFU 通常落在 30% 到 40% 这个区间，国产集群因为算子适配和通信库的成熟度，往往还要再打折。另一个更少被提的指标是有效训练时间：一次训练跑了 20 天，其中有多少天真的在算，多少天在等故障恢复、回滚 checkpoint、重算丢掉的步数。
做过大规模训练的同学都懂那种时刻。凌晨两点，loss 曲线突然抖了一下，日志里跳出一个 NCCL 超时。最坏的情况不是慢，是跑到第 11 天挂了，得回滚到第 10 天的 checkpoint。那一天的卡时，没人给你报销。
把视觉做成离散 token 塞进主干，为什么比外挂 adapter 难？
LongCat-2.5 处理视觉的方式，是把图像表示成多层级的离散 token，让主干模型用同一套 token 形式同时处理视觉和文本。这句话技术味很重，但它是"原生多模态"和"支持图片输入"的分水岭。
过去两年最常见的做法是外挂：视觉编码器接一个投影层，把图像特征映射成若干软 token，塞进语言模型的输入。工程上快，几周能跑通，但视觉信息始终是"外来物种"。文本先验太强，模型容易只看文字、把图当装饰。
原生多模态是在预训练阶段就把视觉 token 混进去。模型从一开始就知道，序列里会有不属于文字的符号。LongCat-2.5 强调的视觉编程、创意设计、3D 页面任务，靠的就是这个：看一张设计稿，改对应的代码；看一个页面截图，还原布局。这些任务要求模型能把"屏幕上的位置"和"代码里的结构"对上，外挂方案很难稳定做到。
难的地方有三处。第一是 tokenizer：视觉 token 的粒度怎么定，粗了丢细节，细了序列爆炸。第二是对齐：同一张图，不同分辨率、不同裁剪，token 序列要能表达同一件事。第三是训练稳定性：视觉 token 的分布和文本差太远，混合比例稍有偏差，语言能力就会掉。
还有一笔隐性成本。视觉 token 会挤占上下文。一张高分辨率截图可能吃掉几千个 token，多轮 Agent 任务里，图越积越多，窗口很快见底。原生多模态解决的是"看得懂"，没有解决"看得起"。
长程 Agent 的能力，能从失败轨迹里"反推"出来吗？
LongCat-2.5 的训练里，有一个做法值得单独拎出来：把真实 Agent 运行时产生的失败轨迹，转化成可复现、可验证的训练任务，再针对暴露出的短板补数据。
这句话的分量，在于"可验证"三个字。
长程任务和单轮问答是两种东西。单轮问答错了，换个说法再问一遍就行。长程任务错了，你得知道错在哪一步：是工具调用参数错了，是中间结果判断错了，还是早就跑偏了却一直没发现。要把这种能力练出来，靠人工标注几乎不可能，成本高，而且标不准。
把失败轨迹变成训练题，逻辑是这样的：Agent 在真实环境里跑，失败了，日志留下；把这段轨迹还原成一个可重放的环境，给定同样的起点，让模型再跑；跑对了给奖励，跑错了给惩罚。这样一条失败，就变成了一道有标准答案的题。
这套方法成立的前提，是环境可复现。代码库能重建、依赖能装回、外部接口能打桩，才谈得上"可验证"。凡是没法验证的任务，反推不出训练信号，只能靠人看。这也是为什么长程 Agent 的能力，目前集中在编程、数据分析这类有明确对错的任务上。
另一个细节是跨 Harness 训练。LongCat-2.5 兼容 Claude Code、Codex、Hermes 等主流运行框架。模型学的不是某个产品的按钮，而是"调工具、读结果、改计划"这套协议。换一个外壳，能力还在。
还有一个容易被忽略的工程点：训练和推理的数值一致性。RL 训练时，模型在训练框架里算出概率，在推理引擎里采样；两边如果数值对不上，奖励信号就是脏的。官方专门提到做了这项优化，说明这不是纸面问题。
W4A4 把推理成本压下去，精度代价藏在哪？
LongCat-2.5 在国产算力上优化了 W4A4 推理。W4A4 的意思是权重 4bit、激活也 4bit。相比 FP16，权重显存降到约四分之一，带宽压力同步下降，吞吐一般会明显上升。
权重 4bit 已经不新鲜，激活也压到 4bit 才是难点。权重的分布相对稳定，可以慢慢校准；激活是每个输入现算出来的，动态范围大，长尾多。一旦量化，最先坏掉的往往不是平均表现，是那些"少数但关键"的数值。
这种误差在短对话里不明显，在长上下文和多步 Agent 里会累积。第一步的判断偏了一点，第二步基于偏的判断继续走，到第十步已经偏到另一个方向。平均分看不出来，失败率看得出来。
所以看到"支持 W4A4"，该问的不是"能省多少显存"，是"同任务下失败率涨了多少"。官方目前没有公开量化后的精度损失数字，也没有给出吞吐提升幅度。这不是苛责，是新模型发布时的常态，但读者心里要有一杆秤。
对成本敏感的场景，量化确实是刚需。1.6T 的模型，不量化根本跑不起。但省下来的是显存和带宽，不是正确性。部署前至少要做三组对照：同样任务下 4bit 与 8bit 的成功率、32k 与 128k 上下文下的衰减、连续二十步 Agent 任务的完成率。
读下一个"全国产"宣传，该追问哪四个数？
把上面几节收一下，其实可以做成一把尺子。下次再看到"全国产算力训练"，问四个数就够了。
第一，国产化的口径覆盖到哪一层
"全程国产算力"通常只说明训练芯片是国产的。推理呢？互联交换机和光模块呢？训练框架和算子库呢？是全部自研，还是基于开源改的？这四项拆开列，才知道"国产化"到底覆盖了多少。只写一句"全程国产"，信息量接近于零。
第二，MFU 和有效训练时间是多少
峰值算力是最不值钱的数字。真正决定成本的是 MFU，以及有效训练时间占比。五万张卡跑三十天，如果有效时间只有七成，剩下三成的卡时就是白烧的。这两个数不披露，成本账就没法算。
第三，故障恢复要多久
万卡集群每天出故障是常态。关键是 MTTR，平均恢复时间；checkpoint 间隔多长；回滚一次要重算多少步。这三个数决定了"规模越大越划算"这句话在国产集群上还成不成立。
第四，权重和许可证开放到什么程度
LongCat-2.0 走的是 MIT 协议，权重、推理引擎、技术文档全开放，可免费商用。LongCat-2.5 目前只说到 GitHub 和 HuggingFace"即将上线"，协议还没公布。权重开不开、推理引擎开不开、商用有没有限制，直接决定这个模型对开发者的价值。
口径：训练全程国产算力，已明确；推理与互联细节未披露。
效率：MFU、有效训练时间未披露。
稳定性：故障率、恢复时间未披露。
开放度：API 已开放，开源版本"即将上线"，许可证待定。
四项里目前能核实的，大约两项。
这不是说它不好。恰恰相反，能在国产算力上把 1.6T 的 MoE 完整训完，本身就是硬成绩。但宣传和工程是两套语言，前者给结论，后者给数字。读的人要做的，是把结论翻回数字。
美团不争"Token 工厂"，1.6T 模型怎么变成商家的利润表？
8 月 28 日的二季度财报电话会上，王兴说过一句话："我们不会成为 Token 工厂，我们的模型和 AI 产品将用于支持我们的主业。"
这句话解释了 LongCat-2.5 为什么长成现在这个样子。它没有去卷通用对话的榜首，重点强化的是商业分析和软件开发。发布会上给的那个案例很具体：模型自主搭出一张渠道利润表，发现支付 GMV 涨了 23.2%，渠道利润却掉了 1.7%，然后给出差异化资源配置的建议。
这个案例的价值不在数字，在工作流。它把"经营核算、问题诊断、决策建议"三段接成了一条链。通用模型也能算，但要人一步步喂数据、定口径、解释结果。LongCat-2.5 想做的，是直接坐进这条链里。
落地形态是"妙手"，一个 AI 经营工作台，已经服务古茗、徐升记、益禾堂等连锁品牌。商家授权范围内，它能调工具、读系统、执行任务。模型不是产品，工作台才是。
从商业角度看，这条路和"卖 token"完全相反。通用 API 的价格战里，1.6T/48B 的推理成本打不过小模型，按每百万 token 计价毫无优势。但在"一次经营诊断"这种任务上，正确的结论值多少钱，和消耗了多少 token 关系不大。高价值任务养得起大模型，这是它成立的前提。
开源在这里也不是慈善。MIT 协议开放权重和推理引擎，能换来生态、开发者和招人时的说服力；模型能力的口碑，最终会回到商家是否愿意为"妙手"付费。至于 2.5 会不会延续 MIT，还要等上线那天。
结语：国产化不是一个开关
LongCat-2.5 最值得记住的，不是 1.6T，也不是"全国产"这三个字，而是它把一条产业链的难点摆到了台面上：稀疏度换单价、互联决定成败、视觉进主干的代价、失败轨迹怎么变成训练题、量化省下的钱从哪来。
这些东西不会因为一次发布就解决，也不会因为一句宣传就消失。下次再看到"全国产算力训练"，先别急着激动，问那四个数。
能回答两个，再谈信不信。