LongCat 2.0 权重开源吗？我能本地运行吗？

是的，权重公开托管在 Hugging Face 的 meituan-longcat/LongCat-2.0 仓库。1.6 万亿总参数规模较大，本地部署需要强大硬件。

LongCat 2.0 费用多少？上下文窗口多大？

API 价格为每百万输入令牌 0.30 美元，输出令牌 1.20 美元，上下文窗口略超 100 万令牌。

LongCat 2.0 与其他大型 MoE 模型有何不同？

其主要区别是 LongCat 稀疏注意力机制，专为高效处理极长上下文设计，结合数千亿 100 万令牌上下文的训练规模——这是大多数同类 MoE 模型未达到的规模。

LongCat 2.0

3609°

#llm #meituan #推理 #编程 #代理 #长上下文

运行此模型

优惠 / 广告

OpenRouter 终端 / API

按令牌付费

在浏览器中与此模型聊天，或使用一个 API 密钥从代码中调用它。

美团 | 1,048,756 token context | $0.30/M 输入，$1.20/M 输出。LongCat 2.0 是美团推出的稀疏专家混合语言模型，拥有 1.6 万亿总参数中激活 480 亿参数。适合编码、代码库级变更、长远问题解决和代理工作流。

本模型的指南

按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型

本地AI到底需要多少显存？

开放权重 vs 开源 vs 仅API：你到底能做什么

什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

LongCat 2.0 是美团推出的稀疏专家混合模型，每个令牌激活其 1.6 万亿参数中的 480 亿，训练数据超过 35 万亿令牌，拥有原生 100 万令牌上下文窗口。其架构专为长时任务设计：仓库级代码变更、代理工作流及对极长输入的持续推理。开源权重和适中的 API 价格使其成为长上下文前沿工作的值得关注的选择。

以……著称

原生 100 万令牌上下文，训练时使用数千亿长上下文令牌
非常适合仓库级代码编辑和代理任务执行
可直接集成 Claude Code、OpenClaw 和 Hermes 框架
创新的 LongCat 稀疏注意力机制降低了大规模上下文的计算成本
权重开源，Hugging Face 可用

注意

1.6 万亿总参数意味着本地部署需要强大硬件；大多数用户将使用 API。
模型卡中的基准测试为内部测评，缺乏独立第三方对比。
许可条款未详细说明，商业使用前请查阅 Hugging Face 仓库。

最适合

与……比较

GPT-6 Luna
仅限API模型
1,050,000 令牌上下文 · $0.10/M 输入，$0.50/M 输出
Claude Opus 5.5
仅限API模型
1,000,000 令牌上下文 · $4.00/M 输入，$20.00/M 输出
Muse Spark 1.3 Contributor
仅限API模型
1,048,576 令牌上下文 · $0.10/M 输入，$0.20/M 输出
Gemini 3.8 Flash
仅限API模型
1,048,576 令牌上下文 · $0.83/M 输入，$4.12/M 输出

来自 meituan 的更多文本模型

常见问题

LongCat 2.0 权重开源吗？我能本地运行吗？: 是的，权重公开托管在 Hugging Face 的 meituan-longcat/LongCat-2.0 仓库。1.6 万亿总参数规模较大，本地部署需要强大硬件。
LongCat 2.0 费用多少？上下文窗口多大？: API 价格为每百万输入令牌 0.30 美元，输出令牌 1.20 美元，上下文窗口略超 100 万令牌。
LongCat 2.0 与其他大型 MoE 模型有何不同？: 其主要区别是 LongCat 稀疏注意力机制，专为高效处理极长上下文设计，结合数千亿 100 万令牌上下文的训练规模——这是大多数同类 MoE 模型未达到的规模。

船长评语
如果你的工作涉及大型代码库或文档，且超出其他模型上下文限制，这款严肃的长上下文 MoE 模型值得选择。

Hugging Face 上的模型卡

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

这个评分是怎么计算的

这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。