百万 Token 上下文还不够：LongCat-2.5 用 6 种训练方法让 Agent 完成整个项目

作者注：解读 LongCat-2.5 为什么不只依赖 1M 上下文，而是从 6 个训练方向强化长程 Agent 完成整个项目的能力，并梳理开发者可以借鉴的工程方法。

做过 AI Agent 的开发者大多遇到过这些情况：任务跑到一半报错，Agent 反复尝试同一个错误命令，最后给出一份看起来很完整的总结，实际却漏掉了几个关键交付物。美团在 2026-11-02 正式发布的 LongCat-2.5 把重点放在了长程 Agent 完成整个项目上，而不只是继续强调 1M 上下文窗口。

这不是一篇参数宣传稿。美团技术博客已经披露了长程强化学习的具体训练设计，第三方也在正式版发布当天做了长任务实测。本文会区分三类信息：官方训练设计、官方 Benchmark 成绩、第三方实际体验，并说明它们各自能证明什么、不能证明什么。

核心价值：读完本文，你将理解为什么百万 Token 上下文不等于项目成功率，LongCat-2.5 用哪些方法补齐长程任务能力，以及如何把这些思路用到自己的 Agent 工程中。

LongCat-2.5 核心信息速览

LongCat-2.5 是美团 LongCat 团队发布的原生多模态大模型，定位是面向长程智能体任务（Long-Horizon Agentic Tasks）。它在 LongCat-2.0 基础上加入了更多长程任务轨迹，重点强化复杂代码库开发和完整项目构建能力。

信息项	详情
发布时间	2026-09-25 上线 Preview，2026-11-02 正式版发布
发布方	美团 LongCat 团队
模型规模	总参数 1.6T，MoE 稀疏激活，每 Token 约激活 48B
上下文窗口	1,048,576 Tokens（约 1M），包含输入与输出
核心方向	长程 Agent、Agentic Coding、视觉编程、多步骤工具调用
开放状态	官方网页与 API 已开放，正式版权重尚未确认公开

需要特别说明的是，截至 2026-11-03，API易已发布过 LongCat-2.5 的相关介绍文章，但当时说明该模型尚未在平台上线、计划后续接入。实际可调用的模型请以 API易 apiyi.com 的实时模型列表为准，本文的代码示例使用通用的 OpenAI 兼容写法，可以套用到任何已接入的模型上。

为什么百万 Token 上下文还不够完成长程 Agent 任务

长上下文（Long Context）指单次请求能容纳的 Token 总量。1M 窗口意味着模型可以一次读进更多源代码、文档和历史消息，这对大型仓库的理解确实有帮助。但仅凭这个参数，推不出“长文档检索始终准确”“工具调用持续成功”“输出文件一定正确”这些结论。

长程智能体（Long-Horizon Agent）是另一回事。它要求模型在外部环境中持续执行多个相互依赖的步骤：读取仓库、编写代码、调用工具、运行测试、发现错误、修复、再验证，最后交付。任何一环出错，后续步骤都可能建立在错误状态之上。

对比维度	长上下文能力	长程 Agent 能力
本质	单次请求的容量	多步骤持续执行的可靠性
衡量方式	能放进多少 Token	任务最终是否通过验收
关键依赖	注意力机制与长文本训练	规划、工具调用、错误反馈利用、终止判断
典型失败	长文中检索遗漏	中途偏离目标、重复调用、漏交付
与项目成功的关系	必要资源之一	更直接决定成败

换句话说，上下文是“工作台有多大”，长程能力是“能不能把活干完”。工作台再大，如果模型不会根据测试失败调整方案，或者忘记了最初的约束条件，项目依然会在半路失败。这也是 LongCat-2.5 把训练重点放在长程任务上的根本原因。

LongCat-2.5 长程 Agent 基准成绩变化

美团公布了 LongCat-2.5 与上一代在多个长程 Agent 基准上的对比。下表数值来自官方发布，提升栏是分数差值，不是相对百分比。

Benchmark	LongCat-2.0	LongCat-2.5	提升	测什么
Terminal Bench v2.1	70.8	88.4	+17.6	终端环境中完成真实操作任务
Terminal Bench v4.0	3.0	38.5	+35.5	更难的终端长任务
DeepSWE v1.1	9.7	64.6	+54.9	长程软件工程任务
Program Bench Almost Resolved	2.5	25.5	+23.0	程序构建接近完成度
NL2Repo	40.9	60.5	+19.6	从自然语言需求生成仓库
MCP Atlas	61.8	83.1	+21.3	多工具调用
JobBench	44.4	65.4	+21.0	职业任务专业交付物

这组数据的进步幅度很明显，但解读时要保留几条边界。DeepSWE 从 9.7 跃升到 64.6，在官方比较中仍低于 GPT-5.6-Sol 的 72.7；Terminal Bench v4.0 的 38.5 略高于 GPT-5.6-Sol 的 37.3，却比 Claude Opus 5 的 53.9 低 15.4 分，说明困难终端任务远未被解决。

评测条件同样重要。Terminal Bench 使用 Claude Code Harness，DeepSWE 使用 mini-swe-agent，JobBench 使用 LLM-as-Judge 评分，分数都和具体执行框架绑定。官方表格中部分竞品成绩来自公开报告，部分由美团自测，不能当作统一条件下的独立排行榜。内部基准 LongCat AppDev（47.7 → 73.7）也不具备公开可复现性。

📊 对比说明：Benchmark 只能反映特定框架下的表现，最终仍要在自己的任务上验证。可以通过 API易 apiyi.com 用同一套任务脚本对比多个已接入模型，再结合官方成绩做选型判断。

LongCat-2.5 如何训练 Agent 完成整个项目

美团技术博客披露的长程训练方法可以归纳为 6 个方向。理解它们的关键，是看每一项分别对应长任务中的哪种真实失败。

LongCat-2.5 真实任务环境与 F2P/P2P 验证

训练数据来自 GitHub 公开仓库的 PR 与关联 Issue，以及美团内部真实代码任务。流程是筛选任务、用 Agent 自动标注、构造代码环境、合成可运行测试，再让模型执行，根据实际执行结果判断是否解决问题。和单纯喂大量代码文本相比，这种方式能拿到“到底跑没跑通”的反馈。

验证上采用两类测试：F2P（Fail-to-Pass）检查原本失败的测试是否修复后通过，P2P（Pass-to-Pass）检查原本通过的测试是否依然通过。前者防止“没解决问题”，后者防止“修一个坏两个”。美团还会用训练轨迹和通过率反查测试本身的假阳性、假阴性。不过效果仍取决于测试用例覆盖需求的完整程度。

LongCat-2.5 失败轨迹学习与异步 Partial Rollout

官方把真实 Agent 的失败轨迹重新构造成可复现、可验证的任务，用来定位能力短板并补充训练环境。这相当于把“做错的题”收集成错题本，而不是只学成功案例。公开资料没有给出失败轨迹的数量和各类错误的修正率。

长任务耗时差异极大，一条复杂轨迹可能拖慢整个训练批次。异步 Partial Rollout 的做法是：多任务并行采样，凑齐批次后中断并保存未完成的轨迹，下一轮继续；同时过滤全部成功或全部失败、无法提供有效梯度的样本组。由此带来的问题是同一条轨迹的 Token 可能来自不同阶段的模型，官方通过裁剪 logprob 差异、按历史累计差异调整梯度贡献来控制偏差。这项技术改善的是训练效率，不能推出用户侧任务执行速度同比例提升。

LongCat-2.5 防 Reward Hacking 与跨 Harness 训练

Reward Hacking 指模型钻奖励设计的空子拿高分，却没有真正完成任务，比如偷看答案或绕过测试。美团的措施包括训练环境限制联网、清理 Git 历史与文件缓存、用 LLM Judge 检查轨迹，并对重复思考、重复调用工具、过度思考施加惩罚。这些是风险控制手段，并不代表问题已被彻底解决。

Harness 是组织模型执行任务的外围系统，包括工具、上下文管理和任务循环规则。LongCat-2.5 在冷启动阶段加入少量框架适配样本，在 RL 阶段混合 Claude Code、Codex 等不同框架和任务类型，降低只适应单一提示模板的风险，但无法保证不同版本工具中行为完全一致。

训练方法	解决的现实问题	已知边界
真实任务环境	只会写代码、不会跑通环境	依赖环境构造质量
F2P / P2P 验证	表面完成、引入回归错误	受测试覆盖率限制
失败轨迹学习	同类错误反复出现	未公布数量与修正率
异步 Partial Rollout	长任务训练效率低	不等于推理提速
防 Reward Hacking	投机取巧的虚假成功	未宣称彻底解决
跨 Harness 混合训练	换个 Agent 框架就失效	不保证跨版本一致

第三方实测：LongCat-2.5 长任务为何会部分完成

官方训练设计和 Benchmark 之外，第三方实测提供了另一个视角。TOKRACE 在 2026-11-02 将正式版 LongCat-2.5 接入 Claude Code，配合 Blender、浏览器等工具完成 15 项创作任务。

成功的案例是参数化书架：0.8 米三格与 1 米四格两个版本的尺寸、18mm 板厚都符合要求，并交付了六张视角图，过程约 36 分钟、47 次请求。但另一些任务暴露了典型的长程失效模式：

结构与单位错误：行星减速器要求 140mm，生成工程却用了 140m，且未交付视频。
部分交付：中式寺庙庭院在 60 分钟任务中只交付了三张最终图，缺少部分镜头和视频。
空间关系问题：两居室模型出现门窗未开洞、床与隔墙重叠等问题。
长期执行中断：一项数学知识视频在连续请求超时后未完成。

这些案例说明，长任务不能只看“有没有产出”，必须逐项核对全部要求。同时要注意，测试中设置了请求、时间或执行预算限制，不能把所有未交付都归因于模型能力不足；这也不是严格的模型对照实验。

LongCat-2.5 长程训练思路的影响分析

对 Agent 开发者的影响

选型标准变化：评估模型时，上下文长度的权重在下降，长程基准和真实任务的完整交付率更值得关注。
验证不可省略：即便模型经过 F2P/P2P 训练，生产环境中仍要自建测试与验收，第三方实测已经证明这一点。
Harness 设计同样关键：分数与执行框架强相关，同一模型换一套任务循环，结果可能差别很大。

对大模型行业的影响

训练重心转向“过程”：从单轮代码生成扩展到完整项目和多步骤工程任务，强化学习环境的构造能力成为新的竞争点。
评测方法更受关注：Terminal-Bench 2.1 相比 2.0 修复过 89 项任务中的 28 项，说明测试版本本身会显著影响结果，行业需要更透明的评测条件说明。

借鉴 LongCat-2.5 思路设计长程 Agent 工程

LongCat-2.5 的训练方法给应用开发者的启发很直接：模型侧在训练“阶段验证、失败恢复、防投机”，工程侧也应该把这些机制显式写进 Agent 系统。以下是基于公开训练方法引出的工程建议，不是官方声称已实现的功能。

工程机制	对应训练思路	落地方式
阶段验证	F2P 验证	每个子任务结束即运行检查脚本
回归保护	P2P 验证	每次修改后跑全量回归测试
失败记录	失败轨迹学习	把错误信息写入进度文件，下一轮带入
预算上限	重复调用惩罚	限制最大轮次、超时和工具调用次数
交付验收	防 Reward Hacking	检查真实文件，而不是只看模型总结

下面是一个最小化的阶段验证 Agent 循环示例，演示进度记录、失败回灌和预算上限：

import json, subprocess, openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)
MODEL = "gpt-4o-mini"  # 以平台模型列表中实际可用的模型 ID 为准
MAX_ROUNDS = 8         # 预算上限，防止死循环

def run_check(cmd: str) -> tuple[bool, str]:
    r = subprocess.run(cmd, shell=True, capture_output=True, text=True, timeout=300)
    return r.returncode == 0, (r.stdout + r.stderr)[-2000:]

def run_stage(stage: dict, progress: dict) -> bool:
    failures = []
    for i in range(MAX_ROUNDS):
        prompt = (f"阶段目标：{stage['goal']}\n"
                  f"已完成阶段：{progress['done']}\n"
                  f"历史失败（请避免重复）：{failures[-3:]}")
        resp = client.chat.completions.create(
            model=MODEL, messages=[{"role": "user", "content": prompt}])
        # 此处省略：解析模型输出并写入代码文件
        ok, log = run_check(stage["check"])          # 阶段验证（类 F2P）
        reg_ok, reg_log = run_check("pytest -q")     # 回归测试（类 P2P）
        if ok and reg_ok:
            progress["done"].append(stage["name"])
            return True
        failures.append(log if not ok else reg_log)
    progress["blocked"] = stage["name"]
    return False

progress = {"done": [], "blocked": None}
stages = [{"name": "api", "goal": "实现用户接口", "check": "pytest tests/test_api.py -q"}]
for s in stages:
    if not run_stage(s, progress):
        break
json.dump(progress, open("progress.json", "w"), ensure_ascii=False)

这个结构的关键在于：每个阶段都有可执行的验收命令，失败日志会回灌到下一轮提示中，进度写入文件而不是只存在上下文里。即使上下文足够长，把进度和约束外置成结构化状态，也能显著降低长任务中途偏离目标的风险。

🚀 快速上手建议：搭建 Agent 原型时，可以先通过 API易 apiyi.com 获取测试额度，用同一个 API Key 切换不同模型跑上面的阶段验证循环，观察哪个模型在你的任务上交付最完整。

如果项目对可靠性要求高，还可以引入“交叉验收”：由另一个模型对最终产物逐条核对需求清单。通过 API易 apiyi.com 的统一接口，执行模型和验收模型可以在同一套代码里调用，切换成本很低。

常见问题 FAQ

Q1：LongCat-2.5 的 1M 上下文意味着能完成大型项目吗？

不能直接画等号。1M 上下文是单次请求的容量，包含输入与输出，它让模型能读入更多代码和文档。完成项目还依赖规划、工具调用、错误修复和交付检查，这正是 LongCat-2.5 用长程强化学习专门训练的部分。

Q2：LongCat-2.5 与 GPT-5.6-Sol、Claude Opus 5 在长程任务上差距如何？

按官方表格，LongCat-2.5 在 BrowseComp（91.9）、Terminal Bench v4.0（38.5）上略高于 GPT-5.6-Sol，但 DeepSWE 64.6 低于 GPT-5.6-Sol 的 72.7，Terminal Bench v4.0 也比 Claude Opus 5 低 15.4 分。各项测试框架不同，不宜视为统一排行。

Q3：LongCat-2.5 正式版什么时候发布？权重开源了吗？

Preview 版于 2026-09-25 上线 API 平台，正式版于 2026-11-02 发布。官方网页和 API 已开放，但截至 2026-11-03，正式版模型权重尚未确认公开，官方表示 GitHub 与 Hugging Face 后续上线。

Q4：现在能通过 API易调用 LongCat-2.5 吗？

根据 2026-11-02 的公开说明，当时 LongCat-2.5 尚未在 API易上线，计划后续接入。具体供应状态请以 API易 apiyi.com 模型列表为准。在此期间，可以先用平台上已接入的模型搭建阶段验证、失败回灌等 Agent 框架，模型上线后只需替换模型 ID。

Q5：如何低成本验证一个模型的长程 Agent 能力？

建议准备 3-5 个贴近自身业务、带自动验收脚本的多步骤任务，记录每个模型的完整交付率、平均轮次和失败类型。借助 API易 apiyi.com 的 OpenAI 兼容接口，一个 API Key 即可在同一套脚本里对比多个模型，新用户还有免费测试额度可用于初步验证。

Q6：LongCat-2.5 的长程能力有哪些已知不足？

第三方实测中出现过尺寸单位错误、空间关系错误、视频未交付和请求超时中断等问题。官方也未宣称 Reward Hacking 已彻底解决，失败轨迹的规模与修正率尚未公开。工程尺寸、知识准确性和交付完整性仍需人工验证。

LongCat-2.5 长程 Agent 核心要点 Key Takeaways

上下文≠完成度：1M Token 是容量，不是项目成功率，长程能力需要单独训练。
真实环境训练：从 GitHub PR、Issue 和内部任务构造可执行环境获取反馈。
双向测试验证：F2P 查问题是否解决，P2P 查是否引入回归。
从失败中学习：真实 Agent 失败轨迹被重构为可验证训练任务。
成绩需看条件：Benchmark 与 Harness 强绑定，第三方实测仍有漏交付。
工程侧同步设计：阶段验证、失败记录、预算上限和交付验收缺一不可，可借助 API易 apiyi.com 多模型对比验证。

总结

LongCat-2.5 发布带来的最大信号，不是又一个百万 Token 窗口，而是训练重心从“能读多长”转向“能不能把整个项目做完”：

问题定义更准确：长程 Agent 失败多发生在执行、验证和交付环节，而不是上下文不够。
训练方法有针对性：真实任务环境、F2P/P2P、失败轨迹、Partial Rollout、防投机和跨 Harness，各自对应一类现实失败。
证据边界要清楚：官方成绩进步明显，但与顶尖模型仍有差距，第三方实测也显示完整交付仍需人工把关。

对开发者而言，更务实的做法是把同样的思路落到自己的 Agent 系统里，用可执行的验收标准衡量模型，而不是只看参数和榜单。推荐通过 API易 apiyi.com 用统一接口在真实任务上对比验证，再决定生产环境的模型组合。

📚 参考资料

美团技术团队 – LongCat-2.5 技术文章：长程 Agent 训练方法详解
链接：tech.meituan.com/2026/11/02/Meituan-LongCat-2.5.html
说明：F2P/P2P、Partial Rollout、防 Reward Hacking 等训练设计的原始出处
LongCat 官方博客：Benchmark 数据与评测方法
链接：longcat.ai/blog/longcat-2.5
说明：完整评测表及各基准的 Harness 与参数设置
LongCat 模型参数文档：上下文与输出参数说明
链接：longcat.ai/platform/docs/zh/api/model-params
说明：上下文长度、max_tokens、思考预算等调用参数
Terminal-Bench：终端 Agent 基准
链接：tbench.ai
说明：了解分数与 Agent Harness 的绑定关系及版本差异
DeepSWE：长程软件工程 Agent 基准
链接：deepswe.datacurve.ai
说明：113 个原创任务、91 个开源仓库的测试设计
TOKRACE – LongCat-2.5 实测记录：15 项创作任务第三方测试
链接：tokrace.com/zh-CN/guides/longcat-2-5-release
说明：长任务部分完成、单位错误等真实案例

作者：APIYI 技术团队
技术交流：欢迎访问 API易 apiyi.com 首页联系我们，交流长程 Agent 工程实践与多模型选型经验

百万 Token 上下文还不够：LongCat-2.5 用 6 种训练方法让 Agent 完成整个项目

LongCat-2.5 核心信息速览

为什么百万 Token 上下文还不够完成长程 Agent 任务

LongCat-2.5 长程 Agent 基准成绩变化