美团 LongCat-2.0 国产算力与商业化深度研究

生成日期：2026-07-17

结论先行

LongCat-2.0 的真正价值，不只是“用国产卡把一个 1.6T MoE 模型训出来”，而是美团证明了自己已经拥有一套从算子、通信、调度、容错、数值正确性到大规模推理的国产 AI 基础设施。公开证据可以确认：模型从零预训练，预训练数据超过 30T tokens（模型卡称超过 35T），训练和大规模部署均在国产 AI ASIC 超级集群上完成；国产算力工程始于 2023 年，2024 年进入万卡阶段，最终峰值训练规模超过 5 万卡，稳态吞吐超过 1T tokens/day。

最敏感的芯片型号并未被美团公开。综合时间线、华为产品路线和美团开源的 NPU 推理代码，最合理的判断是：如果核心训练平台是华为昇腾，主力更可能是 Atlas A2 / Ascend 910B 家族，后期可能兼容或引入 910C；950PR 不应被写成训练主卡，因为华为官方将其定位为 Prefill 和推荐，真正面向训练的 950DT 要到 2026 年第四季度才上市。现有公开证据不足以证明“5 万卡全部是华为”，也不足以证明训练任务中存在 910B 与 910C 混跑。

“5 万卡”更接近一个逻辑统一训练集群上的单作业峰值，而不是把多期采购、多地库存简单累加。官方使用单数“在五万卡集群上完成”，项目报道进一步称“峰值训练规模超过 5 万张、迄今国产平台规模最大的训练任务”。物理层面很可能由多个 SuperPod、机房单元或网络域组成，但它们被统一编排为同一个训练环境。

美团对摩尔线程、沐曦等国产芯片企业的投资，并不等于 LongCat-2.0 的预训练采用了这些公司的卡。可证实的是：LongCat-2.0 开源后，摩尔线程用 MTT S5000 + MUSA/SGLang 完成推理适配，沐曦用曦云 C 系列 + MXMACA 完成 Day-0 推理适配。公开材料没有显示二者参与 5 万卡预训练。这体现出“资本布局用于保留供应链选项，核心生产选型仍服从规模、稳定性和软件生态”的现实落差。

关键问题判断表

问题	判断	置信度	公开证据边界
训练卡是否为 950PR	基本可排除其作为主训练卡	高	950PR 官方定位 Prefill/推荐；950DT 才面向训练且 2026Q4 才上市
是否为昇腾 910B	若为华为，910B/A2 是最可能主力	中高	开源 NPU 栈明确支持 Atlas A2、依赖 910b-ops；但美团未点名训练厂商
是否混合 910B + 910C	公司算力池可能异构，单次同步训练作业内混跑概率低	中	代码兼容 910B/910C；未披露实际训练拓扑
5 万卡是单集群还是累加	更像单个逻辑集群、单作业峰值	高	官方称“五万卡集群”；项目报道称“峰值训练规模超过5万”
摩尔线程、沐曦是否参与预训练	未发现公开证据；已确认推理适配	高	两家公司公告均描述开源后的 Day-0 推理适配
后训练是否用国产算力	是，官方称 MOPD 在国产算力集群上融合	高	但未披露是否使用与预训练完全相同的卡池和规模
线上推理是否国产	核心大规模部署是国产 ASIC；开源部署同时支持 GPU/NPU	高	具体线上流量在各类卡之间的比例未披露
内外部 Token 分配	没有公开绝对量和比例	高	只有 OpenRouter 调用排名、外部配额和价格

1. 训练硬件：能确认什么，不能确认什么

1.1 官方刻意不披露具体芯片厂商

美团官方技术博客只使用“五万卡国产算力集群”和“AI ASIC superpods”等表述，没有披露厂商和卡型。CNA/AFP 的报道也明确写道，美团没有披露训练采用哪家中国芯片厂商。这意味着任何把 5 万卡直接写成“全是 910B”“全是 950PR”或“华为、摩尔线程、沐曦混合”的说法，都超出了公开证据。

1.2 为什么 950PR 不是合理答案

华为 2025 年 9 月公布的产品路线非常关键：Ascend 950PR 面向 Prefill 和推荐，2026 年一季度上市；Ascend 950DT 面向 Decode 和训练，计划 2026 年四季度上市。LongCat-2.0 在 2026 年 6 月已经完成超过 35T tokens 的训练并发布，因此不可能依赖尚未上市的 950DT 完成核心预训练。950PR 虽然可以承担部分推理 Prefill 或推荐任务，但不应被当成 LongCat-2.0 的主训练卡。

1.3 为什么 910B / Atlas A2 是最强候选

美团开源的 SGLang-FluentLLM NPU 分支明确给出 LongCat-2.0 在“昇腾 Atlas A2 Pod”上的部署样例，规模为 192 卡，单机 16 卡，并要求安装 CANN 的 910b-ops。仓库中的多个自定义算子也以 ascend910b 为目标 SoC；启动脚本同时识别 910B 和 910C。这直接证明美团为 LongCat-2.0 做了较深的昇腾 910B/A2 推理工程，而不是仅做一层框架兼容。

时间线也支持 910B：美团在 2023 年 7 月正式启动国产算力适配，2024 年 7 月获得超过 16,000 卡的国产集群。彼时 910B/A2 是最成熟、最可能达到万卡交付规模的国产 AI ASIC 平台；910C/A3 更可能承担后期扩容、兼容或推理任务。由于美团未点名，报告将“910B/A2 为主力”列为中高置信度推断，而不是官方事实。

1.4 混合部署应区分两个层面

公司级算力池出现异构几乎是必然的：不同批次可能有 910B、910C、其他国产 GPU 以及历史存量海外 GPU，分别承担训练、评测、后训练、推理、推荐和内部业务。但单次大规模同步训练作业通常更偏好同代、同规格、同软件版本和同拓扑的卡，因为异构混跑会被最慢设备拖住 step time，并放大显存、算子、通信和容错复杂度。

因此更合理的形态是“分阶段、分作业、分资源池异构”，而不是在同一个 5 万卡训练 job 里任意混合 910B、910C、摩尔线程和沐曦。

2. 5 万卡到底代表什么

官方称“最终在五万卡集群上完成万亿参数模型的全流程训练与推理”，项目亲历者报道则称“峰值训练规模超过 5 万张国产算力卡，是迄今国产平台规模最大的训练任务”。这两种表述共同支持：5 万卡是训练任务达到的并发峰值，而不是多年累计采购量。

“单集群”在这里应理解为逻辑统一的训练集群。物理上，它可能由多个 SuperPod、机柜组、网络域甚至多个机房单元构成，通过统一调度、通信和 checkpoint 系统形成一个作业。公开资料没有披露是否跨地域、是否跨数据中心，也没有证据支持把“5–6 万卡”解释成多个互不协同的小集群简单相加。

从官方的“超过 35T tokens”和“稳态超过 1T tokens/day”做量级校验，完整预训练仅在稳态阶段就至少需要约 35 天；模型卡又称训练跨越“数百万 accelerator-days”，除以约 5 万卡，对应至少数十天的全量运行。因此实际 full run 更可能是 1–2 个月量级，而“三年”指的是国产平台从适配、验证到规模化的工程周期，并非一个训练作业连续跑了三年。

3. 国产训练的三年爬坡路径

公开采访给出了一条相当清晰的工程时间线：

时间	阶段	关键结果
2023 年上半年	内部论证	判断大模型核心算子相对有限，国产训练原理上可行
2023 年 7 月	正式启动	与算力厂商建立周会和高频技术交流机制
2023 年 9 月	成建制适配	从单算子验证推进到端到端训练
2024 年春节前后	首次闭环	跑出首个 Loss，数值与主流芯片接近
2024 年 7 月	万卡交付	超过 16,000 卡集群交付，一周左右跑通端到端作业
2024–2025	体系重构	重写算子、通信、调度、工具链，建设确定性和自动恢复
2026 年上半年	5 万卡 full run	完成 1.6T MoE、35T+ tokens 的全流程训练与大规模部署

核心难点不是单卡算力，而是系统工程：

稳定性：任何一张卡、链路或进程故障都可能挂掉同步作业。团队建设了卡间通信异常处理、弹性扩缩卡、自动重调度和自动恢复，将月均日故障率降低 70% 以上，项目报道给出的训练稳定性超过 92%。
正确性：万卡阶段暴露出随机比特翻转、数值不一致和难以复现的问题。团队建设确定性算子、Bitwise 一致性验证和参数检测，并优化关键模块计算精度与 Reduce 逻辑。
算子生态：早期国产平台开发一个算子可能需要一个月以上。确定性 FlashAttention 反向算子一度比非确定性版本慢 20–70 倍，美团自研后把性能损失压到约 5%；Scatter 类算子也通过新并行算法提升数十倍。
通信与调度：万卡首次启动时，调度系统甚至因为作业内存统计超过整数上限而无法正常展示；MoE 的 All-to-All、流水线并行和超节点拓扑需要重新设计。
显存与带宽：1.6T 总参数、1M context、MoE 专家路由使 HBM 容量、访存带宽和片间互联成为比峰值 FLOPS 更现实的约束。

结果层面，美团披露训练 MFU 提升 1.5 倍、稳态吞吐超过 1T tokens/day，模型卡称完整训练没有回滚或不可恢复的 Loss spike。需要注意，“没有回滚”不等于“没有硬件故障或作业重启”，而是指容错和恢复没有造成不可逆训练损失。

4. 芯片供应商支持与技术反馈

公开信息无法量化华为投入了多少工程师、是否驻场、是否提供专门版本或 SLA，但可以确认供应商参与程度很深：美团从 2023 年 7 月就建立厂商周会和高频技术交流；开源仓库要求从“华为生态工程师”获取部分 CANN/Community SDK，并基于 CANN 官方 ops-transformer 的具体分支、提交和合并请求制作 910B 自定义算子补丁。

美团向供应商反馈的问题很可能覆盖以下几类：

确定性 FlashAttention、Scatter、Reduce 等算子的性能与正确性；
HCCL/集合通信异常、MoE All-to-All 延迟、超节点内外通信一致性；
HBM 容量、长上下文 KV-cache、权重预取和访存瓶颈；
驱动、编译器、调试器和错误定位工具的可用性；
随机比特翻转、卡间性能离散、故障检测和自动隔离。

这些反馈显然推动了软件栈和算子层迭代，但公开材料不足以证明它们直接改变了某一代芯片的硅设计、驱动版本或硬件规格。可以安全表述为“形成了模型—Infra—芯片的持续协同优化闭环”，不宜具体声称“美团推动华为从某版本升级到某版本”。

5. 后训练与推理是否仍在国产集群

美团开源文章明确写道，后训练阶段采用多教师在线蒸馏，将 Agent、Reasoning、Interaction 三类专家通过 MOPD 在国产算力集群上无缝融合。因此后训练不是转回海外 GPU 的公开案例。没有披露的是：后训练是否使用与预训练同一批卡、是否达到 5 万卡规模，以及不同 SFT/RL/蒸馏任务如何切分资源。

推理侧的证据更强。模型卡称完整训练和大规模部署均建立在 AI ASIC superpods 上；官方还公开了针对国产卡的模型、芯片适配与部署协同优化，包括：

Attention absorb、Indexer 与 MLA prolog 并行；
KVP 切分 KV-cache，缓解 1M context 的 I/O 和显存压力；
ScMoE 利用控核能力并行 Dense 与 MoE 分支；
Super Kernel 减少 kernel launch 开销；
Weight Prefetch 隐藏 I/O 延迟；
PD 分离、Expert Parallel、序列并行和异步负载均衡。

开源 NPU 样例在 Atlas A2 192 卡上采用 64 卡 Prefill + 128 卡 Decode。摩尔线程和沐曦也已完成推理适配。这说明未来推理可以比训练更异构：训练强调同质性和全局同步，推理可以按 Prefill、Decode、上下文长度、精度和成本把流量拆到不同硬件池。

6. 投资版图与实际训练选型的落差

CNA/AFP 报道称美团投资了摩尔线程和 MetaX（沐曦）。摩尔线程上市时，美团旗下三快科技已出现在股东体系中，并通过深圳三快网络参与战略配售。沐曦也被报道为美团投资的国产芯片公司。

但 LongCat-2.0 的公开协同只证明了两家公司在开源后完成推理适配：

摩尔线程：MTT S5000 + MUSA 软件栈 + SGLang-MUSA，完成模型加载、推理引擎、关键算子、部署和精度验证；
沐曦：曦云 C 系列 + MXMACA，完成 Day-0 推理适配，强调长上下文、多卡协同和 SGLang/vLLM 兼容。

没有证据表明二者进入 5 万卡预训练主集群。原因并不矛盾：战略投资的目标是获得供应链可选项、生态关系和潜在财务回报；生产训练选型则要求一次性交付规模、长期稳定性、工具链成熟度、网络拓扑、运维体系和单位有效算力成本。投资组合可以多元，核心训练平台往往只能集中。

7. 美团算力储备与未来采购

美团没有公开“总共有多少 AI 卡、各型号多少、未来采购多少”的清单。5 万卡只能证明一次训练任务可调度到的峰值规模，不能等同于公司全部算力储备，也不能证明这些卡全部自有；其中可能包含自建、云租赁、合作集群或长期容量合同。

财报可以提供外围尺度：2025 年研发费用为 259.98 亿元，同比增长 23.5%，公司称主要由 AI 等公司级投入增加推动；电子设备新增账面投入为 102.42 亿元，高于 2024 年的 64.72 亿元；年末已承诺但尚未发生的物业、厂房与设备资本开支为 51.33 亿元；现金及现金等价物与短期理财合计约 1,668 亿元。电子设备并不等于 AI 加速卡，但这些数字说明美团有持续扩张计算基础设施的财务能力。

最可能的采购策略不是只押一家，而是“训练主平台集中 + 推理多平台扩展”：保持一套经过验证的主训练集群，同时让 910C/950 系列、摩尔线程、沐曦等在推理、评测、特定工作负载和下一代集群招标中竞争。

8. 出口管制升级后能否支撑下一代模型

现有国产集群足以证明美团可以完成 LongCat-2.0 这一代模型的完整训练，但“能完成一次”不等于“拥有充裕算力”。下一代模型的瓶颈更可能出现在有效算力和研发迭代速度，而非模型是否能启动。

如果下一代模型把激活参数、训练 tokens 或长上下文训练比例提高一倍，训练计算量可能上升 2–4 倍。沿用 5 万张 910B 级别卡，理论上仍可通过延长训练周期完成，但会显著压缩并行实验、消融、后训练和线上推理资源。真正制约前沿能力的将是：

HBM 容量与带宽，尤其是更大 MoE、优化器状态和百万上下文；
超节点 scale-up 互联和跨节点 All-to-All；
大规模故障率、备件供应、芯片良率和运维效率；
电力、液冷、机柜密度和网络建设周期；
CANN/MUSA/MXMACA 等软件版本的成熟度；
是否有足够资源同时跑主训练、多个实验和大规模在线服务。

华为 950DT 和 Atlas 950 SuperPoD 的训练能力要到 2026 年四季度才进入市场，可能成为美团下一代训练平台的候选，但量产、软件成熟和实际交付节奏仍是变量。结论是：现有平台具备“保底完成下一代”的基础，但若模型规模和研发节奏同步上升，仅靠现有 5 万卡存量很难保持国际前沿实验密度。

9. 与 DeepSeek V4、智谱 GLM 的工程与战略差异

公开资料对 DeepSeek V4 和智谱 GLM-5/5.1 的核心表述是国产芯片推理适配。DeepSeek V4 官方模型材料没有宣称完整预训练在国产芯片完成；智谱官方则明确写“国产芯片支持线上推理集群”，并列出华为昇腾、摩尔线程、寒武纪、昆仑芯、沐曦、燧原和海光等平台。二者都体现出部署层的多芯片兼容，但不应自动等同于原生国产预训练。

两类工程的差别如下：

维度	国产推理适配	LongCat 原生国产训练
起点	模型权重和架构基本确定后移植	从基座设计、预训练开始围绕硬件共设计
主要工作	权重加载、量化、推理算子、KV-cache、调度、精度验证	前反向算子、优化器、集合通信、并行策略、checkpoint、确定性、长期容错
时间尺度	Day-0 到数周/数月	多年平台建设 + 数十天 full run
硬件要求	可以多厂商并行适配	主训练 job 更依赖同质硬件和统一软件栈
战略意义	扩大部署选择、降低推理成本	证明前沿模型研发不再依赖受管制训练 GPU

LongCat 并非完全没有参考 DeepSeek。其官方 README 明确写道，LongCat Sparse Attention 是为解决 DeepSeek Sparse Attention 中 Lightning Indexer 的输出不连续和平方级打分瓶颈而设计，说明模型架构层吸收了 DeepSeek 的公开研究。但美团国产训练 Infra 在 2023 年已经启动，早于 DeepSeek V4；目前没有证据表明其训练集群、调度、容错和算子体系直接复制了 DeepSeek 的国产适配方案。更准确的说法是“模型架构借鉴公开研究，国产训练平台长期独立建设”。

10. 开源范围与商业化

10.1 开源动机

美团官方把开源定义为“技术路径的公开”和“生态邀约”，希望盘活存量国产算力。更深层的商业逻辑包括：

用开放权重扩大开发者和 Agent 工具生态，形成事实标准；
用公开的国产推理栈降低企业采用门槛，反向扩大 API 和私有部署需求；
把一次巨额训练投入摊薄到外部生态和品牌影响力；
展示国产训练能力，为下一轮芯片采购和产业合作增加议价权；
为美团内部本地生活 AI、编码、运营和商家工具积累外部反馈。

10.2 实际开源了什么

已开放的内容包括：

BF16、FP8、INT8 等多精度模型权重，MIT License，允许免费商用；
Hugging Face、GitHub、ModelScope 模型卡和部署说明；
GPU 侧 SGLang 部署 recipe；
NPU 侧 SGLang-FluentLLM、Atlas A2 部署样例和大量 910B 定制推理算子；
模型架构、评测和核心推理优化文档。

未发现开源的内容包括：

预训练数据及清洗配方；
完整预训练框架、5 万卡调度系统和自动恢复平台；
训练用的全部前反向算子、通信实现和生产配置；
SFT/RL/MOPD 的完整后训练代码、数据和奖励系统；
真实训练拓扑、卡型分布、故障日志和供应商版本信息。

因此“全栈开源”更准确地理解为“权重 + 多平台推理栈基本开放”，不是把训练 Infra 全部交付社区。

10.3 Token 用量、计费与商业化节奏

公开信息没有给出 LongCat 内部和外部的绝对 Token 用量，也没有披露内部结算规则。官方只披露 LongCat-2.0 预览版曾进入 OpenRouter 全球调用量前三，并在 Hermes、Claude Code、OpenClaw 等场景排名靠前。这里更接近调用次数或平台排名，不等于 Token 总量。

外部商业化已经从免费测试转为“资源包 + 按量计费”：LongCat-2.0 限时价格为未命中缓存输入 2 元/百万 tokens、命中缓存输入 0.04 元/百万 tokens、输出 8 元/百万 tokens；资源包中缓存命中免费，资源包限量、分时段发售，30 天有效。2026 年 4 月预览测试初始额度为每日 500 万 tokens，提交反馈后单日最高可刷新到 1.2 亿 tokens。

这些机制释放了三个信号：第一，美团以低价和缓存优惠争夺 Agent Coding 的长上下文流量；第二，限量资源包和分时抢购说明服务仍受容量约束，需要主动整形需求；第三，当前线上发票规则以个人电子发票为主，表明公开 API 商业化仍在早期，企业级合同、私有部署和内部业务价值可能比短期 API 收入更重要。

内部结算没有公开资料。参考大型互联网公司的常见做法，更可能按 GPU/NPU 时、预留容量、Token、服务优先级和峰值保障进行内部成本分摊，而不是直接照搬外部零售价。该判断属于同行类比，不是美团确认信息。

11. 可以安全对外复述的口径

美团公开确认的是“五万卡国产算力集群”和“AI ASIC superpods”，没有公开芯片厂商和型号。
950PR 是 Prefill/推荐芯片，不是华为路线图里的主训练芯片；950DT 才面向训练，但在 LongCat-2.0 发布时尚未上市。
开源 NPU 代码明确支持 Atlas A2/910B，因此“910B/A2 为主”是目前最强的技术推断，但仍不是官方确认。
5 万卡是逻辑统一训练集群的峰值任务规模，不应理解成多年采购累加；物理上可能由多个 SuperPod 组成。
摩尔线程和沐曦已完成推理适配，尚无公开证据证明参与 5 万卡预训练。
后训练在国产算力集群完成；训练、后训练、推理是否完全使用同一批卡，没有披露。
LongCat 借鉴了 DeepSeek DSA 的公开架构思路，但国产训练 Infra 从 2023 年起独立建设。
权重与推理栈开放较完整，训练数据、训练框架和 5 万卡生产 Infra 没有开源。
内外部 Token 量和内部结算未披露；外部 API 已开始低价计费，商业化重点明显偏向开发者生态和 Agent Coding。

12. 尚待内部人士确认的问题清单

如果能够接触 LongCat Infra、采购或芯片适配工程师，最有信息增量的问题是：

2024 年 7 月交付的 16,000 卡集群具体是什么型号？最终 5 万卡是否来自同一代产品？
5 万卡 full run 的 world size 峰值、平均有效卡数和稳定运行天数分别是多少？
物理上跨了多少 SuperPod、机房或网络域，是否跨园区？
预训练、长上下文中训、SFT、RL、MOPD 分别使用什么卡型和规模？
单次作业内是否允许 910B/910C 异构，还是通过资源池隔离？
与供应商周会中最频繁的前三类问题是什么？哪些进入了 CANN、驱动或固件版本？
摩尔线程、沐曦是否在开源前参与过内部精度或性能 POC？是否获得过训练订单？
5 万卡是自有资产、云上长期容量还是联合建设？折旧和电力成本如何归集？
LongCat 内部 Token 日均量、外部 API 日均量、峰值并发和成本回收率是多少？
下一代模型计划主要依赖 910C、950DT、其他国产 GPU，还是继续扩大 A2 存量集群？

参考来源

口径说明：本报告严格区分官方确认、媒体采访和技术推断。涉及具体芯片型号、卡型分布、内部 Token、采购计划及供应商人力投入的部分，如无公开一手材料，均不作为确定事实。仅供研究，非投资建议。

把“5 万卡国产训练”拆成可验证的工程事实

完整研究报告