LongCat 官方发布与基准：长程 Agent、代码和视觉任务

一句话结论

LongCat 官方报告，LongCat-2.5 在其评测中较 LongCat-2.0 提升：Terminal Bench v2.1 为 88.4 对 70.8，BrowseComp 为 91.9 对 79.9；这些是厂商报告，不能替代独立复测。

适用场景

• 适合判断的任务：代码 Agent、网页信息检索、自动化及视觉转网页等基准的初步比较。

• 不适合外推的任务：所有真实项目的成功率、运行成本、延迟及不同评测框架下的排名。

• 适用的模型版本：LongCat-2.5；对照为 LongCat-2.0。

• 测试环境或客户端：按基准分别使用 Claude Code、官方评测代码或自研轻量 harness，详见下文。

• 推理档位和参数：除特别说明外，enable_thinking=on、temperature=1.0、top_p=0.95。

测评方法

• Terminal Bench v2.1：Claude Code harness v2.1.280，最大序列长度 512K，三次独立运行取平均。

• BrowseComp：自研轻量 harness，包含 Verify 与 Discard-All，后者阈值 256K；最多 1,024 轮，仅开放 search 与 browse_with_goal。

• AutomationBench public v1.0.6：全部 600 道公开题，使用官方评测代码。

• Vision2Web：Claude Code v2.1.7，temperature=1.0、top_p=0.95、top_k=50，序列长度 256K。

关键结果

官方将 LongCat-2.5 描述为面向长程 Agent 任务的原生多模态 MoE 模型，总参数 1.6 万亿，每 token 激活约 480 亿参数。官方展示了软件开发和专业办公的端到端演示，但未给出这些演示的完整提示词及成功率。

原始数据

以上数值按原文表格抄录。原文未在这些条目中完整披露样本方差、全部成本或具体模型快照。

结论与边界

这些数据来自模型提供方，属于官方基准，不是独立测评。原文对竞品带星号的分数引用公开技术报告、博客或官方榜单，未带星号的竞品分数由 LongCat 自测；不同来源的配置可能不同，不宜据此断言通用排名。视觉任务、真实开发仓库及实际成本仍需在目标环境中验证。

复现说明

按原文评测附注使用对应 harness、版本、工具与参数，运行指定基准并报告样本、运行次数和成本。原文未列出所有实现细节，因此仅凭发布文不能保证完全复现。