TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
LongCat-Flash-Chat 開源大模型權重免費可商用，採用前先看清門檻
LongCat-Flash-Chat 是美團 2025 年開源的 560B MoE 大模型，權重以 MIT 釋出可免費商用，但模型已凍結一年、官方 API 也改賣 LongCat-2.0。本文拆解自架硬體門檻、官方評測解讀、2.0 定價與同級開源 MoE 替代，幫你判斷今天還要不要採用。
用 AI 摘要這篇文章：
2025 年 8 月底，美團的 LongCat 團隊把一個 5,600 億參數的開源大模型放上 GitHub 與 Hugging Face，名字叫 LongCat-Flash-Chat。當時它以代理任務（讓模型自己呼叫工具、分步驟完成工作）的成績引起不少討論。一年過去，還會搜到它的讀者，心裡通常有三個問題：這個模型現在還拿得到嗎？自己架要付出什麼？如果只是想用 LongCat，是不是已經有別的路？
三個問題的短答：拿得到，權重免費、MIT 授權、可商用，但模型本身已經將近一年沒有更新；自己架的門檻是資料中心等級，官方部署指南開出的最低規格是一整個節點裝 8 張 H20 顯卡；而官方的付費 API 平台上，按用量計費的模型清單裡已經沒有它，只剩 2026 年 6 月發表的 LongCat-2.0。
換句話說，LongCat-Flash-Chat 今天的位置是：一個權重仍然開放、但已經被自家新旗艦接棒的起點作品。這篇導覽以官方文件、模型卡與 API 平台的現況為準，把三個問題各自展開，最後收斂成採用前的判斷軸。文中的評測分數都來自官方自行發布的資料，性質上是官方說法，先講清楚。
還拿得到嗎：權重免費、MIT 可商用，但凍結在 2025 年 9 月
先確認最基本的事：模型還在，而且合法免費。Hugging Face 上的 meituan-longcat/LongCat-Flash-Chat 近 30 天下載量超過 4 萬次、累積 537 個喜歡，GitHub 儲存庫有 1,364 顆星。授權條款寫得明確：模型權重與程式碼都以 MIT 釋出，可以免費使用、修改、商用與再散布，唯獨不授予美團的商標與專利權。對想拿去做產品的人，這是相當寬鬆的條件。
但「拿得到」與「還活著」是兩回事。模型卡的最後更動停在 2025 年 9 月 24 日，之後將近一年，權重沒有再更新過。GitHub 儲存庫表面上仍在維護，看進 2026 年的變更紀錄，內容幾乎全是微信群 QR 圖的替換，沒有模型或程式碼層面的實質推進。對一個模型專案來說，這種狀態就是凍結，不是活躍。
凍結的原因，看家族時間線就明白：LongCat-Flash-Chat 之後，團隊在同一條產線上持續推出新成員，資源自然往新模型移動。
社群面倒是沒有收攤跡象：README 上仍留著 Discord 社群、X 帳號與 [email protected] 聯絡信箱，2026 年 7 月還有開發者在儲存庫的 issue 裡詢問 API 免費額度的申請。對採用者的意義是：出了問題找得到人、找得到社群，但不要期待這個版本本身再收到功能更新，安全修補與能力改進都會落在後續世代。
| 時間 | 成員 | 定位 |
|---|---|---|
| 2025 年 8 月底 | LongCat-Flash-Chat | 560B 對話基礎模型，非思考型，主打代理任務 |
| 2025 年 9 月 | LongCat-Flash-Thinking | 思考推理變體 |
| 2025 年 10 月 | LongCat-Flash-Omni | 多模態變體，附技術報告 |
| 2026 年 1 月 | LongCat-Flash-Lite、Thinking-2601 | 68.5B 輕量版與新思考版 |
| 2026 年 3 月 | LongCat-Flash-Prover | Lean4 形式化數學證明專用 |
| 2026 年 6 月底 | LongCat-2.0 | 1.6 兆參數新旗艦，1M 長情境，權重同樣 MIT 上架 |
這裡有個容易被誤傳的點值得說清楚：美團並沒有走「開源打響名號、然後收回去賣閉源服務」的劇本。2026 年 6 月底發表的 LongCat-2.0 是 1.6 兆參數的 MoE 模型、支援 100 萬 token 情境長度，官方介紹寫明它在中國自研加速器叢集上完成訓練，而它的權重同樣以 MIT 授權放上了 Hugging Face。開源這條路沒有斷，只是旗艦換了人，被留在原地的是 Flash-Chat 這一代。
560B 只動用 27B，省的卻不是你的部署成本
LongCat-Flash 最常被引用的賣點是「又大又省」，這句話需要拆開看。大，是指總參數量 5,600 億；省，是指它用混合專家架構（MoE）運作。可以把 MoE 想成一間有很多位專家的顧問公司，模型每次處理一個 token，只會把相關的幾位專家叫起來工作，其他人休息。官方數字是：每個 token 動態激活 186 億到 313 億參數，平均約 270 億，約佔總量的二十分之一。
架構上還有兩個有名字的設計。零計算專家機制讓不重要的 token 走近乎不計算的捷徑，把運算預算留給重要 token；專家偏置則由一個 PID 控制器動態調節，把每個 token 的平均激活量穩在 270 億附近，避免負載忽高忽低。通訊端採用捷徑連接式的 ScMoE 設計，擴大計算與通訊的重疊視窗，官方據此宣稱推論速度可超過每秒 100 個 token。這個速度數字是官方說法，本文沒有親自架起來驗證，先按官方宣稱看待。
關鍵在於理解「省」省在哪裡。MoE 省的是推論時每個 token 的計算量，但 5,600 億參數的權重一個都不能少，全部要裝進顯示記憶體。對雲端業者來說，每 token 成本降低是真的；對想自己架的人來說，硬體帳單一點都沒有變小，這正是下一節的主題。
另外有個接 API 時會遇到的細節：它的對話格式是自訂的，使用者訊息要用 [Round 0] USER:…ASSISTANT: 這樣的前綴組合，回合結束記號是 </longcat_s>，工具呼叫則包在 <longcat_tool_call> 標籤裡。用 SGLang 或 vLLM 部署時框架會處理，但如果你打算自己串底層，這些格式細節就會實際碰到。
自架門檻：官方部署指南寫得誠實，數字就攤在那裡
官方部署指南第一段就把話說死了：因為模型有 5,600 億參數，FP8 量化版本至少需要一個節點（範例是 8 張 H20-141G），BF16 全精度版本至少需要兩個節點（範例是 16 張 H800-80G）。翻成白話：最低消費是一台裝了 8 張 141GB 記憶體顯卡的機器，這種等級的硬體不存在於個人工作室，租用一整節點的行情大約每小時數十美元起跳。
不熟悉量化的讀者，FP8 可以這樣理解：模型權重原本以 16 位元精度的 BF16 格式存放，FP8 把每個數字壓到 8 位元，檔案直接減半，換來的是輕微的品質折損，這已經是部署大型模型的標準省法。就算吃了這個減半紅利，5,600 億參數仍然裝不進任何單張消費級顯卡，這就是數字的殘酷之處。
| 版本 | 最低需求 | 約當記憶體總量 |
|---|---|---|
| FP8 權重（meituan-longcat/LongCat-Flash-Chat-FP8） | 一節點，8 張 H20-141G | 約 1.1TB |
| BF16 全精度權重 | 兩節點，16 張 H800-80G | 約 1.3TB |
好消息是工程整合已經上游化：SGLang 與 vLLM 兩大推論框架都收了 LongCat 的支援程式碼，官方也提供多 token 預測（MTP）的投機解碼設定來壓延遲。官方文件給的單節點啟動命令一行就能核對：python3 -m sglang.launch_server --model meituan-longcat/LongCat-Flash-Chat-FP8 --trust-remote-code --attention-backend flashinfer --enable-ep-moe --tp 8。還有一個小提醒：Hugging Face 上的模型標了 custom_code，用 transformers 直接載入需要開啟信任遠端程式碼的選項，資安上自己衡量。
官方評測怎麼讀：代理任務真的強，長文圖遊走是明顯弱項
README 裡有一張與 DeepSeek V3.1、Qwen3 MoE-2507、Kimi-K2、GPT-4.1、Claude 4 Sonnet、Gemini 2.5 Flash 的對照表。先講讀法：這是官方自行發布的評測，對手多半以非思考模式受測（官方有註記），分數僅供選型參考。帶著這個前提，表裡的形狀其實蠻有資訊量的。
| 基準 | LongCat-Flash | 表內最佳對手 |
|---|---|---|
| τ²-Bench 電信情境（客服代理模擬） | 73.68 | Kimi-K2 67.50 |
| VitaBench（代理綜合） | 24.30 | Claude 4 Sonnet 23.00 |
| GraphWalks-128k（長文圖遊走） | 51.05 | GPT-4.1 85.02 |
| MMLU（通識） | 89.71 | Claude 4 Sonnet 91.75 |
| LiveCodeBench（程式） | 48.02 | DeepSeek V3.1 56.40 |
形狀很清楚：代理任務是它的主戰場，τ²-Bench 電信情境的 73.68 是該基準全排最高，VitaBench 也以些微差距領先；但 GraphWalks-128k 只有 51.05，落後 GPT-4.1 的 85.02、Qwen3 的 80.72 一大截，說明 128k 長情境裡做多跳推理時的可靠度是它的弱項。通識與程式項目落在中段，不算頂尖。安全欄位裡的隱私保護項拿到 93.98，落後所有對手（對手落在 96.39 到 100 之間），官方表內的相對弱項，反而值得參考。
對應到使用決策：如果你的應用是工具呼叫密集的代理流程（訂單查詢、多步驟工作流程），它的官方成績確實有吸引力；如果是超長文件的結構化推理，這個版本不該是首選。
不自己架的話：官方 API 現在只賣 LongCat-2.0
很多人聽過的「百萬 token 人民幣 5 元」說法，需要放到今天的平台現況裡重新對帳。LongCat 的 API 平台文件寫得直接：按用量計費目前支援的模型只有 LongCat-2.0 一個。官方變更紀錄把話說得更白：2026 年 5 月 29 日起，平台退役了 LongCat-Flash-Chat、Flash-Lite 等 6 個舊模型的 API 服務，把資源集中給 2.0。也就是說，你已經無法向美團購買 LongCat-Flash-Chat 的推論服務，想走官方 API，走的就是 2.0。
| 計費項 | 牌價（每百萬 token） | 限時價 |
|---|---|---|
| 輸入（未快取） | 人民幣 5 元（美元 0.75 元） | 人民幣 2 元 |
| 輸入（快取命中） | 人民幣 0.10 元 | 人民幣 0.04 元 |
| 輸出 | 人民幣 20 元（美元 2.95 元） | 人民幣 8 元 |
對帳的時候把輸入與輸出分開看才不失真：5 元只是輸入牌價，輸出是 20 元，兩者差 4 倍，真實成本要用輸入輸出加權平均來估，官方也標明平台與帳單數字才是最終依據。規格面上 2.0 已經是不同世代：100 萬 token 情境長度、單次回應最長 12.8 萬 token，API 端點在 api.longcat.chat，同時支援 OpenAI 與 Anthropic 兩種訊息格式，後者代表可以直接掛進 Claude Code、Cline、OpenCode、Kilo Code 這類 coding 工具，官方文件為每一種都寫了接法。想比較這類工具的人，可以先看 39 款 AI coding 助手對比表再決定要把 2.0 接到哪裡。
採用前也把營運主體看清楚：平台由北京酷訊互動科技（美團體系公司）營運，站點持中國 ICP 備案，服務條款與隱私政策頁都存在。對一般開發者是中性的背景資訊；但若你的應用涉及個資或敏感資料，資料落地與適用法律的評估就該在採用前做完，這是所有跨境 API 服務都會遇到的課題，LongCat 並不例外。
同級開源 MoE 怎麼挑：家族內外都有更實用的選擇
如果你其實沒有非 Flash-Chat 不可的理由，只是想找一個可自架的開源 MoE，那麼對照組就在官方自己的比較表裡：DeepSeek V3.1 是 671B 總參數、37B 激活；Qwen3 MoE-2507 是 235B 總參數、22B 激活；Kimi-K2 是 1043B 總參數、32B 激活。其中 Qwen3 的 235B 體積，對有 2 到 4 張高階顯卡的團隊是最現實的量級，它的量化版本在社群裡的支援也最廣。想知道多家模型擺在一起誰適合你的任務，可以參考 多家 LLM 同場會診的開源面板的作法，把候選模型放進同一批題目再淘汰。
真想要 LongCat 家族的味道，家族內就有更實際的選擇：2026 年 1 月上架的 LongCat-Flash-Lite。它是 685 億總參數、平均激活約 30 億的輕量 MoE，靠 YaRN 方法把情境長度拉到 256k，同樣 MIT 授權。官方模型卡寫明用 transformers 載入至少需要 2 張 80GB 記憶體的顯卡（H100 或 A100 等級），這是租一台雙卡機器就摸得到的門檻，與 Flash-Chat 的一整節點是兩個世界。它也是家族裡少數帶著新架構實驗的版本：把超過 300 億參數放進 N-gram（N 元連字）嵌入表，用嵌入擴充取代部分專家擴充，官方說這在特定規模區間是更有效率的縮放路線。
另外兩種常見的部署形態也值得記住。想自己架一個完整的 AI 服務層、模型用 BYOK 方式接，可以看 GeekAI 自架 AI 助手平台的架構拆解；想看開源產品怎麼挑底層模型，SQLBot 開源問數系統就是一個把模型選擇攤開來討論的實例。模型從來不是孤立決策，它掛在什麼工程形態裡，往往比評測分數更影響體感。
授權、活躍度與採用判斷：三條路只挑一條走
把前面所有線索收攏。授權面：MIT 含權重、可商用、免費，法律風險低，這一關乾淨。活躍度面：模型凍結在 2025 年 9 月，儲存庫 2026 年只剩維護性變更，官方 API 也不再把推論服務賣給它，三件事放在一起，合理的推論是官方資源已經整體移轉到 2.0 與新家族成員上，Flash-Chat 得到的是封存級的對待，不是持續支援。
所以今天的採用判斷其實是三選一。手上有整節點算力、任務形態剛好命中代理強項、且能接受模型不再更新的人，抓 FP8 權重自架仍然成立，MIT 授權保證它不會消失。想要 LongCat 最新能力、不想碰硬體的人，走 2.0 的 API，按輸入輸出分開計價抓成本，再把資料落地評估做完。而大多數只是想找開源 MoE 的人，Qwen3 這個量級的活躍模型，或是家族內的 Flash-Lite，都會是更經濟實惠的起點。
反過來說，兩種人現在不必碰它：想找「會持續更新的開源旗艦」的人，它給不了；以及把長文件多跳推理當核心負載的人，官方評測裡的 GraphWalks 落差已經把話說明白。開源模型的好處是選擇權永遠在你手上，一年後回看，LongCat-Flash-Chat 留下的價值是把代理任務這個方向的門推開了，至於今天要不要走進去，按自己的算力與任務形態決定就好。技術報告有興趣的話，團隊在 arXiv 編號 2509.01322 有完整文件可以查。
