LongCat 2.5 基準全盤點：官方 31 項、DeepSeek 同價之爭
LongCat 2.5 的 31 項官方基準全部來自美團自測——博客評測表與 Hugging Face README 表完全一致，對手分數一半引自公開報告、一半美團自跑。表內亮點是 BrowseComp 91.9 與 3DCodeBench 55.4 兩項第一，但同價的 DeepSeek V4.1 Flash 在多數編碼行上領先；截至 11 月 13 日，沒有任何獨立機構給 2.5 打過分。下面逐項拆開。
31 項基準：三類全覽
31 項分三類：Code Agent 10 項、General Agent 14 項、Visual 7 項。表內第一共四項：BrowseComp 91.9、3DCodeBench 55.4、ALE 38.5 與 ResearchRubrics 81.0。下表列出主要分數，每行附 2.0 對照與主要對手對照；帶 * 的對手分數引自公開報告或榜單，不帶 * 的爲美團自跑。
| 基準 | LongCat 2.5 | LongCat 2.0 | 主要對手 |
|---|---|---|---|
| Terminal-Bench v2.1 | 88.4 | 70.8 | DeepSeek 90.6*、Opus 5 89.1* |
| Terminal-Bench v4.0 | 38.5 | 3.0 | Opus 5 53.9*、GLM 41.8* |
| DeepSWE v1.1 | 64.6 | 9.7 | DeepSeek 74.2*、Sol 72.7* |
| ProgramBench | 25.5 | 2.5 | Opus 5 37.0*、Sol 23.0* |
| PaperBench | 82.1 | 45.2 | Sol 83.3、GPT-5.5 80.0 |
| NL2Repo | 60.5 | 40.9 | Opus 5 75.3*、DeepSeek 65.4* |
| BrowseComp | 91.9（表內第一） | 79.9 | DeepSeek 91.5、K3 91.2* |
| HLE（帶工具） | 63.1 | 37.5 | Opus 5 64.7*、DeepSeek 63.9* |
| MCP Atlas | 83.1 | 61.8 | Opus 5 85.8*、DeepSeek 84.4 |
| AutomationBench v1.0.6 | 51.8 | 15.8 | DeepSeek 54.8*、Opus 5 50.3* |
| JobBench | 65.4 | 44.4 | Opus 5 66.7*、DeepSeek 63.2 |
| 3DCodeBench（文本→3D） | 55.4（表內第一） | —（2.0 無視覺能力） | Opus 5 54.3、GLM 53.4 |
| VideoMME | 85.2 | —（2.0 無視覺能力） | K3 90.0*、Sol 89.5* |
表外值得一提的還有：SWE Atlas 三項（代碼庫問答 58.3、重構 55.2、測試編寫 47.8）、SkillsBench 63.3、GDPVal-AA 84.8、FrontierScience 77.0、FinSearchComp T3 63.4，以及視覺類的 Vision2Web 78.6、CharXiv-RQ 90.2、MathVision 96.5 與 PosterBench 77.4。整體看，2.5 的強項集中在長程 Agent 與搜索類任務，純編碼與視覺問答上與前沿閉源模型仍有距離。
測試條件：這些分數是怎麼跑出來的
統一條件是思考模式開、temperature 1.0、top_p 0.95。Terminal-Bench 用 Claude Code harness v2.1.280（max_seq 512K，v2.1 爲三次平均）；DeepSWE 用 mini-swe-agent（1M 序列，三次平均）；BrowseComp 是美團自定義的輕量 harness，只有 search 與 browse_with_goal 兩個工具，最多 1024 輪——這意味着 BrowseComp 91.9 的第一名含金量要打折扣，它不是標準 BrowseComp 口徑。對手分數帶 * 的引自公開報告或榜單，不帶 * 的是美團自跑、官方口徑爲「僅供參考」。
同價之爭：DeepSeek V4.1 Flash 對照
兩者限時價完全相同（$0.30/$1.20），對照最有意義。按美團表內，DeepSeek 領先的行更多：TB 2.1（90.6 vs 88.4）、DeepSWE（74.2 vs 64.6）、NL2Repo（65.4 vs 60.5）、AutomationBench（54.8 vs 51.8）、MCP Atlas（84.4 vs 83.1）、SkillsBench（69.8 vs 63.3）與 SWE Atlas 重構（56.7 vs 55.2）。LongCat 領先的行有四處：TB 4.0（38.5 vs 31.2）、BrowseComp（91.9 vs 91.5）、ProgramBench（25.5 vs 20.3）與 SWE Atlas 問答（58.3 vs 55.2）；VideoMME 只有 LongCat 公佈了分數（85.2）。
格局很清楚：DeepSeek 在傳統編碼任務上佔優，LongCat 在新版長程基準（TB 4.0、ProgramBench）與搜索類任務上反超。注意這仍是美團自家的表——DeepSeek 的分數帶 *，引自公開報告，不是同一 harness 下的同場跑分。
躍升、缺失與對照集偏舊
2.0 到 2.5 的躍升幅度是這張表最真實的部分：TB 4.0 從 3.0 升至 38.5，DeepSWE 從 9.7 升至 64.6，ProgramBench 從 2.5 升至 25.5，HLE（帶工具）從 37.5 升至 63.1，AutomationBench 從 15.8 升至 51.8，MCP Atlas 從 61.8 升至 83.1。長程 RL 的投入在這些行上兌現了。
但獨立測量仍然缺失。Artificial Analysis 未收錄 2.5，榜單上只有 2.0 與 LongCat Flash Lite；ArtificialWatch 11 月 13 日發文稱「not rated yet」，llmperks 的 AA Index 欄爲「—」。口徑警示來自 2.0：AA 測得 2.0 的 TB 2.1 爲 50.2%，而美團表內 2.0 爲 70.8——同一模型、不同 harness，相差 20 分。2.5 的廠商分數也應按此打折理解。社區只有一位開發者用免費預覽版自跑 TB 2.1 得 48.7%（單人、預覽版、不同 harness），僅作參考，不能當作 2.5 的分數。
對照集也偏舊：官方儀表盤圖裏沒有 Opus 5.5、GPT-6.1 Sol 與 Kimi K3.1 Pro，eesel 與 Hacker News 都指出了這一點。讀這張表時，缺席的對手和在場的對手一樣值得注意。
參考來源：APIYI — LongCat 2.5 官方基準與價格指南（本文爲本站改寫與整理，事實以官方來源爲準）