LongCat 2.5 基准全盘点：官方 31 项、DeepSeek 同价之争
LongCat 2.5 的 31 项官方基准全部来自美团自测——博客评测表与 Hugging Face README 表完全一致，对手分数一半引自公开报告、一半美团自跑。表内亮点是 BrowseComp 91.9 与 3DCodeBench 55.4 两项第一，但同价的 DeepSeek V4.1 Flash 在多数编码行上领先；截至 11 月 13 日，没有任何独立机构给 2.5 打过分。下面逐项拆开。
31 项基准：三类全览
31 项分三类：Code Agent 10 项、General Agent 14 项、Visual 7 项。表内第一共四项：BrowseComp 91.9、3DCodeBench 55.4、ALE 38.5 与 ResearchRubrics 81.0。下表列出主要分数，每行附 2.0 对照与主要对手对照；带 * 的对手分数引自公开报告或榜单，不带 * 的为美团自跑。
| 基准 | LongCat 2.5 | LongCat 2.0 | 主要对手 |
|---|---|---|---|
| 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（表内第一） | 79.9 | DeepSeek 91.5、K3 91.2* |
| HLE（带工具） | 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（表内第一） | —（2.0 无视觉能力） | Opus 5 54.3、GLM 53.4 |
| VideoMME | 85.2 | —（2.0 无视觉能力） | K3 90.0*、Sol 89.5* |
表外值得一提的还有：SWE Atlas 三项（代码库问答 58.3、重构 55.2、测试编写 47.8）、SkillsBench 63.3、GDPVal-AA 84.8、FrontierScience 77.0、FinSearchComp T3 63.4，以及视觉类的 Vision2Web 78.6、CharXiv-RQ 90.2、MathVision 96.5 与 PosterBench 77.4。整体看，2.5 的强项集中在长程 Agent 与搜索类任务，纯编码与视觉问答上与前沿闭源模型仍有距离。
测试条件：这些分数是怎么跑出来的
统一条件是思考模式开、temperature 1.0、top_p 0.95。Terminal-Bench 用 Claude Code harness v2.1.280（max_seq 512K，v2.1 为三次平均）；DeepSWE 用 mini-swe-agent（1M 序列，三次平均）；BrowseComp 是美团自定义的轻量 harness，只有 search 与 browse_with_goal 两个工具，最多 1024 轮——这意味着 BrowseComp 91.9 的第一名含金量要打折扣，它不是标准 BrowseComp 口径。对手分数带 * 的引自公开报告或榜单，不带 * 的是美团自跑、官方口径为「仅供参考」。
同价之争：DeepSeek V4.1 Flash 对照
两者限时价完全相同（$0.30/$1.20），对照最有意义。按美团表内，DeepSeek 领先的行更多：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）与 SWE Atlas 重构（56.7 vs 55.2）。LongCat 领先的行有四处：TB 4.0（38.5 vs 31.2）、BrowseComp（91.9 vs 91.5）、ProgramBench（25.5 vs 20.3）与 SWE Atlas 问答（58.3 vs 55.2）；VideoMME 只有 LongCat 公布了分数（85.2）。
格局很清楚：DeepSeek 在传统编码任务上占优，LongCat 在新版长程基准（TB 4.0、ProgramBench）与搜索类任务上反超。注意这仍是美团自家的表——DeepSeek 的分数带 *，引自公开报告，不是同一 harness 下的同场跑分。
跃升、缺失与对照集偏旧
2.0 到 2.5 的跃升幅度是这张表最真实的部分：TB 4.0 从 3.0 升至 38.5，DeepSWE 从 9.7 升至 64.6，ProgramBench 从 2.5 升至 25.5，HLE（带工具）从 37.5 升至 63.1，AutomationBench 从 15.8 升至 51.8，MCP Atlas 从 61.8 升至 83.1。长程 RL 的投入在这些行上兑现了。
但独立测量仍然缺失。Artificial Analysis 未收录 2.5，榜单上只有 2.0 与 LongCat Flash Lite；ArtificialWatch 11 月 13 日发文称「not rated yet」，llmperks 的 AA Index 栏为「—」。口径警示来自 2.0：AA 测得 2.0 的 TB 2.1 为 50.2%，而美团表内 2.0 为 70.8——同一模型、不同 harness，相差 20 分。2.5 的厂商分数也应按此打折理解。社区只有一位开发者用免费预览版自跑 TB 2.1 得 48.7%（单人、预览版、不同 harness），仅作参考，不能当作 2.5 的分数。
对照集也偏旧：官方仪表盘图里没有 Opus 5.5、GPT-6.1 Sol 与 Kimi K3.1 Pro，eesel 与 Hacker News 都指出了这一点。读这张表时，缺席的对手和在场的对手一样值得注意。
参考来源：APIYI — LongCat 2.5 官方基准与价格指南（本文为本站改写与整理，事实以官方来源为准）