美团，“狂卷”大模型

《科创板日报》11月3日讯（记者 徐赐豪）在即时零售之外，美团正着力打造其科技底色。

《科创板日报》记者获悉，今日（3日），美团正式开源全模态模型LongCat-Flash-Omni，官方App同步上线公测，可体验模型的联网搜索、语音通话等功能。

据悉，新模型是业界首个实现“全模态覆盖、端到端架构、大参数量高效推理”于一体的开源大语言模型，在开源范畴内实现了对标闭源模型的全模态能力。

值得一提的是，美团CEO王兴曾在今年3月的财报交流会上首次对外公布其AI战略三层架构：AI at Work（AI 赋能工作）、AI in Products（AI 融入产品）与 Building LLM（大模型研发）。

如今，LongCat-Flash-Omni 的发布，成为这一战略闭环的关键落子。

美团“狂卷”大模型

在基础模型研发层面，美团的推进速度远超市场预期。

继9月连发LongCat-Flash-Chat混合专家模型与LongCat-Flash-Thinking 高效推理模型后，10 月底又推出LongCat-Video视频生成模型，短短两月内形成覆盖文本、图像、音频、视频的全模态模型家族。

其中，LongCat-Flash系列采用创新混合专家架构，在5600亿总参数量基础上，通过“零计算专家”机制实现仅激活18.6B-31.3B 参数的高效推理，毫秒级响应速度解决了行业推理延迟痛点。

除了大模型研发方面，美团也在AI at Work、AI in Products方面发力：今年5月对外披露的AI编程工具NoCode是典型的AI at Work的产品，美团此前披露过一个数据，NoCode 在美团内部使用时，非技术人员是技术人员数量的三倍。同时，也有商户基于这款产品做运营管理和仓储管理。

面向用户的“AI in Products”领域，基于LongCat-Flash-Chat开发的智能体“小美”正重塑服务体验。据介绍，这个定位“生活小秘书”的 AI 原生产品，可实现“一句话点外卖”，未来还将拓展至打车、酒店预订等场景。

美团核心本地商业CEO王莆中此前表示，“小美”的竞争力源于美团在本地生活领域积累的场景、数据与产业优势。

快思慢想研究院院长田丰向《科创板日报》记者分析称，面对越来越激烈的业务挑战与“互联网流量零和博弈”的竞争压力，美团核心战略、组织调整通过从商业创新下沉到基础科研红利，以持续增强业务竞争力。大模型不只是工具，而是新用户入口、业务重大决策保障、服务电商供应链的自主改进机会。

在他看来，美团的业务本质是“超本地化实时物流网络”，以前比拼大数据调度骑手网络的“快”服务，现在比拼的是智能体改进整个供应链每一处卡点、堵点的强协同能力、产品创新能力。

美团AI提速的必然与挑战

美团的 AI 提速并非偶然，而是应对行业竞争的必然选择。

目前，在本地生活赛道，内卷竞争已经高度激化：9月，高德地图依托AI 化的“高德地图 2025”推出“扫街榜”；大众点评同步重启品质外卖，以“B 端自研大模型 + 真实评价数据”优化决策链路；京东零售则发布AI 品牌 Oxygen 构建柔性供应链。

这场从“拼配送速度”到“拼智能能力”的转型中，AI成为新的竞争焦点。

快思慢想研究院院长田丰指出，互联网时代的竞争核心是“大数据”，而 AI 时代更考验“数据 - 逻辑 - 决策”的三位一体能力。美团的战略逻辑清晰可见：以本地生活场景的稳定现金流和确定性数据，喂养具备通用潜力的AI大脑。

在他看来，仅靠优化骑手调度等传统系统无法形成代际优势，真正的护城河在于掌握商户实时客流、菜品隐形成本等领域“暗知识”的大模型。

这一战略背后是巨额投入。美团核心本地商业CEO王莆中在2025年在服务零售产业大会上曾透露，在人工智能领域的年度投入超过100亿元。

“虽然成本很高，但这些投入是值得的，因为只有构建起扎实的AI基础设施和大模型研发，才能有效利用过去积累的数据资源，为用户提供以AI方式辅助的服务小帮手。”王蒲中在上述大会上表示。

但美团的 AI 布局仍面临独特挑战。田丰认为，美团AI布局最现实挑战是“消费者极致性价比的场景复杂性”与“AI服务可靠性精准性”之间的矛盾，这导致其大模型在核心业务中无法自主承担“最终决策权”，可能陷入“边缘优化”的尴尬境地。

“美团的业务是‘秒级响应、物理世界交付、长链条协同’。一个错误的AI决策（如派错骑手、推荐难吃的餐厅）会立即引发用户差评、骑手抱怨、商户投诉，造成真实的金钱和声誉损失。这与ChatBot聊错一句话的成本天差地别。”田丰向《科创板日报》记者分析称，美团大模型面临“容错率极低”的挑战，这迫使它必须极其谨慎，难以将核心决策闭环完全交给AI。

“其困境在于，不用大模型会落后，但用得太深则风险巨大。后续有可能会向多模型分工协同方向发展，有的模型负责自主执行，有的模型负责监督改进，并与资深运营人员形成‘人在闭环’(Human-in-Loop)的强化学习持续改进机制。”