同一个游戏，0.28 美元和 0.82 美元：LongCat-2.5 的便宜不只在模型

同一条提示词：Build a playable Angry Birds-style browser game。两个模型都交出了可玩的浏览器游戏，LongCat-2.5 的账单是 0.28 美元，Qwen3.8-Max 是 0.82 美元，差近 3 倍。博主把测试放在自己的 harness 里，不是官方跑分。

LongCat-2.5 来自美团 LongCat。公开信息里，它有 1.6T 总参数，每个 token 约 48B 激活，原生多模态输入，训练序列最长到 1M token，面向长周期任务。放到这个游戏任务里，博主说它完成了 3 个关卡、3 种鸟、可破坏的木头、石头、玻璃块，还带音效和星级评分。Qwen3.8-Max 的版本也能玩，但原帖没有展开同维度的功能对比。

成本细节更值得看。LongCat-2.5 这次跑了 53 个 agent 轮次，4.8M 输入 token 里约 4.7M 来自缓存。按它的价格，缓存输入每 1M token 0.006 美元，未缓存输入 0.30 美元，输出 1.20 美元。粗算缓存输入约 2.8 美分，未缓存输入约 3 美分，剩下的大头在输出。博主还提到，它在过程中自己写了物理测试。

评论区没有只盯着 3 倍价差。有人追问 Qwen 那次有没有缓存命中，有人关心便宜模型是否要更多重试和修复。这个提醒很实在：token 单价低不等于任务便宜，成品任务成本、重试次数、人工介入次数要一起看。另一位网友的算法更直接：如果 LongCat 稳定一次交付，0.28 美元跑三次、保留最好的版本，总价约 0.84 美元，和一次 Qwen 的 0.82 美元接近。这个结论成立的前提是三次里至少有一次可交付，且质量不塌。

也有网友补充，LongCat-2.5 每个 token 只激活约 48B 参数，美团博客提到服务侧用 w4a4，更少的激活权重和更小的数值精度会在完整应用构建里累积成成本优势。还有人指出，4.7M/4.8M 的缓存命中本身就是故事的一部分，harness 如果频繁改写早期轮次，缓存会被打掉。

所以这个测试更像一个成本样本，不是模型总排名。它说明在长周期 agent 构建里，缓存定价、激活参数、服务量化都会直接影响账单。对开发者来说，LongCat-2.5 值得放进自己的 harness 跑同一条提示词，先记录完成时间、重试次数、缓存命中和最终可玩性，再谈便宜。试玩入口在 LongCat 平台。