硬核横评
硬核横评

LongCat、SOV、LFM 权重:三张许可证三种跑法

把三个开源权重摆到同一张桌子上,抢眼的不是谁的分数高,而是三张许可证长得完全不一样。美团的 LongCat-2.5 用一页纸的 MIT;

发布于 2026年11月17日9 分钟阅读
<!-- open-weights-license-hardware-comparison-review | review | LongCat、SOV、LFM 权重:三张许可证三种跑法 -->

把三个开源权重摆到同一张桌子上,抢眼的不是谁的分数高,而是三张许可证长得完全不一样。美团的 LongCat-2.5 用一页纸的 MIT;Salesforce 旗下 Missionforce Sovereign AI 团队的 SOV-Transcribe-1 用标准文本的 Apache-2.0;Liquid AI 的 LFM2.5-8B-A1B 用的是自家的 LFM Open License v1.0,里面写了一条年营收门槛:年营收不超过 $10,000,000 的主体才在商用许可之下,超过就要回头谈钱。硬件上同样是三种跑法:一头落在国产加速器的 NPU 集群,一头落在企业自托管的语音基础设施,一头落在笔记本和手机这样的消费级端侧。截至 2026 年 11 月 16 日,把三个 Hugging Face 仓库的模型卡、许可证原文与 API 字段逐格摊开,看到的不是一张性能排行榜,而是三张许可证与三条硬件路线的对照。本篇只核可核的字段,不做选型推荐、不打分、不排名,也不替任何一家补一句官方没说过的话。

三行坐标:总览

三个仓库的地址分别是 meituan-longcat/LongCat-2.5、salesforce-sovereign-intelligence/SOV-Transcribe-1 与 LiquidAI/LFM2.5-8B-A1B。有一个仓库层面的细节先记下:LongCat-2.5 没有 GitHub 官方仓库,权重与许可证原文都只在 Hugging Face 上;SOV-Transcribe-1 不在 salesforce 名下的命名空间里,直接请求 salesforce 同名仓返回 404,权重与发布博客都托管在 salesforce-sovereign-intelligence 这个团队账号下。

维度LongCat-2.5SOV-Transcribe-1LFM2.5-8B-A1B
许可证MIT(HF 标签 license:mit,LICENSE 原文 Copyright (c) 2026 Meituan)Apache-2.0(HF 标签 license:apache-2.0,模型卡逐字 License Apache 2.0.,仓库根目录无 LICENSE 文件)LFM Open License v1.0(HF 标 license: other / lfm1.0,非标准 SPDX 条目)
参数口径官方 1.6T 总、每 token 约 48B 激活;safetensors 元数据合计 1,779,752,648,320(约 1.78T),官方未解释差距模型卡 26.6B 总、4.6B 激活;官方博客 26 billion、4 billion(四舍五入);HF 页 27B paramsREADME 8.3B 总、1.5B 激活
模态与定位原生多模态 MoE,文本、图像、视频输入,thinking 可开关非流式 ASR,16 kHz 音频,最长 30 分钟(已测试上限),七语种纯文本,reasoning-only,端侧个人助理与工具调用
上下文或时长100 万 token(产品口径)非上下文窗口型,处理录音而非实时流128,000(自 32,768 扩展)
硬件路线国产加速器、NPU 平台;194 张 Atlas A2 样例出自社区部署指南企业自托管;官方测试硬件单张 RTX PRO 6000 Blackwell(96 GB)消费级端侧;显存占用低于 6 GB(官方自报)
发布时点HF 仓 2026-11-04 创建,美团技术博客 2026-11-10 发开源帖官方博客 2026-11-12 发布,技术报告标注 coming soon2026 年 5 月 28 日(HF createdAt),不是 11 月新权重

表里逐格写的是许可证、参数口径、模态与定位、上下文或时长、硬件路线与发布时点。参数那一行特意把各家自己的口径原样并列:LongCat-2.5 官方写 1.6T 总参数、每 token 约 48B 激活,而 safetensors 元数据合计 1,779,752,648,320(约 1.78T),两个数并存,官方未解释差距,任何技术性解释都是推测,本篇不写;SOV-Transcribe-1 是三个口径并存,模型卡写 26.6B 总、4.6B 激活,官方博客写 26 billion total、4 billion active(四舍五入),HF 页的 safetensors 字段写 27B params,本篇按原样各标出处,不挑一个统一口径;LFM2.5-8B-A1B 的 README 写 8.3B 总、1.5B 激活。发布时点那一行也是如实并列:LongCat-2.5 的 HF 仓 2026-11-04 创建、美团技术博客 2026-11-10 发开源帖;SOV-Transcribe-1 官方博客 2026-11-12 发布;LFM2.5-8B-A1B 的 HF createdAt 是 2026 年 5 月 28 日,不是 11 月的新权重,本篇照实写。

模型本体也各有各的构造。LongCat-2.5 把视觉信号以离散 token 的形式存进序列,与文本走同一个 backbone 处理,这是美团 11 月 10 日开源帖描述的机制;SOV-Transcribe-1 按模型卡口径(经媒体转述)由 Whisper large-v3 音频编码器、audio projector 与 Gemma 4 26B A4B MoE 文本解码器组成,HF 的 base_model 标签指向 google/gemma-4-26B-A4B-it,MoE routing 层保持 FP32,语种列表为 English、French、German、Spanish、Italian、Portuguese、Dutch 七个;LFM2.5-8B-A1B 的架构按 README 逐字是 MoE、GQA 与 gated short convolution 的组合,共 24 层(18 层 double-gated conv 加 6 层 GQA),是显式产出思维链的 reasoning-only 模型。SOV-Transcribe-1 的指令控制值得单独一提:官方描述写它默认逐字转写,按自然语言指令调整转写格式,比如把数字写成数字形式或删除口头语;架构还支持上下文 biasing,给一份关键词词表或话题简述就能处理专业术语、人名与技术词汇,不需要微调模型。

许可证一层:一页纸、一套标准文本、一串条件条款

LongCat-2.5 的 LICENSE 文件随权重放在 HF 仓内,是标准 MIT 文本,版权行逐字为 Copyright (c) 2026 Meituan,授权句写 without restriction,条件只有一条:副本与实质部分须保留版权声明与许可声明。官方技术博客的表述与之同向:「以 MIT 协议开源,支持商用推理部署与二次训练,无需额外授权」。需要留意的边界是 MIT 文本本身不含商标与专利条款,模型卡注明不授予美团商标与专利的使用权。

SOV-Transcribe-1 的许可落在两个可核字段上:HF 标签 license:apache-2.0,模型卡逐字写 License Apache 2.0.。Apache-2.0 是标准 SPDX 条目,含明确的专利授权与 NOTICE 条款。但枚举该仓库根目录文件时没有找到 LICENSE 文件,标签与文件缺位这两个事实本篇原样两存:引用许可以标签加模型卡为准,并如实注明仓库未随附许可证文本。

LFM2.5-8B-A1B 的 LICENSE 文件标题是 LFM Open License v1.0,全文 11 条,官方自述基于 Apache License 2.0 的结构改出。核心在 Section 5:Section 1 把 Threshold 定义为 annual revenue of 10 million United States dollars($10,000,000);Section 5(a) 写商用权利以不超过 Threshold 为条件,Section 5(b) 写超过门槛的主体任何商用都不在许可之下,Section 5(c) 给 501(c)(3) 免税组织的非商业与研究用途留了豁免;Section 2 的版权授权明写受 Section 5 商用限制的约束;Section 11 写违反任何条款自动立即终止,终止后须停止使用并删除所有副本。再分发在 Section 4 写 in any medium,条件是附许可证副本、修改文件带显著声明、保留版权、专利、商标与署名等通知并遵守 NOTICE 文件条款;为自己的修改可以加自己的版权声明与不同条款,但对原模型的使用仍受本许可证约束。官方 FAQ 另写明许可证无 copyleft 要求,微调后的模型可以保持专有。这里有一处必须原样两存的张力:官方博客的宣传语写 Open-weight — Download, fine-tune, and deploy without restrictions,而许可证正文恰好在 Section 5 设了收入门槛。本篇把两句话都摆在桌面上,以许可证原文为准,不给这张证下「是不是开源」的定性,只描述条款,判断留给读者。

硬件一层:NPU 集群、企业自托管、消费级端侧

LongCat-2.5 的官方路线声明只到「国产 AI 加速器」与 can be deployed on NPU platforms 这一程度,官方文自始至终没有点名训练与推理用的芯片厂商,单卡显存不足 80GB 是官方点名的现实约束。194 张华为昇腾 Atlas A2 的自托管样例(拆成 2 卡视觉编码、64 卡 prefill、128 卡 decode 的 W4A4 示例集群)出自 SGLang-FluentLLM 仓库 longcat-2.5-npu 分支的部署指南,这是社区部署指南的口径,不是美团发布帖或模型卡的原句,本篇照此标注。量化走 W4A4,专家权重与激活都用 4bit,另有独立仓 LongCat-2.5-W4A4;对照 W8A8 基线的 prefill 吞吐提升 43.3%、decode 吞吐提升 42.77%,为模型卡自报。训练侧的官方自报同样可作参照:FSDP 配置在长序列 SFT 任务中的单卡吞吐较 DDP 基线提升 86%,官方同时写明显存与带宽的边界实际存在、这些取舍是与产业伙伴一同完成的,但全文未点名任何训练用芯片厂商。截至 2026-11-16 抓取,模型卡未提供 GPU 部署指引(媒体核验 2026-11-12 读),注意这只说明「模型卡里没有」,不构成美团官方对 Nvidia 路线的任何表态。

SOV-Transcribe-1 的官方定位锚句把部署前提写得很清楚:sovereign、enterprise-ready 的语音能力要跑在你自己掌控的基础设施上。部署路径两条:vLLM 插件(pin vLLM 0.32.0,vLLM 上游的原生支持仍在推进)与 Transformers(5.19 至 5.22,trust_remote_code=True),长音频在插件里默认上限 600 秒,要用环境变量解锁到 30 分钟。官方口径的速度测试硬件是单张 NVIDIA RTX PRO 6000 Blackwell(96 GB),10 至 30 秒片段约 0.44 秒;另提供 430M 的 DFlash 草稿模型做推测解码,官方口径一次提 15 token、约 2 至 3 倍加速。模型卡未给最低显存数,本篇不替它补。

LFM2.5-8B-A1B 把路线写在名字里,A1B 就是约 1.5B 激活。规格侧 README 逐字写训练预算 38 trillion tokens、上下文自 32,768 扩到 128,000、词表自 65,536 扩到 128,000。README 自报 CPU 侧 M5 Max 解码 253 tokens/s、Ryzen AI Max+ 395 为 146 tokens/s,显存占用低于 6 GB,手机约 30 tokens/s,原话是 the fastest model we tested;GPU 侧自报单张 H100 SXM5 高并发 18.5K output tokens/s、单卡单日超 1.6B tokens。这些全是官方自报口径,本篇照抄并标注。生态支持一栏 README 列得很满:day-one 支持 llama.cpp、MLX、vLLM 与 SGLang(README 自报),官方出 GGUF、ONNX、MLX、DSpark 四套格式,其中 DSpark 是 328M 的草稿模型,官方口径约 2.5 倍解码加速、输出一致。适用边界官方也自己划了:适合 agentic workflows、tool use 与结构化输出,不适合无检索的重编程与知识密集问答。训练与行为的细节出自官方博客:tokenizer 在原 merges 上继续做 BPE merge 训练,新 token 确定性地分解为原子 token 序列;上下文先经 2T token 的 midtraining 扩到 32K,再调大 RoPE base 后追加 400B token 到 128K;针对「Wait」类循环重启词的 Doom loops 用偏好优化与 shaping reward 抑制,幻觉侧用 avg@k reward 鼓励对知识外查询弃答;function calling 默认输出 Pythonic 函数调用,也可用 system prompt 改为 JSON。

分数口径:自测、转引与不可比

三个模型各有一个被转述最多的分数,但三个分数没有一个是同一口径。LongCat-2.5 的 Terminal Bench v2.1 写 88.4,无星号,按模型卡的口径规则这是美团自测,模型卡自述 in-house and indicative only;同表里的 Claude Opus 5 写 89.1,带星号,是转引自公开报告与榜单,不是美团自测。两个数不在同一口径,本篇并列时必须写下这句口径差,也正因此不能写成「接近 Opus 5」。LongCat-2.5 的 DeepSWE v1.1 从 LongCat-2.0 的 9.7 到 LongCat-2.5 的 64.6,均无星号,同为模型卡自报。SOV-Transcribe-1 的 2.28% WER 出自官方博客转引 Artificial Analysis 榜,榜单口径截至 2026 年 11 月 12 日,而官方博客里其余对照分数均出自 Salesforce 自家 runs,技术报告仍标注 coming soon;它的上下文词表能力按官方自报,在 15 秒真实财报片段上仅给片段关键词时 keyword F1 从 71.9 升到 96.8。LFM2.5-8B-A1B 的 fastest in its size class 是 README 自报的宣传语。三方分数分属三家不同的 harness 与口径,本篇不做跨榜比较、不排座次,谁高谁低不在本篇要回答的问题里。

能核与不能核

可核的部分:三个 HF 仓的标签与字段、LongCat-2.5 与 LFM2.5-8B-A1B 的 LICENSE 原文、SOV-Transcribe-1 的模型卡逐字、SGLang-FluentLLM 仓 longcat-2.5-npu 分支的部署指南,都在明处,谁都能复核。热度类字段只作可得性佐证:HF API downloads 字段值 LongCat-2.5 为 1573、SOV-Transcribe-1 为 463、LFM2.5-8B-A1B 为 17044(经 hf-mirror.com 镜像抓取,2026-11-16),字段定义未经核验,本篇只写原值加时点,不做横向排名、不写增量。LongCat-2.5 的 HF 仓 lastModified 为 2026-11-10,SOV-Transcribe-1 的 lastModified 为 2026-11-11,都是静态字段,读一次写一次,不随时间被重新解释。

不能核、留白的部分:SOV-Transcribe-1 的技术报告官方标 coming soon;LongCat-2.5 的训练集群规模未公布;Terminal Bench v2.1 的 88.4 未见第三方复现;1.6T 与 1,779,752,648,320 之间的差距官方未解释,本篇不推测。错角也在这里交代:站内 2026 年 9 月 29 日已有 LongCat-2.5 预览期专文,7 月末另有 LongCat-2.0 国产芯片部署的站内专文;本篇不复述预览期的发布叙事,也不重走国产芯片那条线,角度是三张许可证与三条硬件路线的对照,三种跑法各看各的前提。

常见问题

Q1:三张许可证都允许商用吗? A1:分开读。MIT 与 Apache-2.0 对商用没有收入门槛;LFM Open License v1.0 的 Section 5(a) 把商用权利系在年营收不超过 $10,000,000 的条件上,Section 5(b) 写超额主体的商用不在许可之下,501(c)(3) 免税组织的非商业与研究用途有 Section 5(c) 豁免。

Q2:LFM Open License v1.0 到底是不是开源许可证? A2:本篇不给定性,只写条款原文:HF 侧 license: other、license_name 为 lfm1.0,不在标准 SPDX 条目之列;Section 5 的商用收入门槛、Section 11 的自动终止、501(c)(3) 豁免都是原文条款;官方 FAQ 写明无 copyleft 要求。判断留给读者。

Q3:LongCat-2.5 为什么找不到 GitHub 仓库? A3:截至 2026 年 11 月 16 日抓取,LongCat-2.5 没有 GitHub 官方仓库,权重、模型卡与 LICENSE 原文都在 HF 仓 meituan-longcat/LongCat-2.5 内。

Q4:88.4 和 89.1 能放在一起比吗? A4:不能当同口径比。88.4 是美团自测,模型卡自述 indicative only;89.1 是模型卡带星号转引公开榜单的 Claude Opus 5,非同一评测口径。并列必须注明口径差,不能写成「接近 Opus 5」。

Q5:本篇会给出选型建议或跑分排名吗? A5:不会。主轴是三张许可证与三条硬件路线的逐格对照;三方分数分属不同 harness 与口径,跨榜比较、选型推荐、跑分排名都不在本篇范围内。

延伸阅读

本地部署的显存规划、端侧 MoE 本地推理、Kimi K31 Pro 权重获取横评 与 轻量端侧语音合成 可作相邻阅读,角度与本篇不同,读法各取所需。

本文由 AI 辅助生成,经人工审核编辑。最后更新:2026-11-17

常见问题

三张许可证都允许商用吗?
分开读。MIT 与 Apache-2.0 对商用没有收入门槛;LFM Open License v1.0 的 Section 5(a) 把商用权利系在年营收不超过 $10,000,000 的条件上,Section 5(b) 写超额主体的商用不在许可之下,501(c)(3) 免税组织的非商业与研究用途有 Section 5(c) 豁免。
LFM Open License v1.0 到底是不是开源许可证?
本篇不给定性,只写条款原文:HF 侧 license: other、license_name 为 lfm1.0,不在标准 SPDX 条目之列;Section 5 的商用收入门槛、Section 11 的自动终止、501(c)(3) 豁免都是原文条款;官方 FAQ 写明无 copyleft 要求。判断留给读者。
LongCat-2.5 为什么找不到 GitHub 仓库?
截至 2026 年 11 月 16 日抓取,LongCat-2.5 没有 GitHub 官方仓库,权重、模型卡与 LICENSE 原文都在 HF 仓 meituan-longcat/LongCat-2.5 内。
88.4 和 89.1 能放在一起比吗?
不能当同口径比。88.4 是美团自测,模型卡自述 indicative only;89.1 是模型卡带星号转引公开榜单的 Claude Opus 5,非同一评测口径。并列必须注明口径差,不能写成「接近 Opus 5」。
本篇会给出选型建议或跑分排名吗?
不会。主轴是三张许可证与三条硬件路线的逐格对照;三方分数分属不同 harness 与口径,跨榜比较、选型推荐、跑分排名都不在本篇范围内。

相关文章

硬核横评

TrnRT、Kindi、Baseten 引擎:一张许可证禁止托管

把 TrnRT、Kindi、Baseten 三个 2026 年 10 月下旬出现的推理引擎仓库摆在同一张表上,主轴是许可证与硬件路线,不是选型推荐或性能跑分。Apache License 2.0、Elastic License 2.0、GNU AGPL v3.0 三值并存,其中一张 LICENSE 逐字写明不得把软件作为托管服务提供给第三方,GitHub 对其判 NOASSERTION,只按原文写不替官方下结论。硬件侧从 Trainium2、GB300 到 Quadro K420 与 RTX 3080 各按 README 自报写清,star 按累计总量,不写 growth score 与单日增量。

2026年11月16日9 分钟阅读
硬核横评

开源TTS模型对比:八强里第一名的权重不能商用

八款开源 TTS 合成模型横评(星数为 2026-10-31 GitHub API 实测):GPT-SoVITS 64,311(MIT)、VoxCPM 40,862(Apache-2.0)、fish-speech 33,502、index-tts 24,829、CosyVoice 24,196(仓库已迁 QwenAudio org)、KittenTTS 16,717、F5-TTS 15,490(代码 MIT)、breeze-tts 1,230。许可三档是主线:放心商用(VoxCPM2/CosyVoice/GPT-SoVITS/KittenTTS 2);权重非商用(Breeze TTS 2 自托管输出也禁、F5-TTS 权重 CC-BY-NC、Fish S2 Pro 研究限定);条件商用最易误判——IndexTTS-2.5 仅 MAU 超 1 亿或年营收超 10 亿元人民币才需另行授权(LICENSE 原文核实),中小团队实际可用,Fish Drama 3 年营收低于 50 万美元可商用但禁托管、须署名。AA 榜只同快照内比:8 月 26 日快照 Breeze 1215 领先 Fish S2 Pro(1125)90 分;9 月 25 日快照 Breeze 1205 全榜第九、与榜首 Sonic 3.6(1279)差 74 分,跨快照严禁混排。硬件口径取 README 原文:Breeze 7.7/14.4GiB、VoxCPM2 约 8GB(Nano-vLLM RTF 0.13)、IndexTTS-2.5 RTF 0.2065(4090)、GPT-SoVITS RTF 0.028(4060Ti)、KittenTTS 2 nano int8 25MB CPU 可跑。六场景选型各给 1-2 款;落选四款(ChatTTS/MaskGCT/Maya 2/Audio8)带理由一段带过。

2026年10月31日10 分钟阅读
硬核横评

每页 token 差 26 倍:六款开源 OCR 模型横评

六款开源 OCR 模型(DeepSeek-OCR 2、PaddleOCR-VL 1.5、MinerU 2.5、dots.ocr、GOT-OCR2.0、GLM-OCR)同台横评:同样一页纸,GOT-OCR2.0 固定 256 个视觉 token,MinerU 2.5 平均 6790 个,差 26 倍。本文按压缩派与精度派两条路线拆解技术分歧,警示 OmniDocBench 版本不同不可直比(论文版/v1.5/v1.6 题目集各异),并给出许可证一票否决维度:Apache-2.0 最省心、AGPL-3.0 对 SaaS 有传染风险、部分模型有营收门槛条款,附规格许可表、性能口径表与分场景选型结论。

2026年10月25日10 分钟阅读