Meituan julkaisi agenttikäyttöön tehdyn 1,6 biljoonan parametrin LongCat-2.5-mallin painot
Kiinalainen Meituan julkaisi LongCat-2.5-mallin painot MIT-lisenssillä. Meituanin vertailun mukaan malli pääsee osassa koodaus- ja agenttitesteistä lähelle Claude Opus 5:tä, mutta Terminal-Bench 4.0 -komentorivitestissä se jää selvästi Opus 5:n jälkeen.
The Decoder kertoi 15. marraskuuta, että kiinalaisen ruokalähettiyhtiön Meituanin LongCat-tiimi julkaisi mallin painot viikko sen virallisen esittelyn jälkeen. LongCat-2.5 on tehty tekoälyagenteille, jotka hoitavat pitkiä ja monivaiheisia tehtäviä itsenäisesti, erityisesti ohjelmointia.
LongCat-2.5 on MoE-malli: se käyttää jokaisen tokenin käsittelyyn vain osaa erikoistuneista osaverkoistaan. Meituanin mallikortin mukaan mallin 1,6 biljoonasta parametrista on käytössä noin 48 miljardia tokenia kohden. Malli ymmärtää tekstiä, kuvia ja videota ja vastaa tekstillä. Se pilkkoo kuvat alkuperäisellä tarkkuudella erillisiksi tokeneiksi ja käsittelee ne tekstin rinnalla.
The Decoderin mukaan malli koulutettiin kokonaan kiinalaisella laitteistolla. Meituan itse kertoo mallikortissa optimoineensa infrastruktuurin kotimaisille tekoälykiihdyttimille.
The Decoderin mukaan Meituan käytti vahvistusoppimisessa GitHubin pull requesteista koottuja ohjelmointitehtäviä. Jotta malli ei voisi oikaista, Meituan katkaisi koulutusympäristöistä internetyhteyden ja poisti Git-historian. Kielimalli tarkisti ratkaisut temppujen varalta.
Meituanin vertailussa lähellä kärkeä, Terminal-Bench 4.0:ssa Opus 5:n jäljessä
Meituanin vertailussa LongCat-2.5 parantaa selvästi edeltäjänsä tuloksia ja pääsee osassa agenttitesteistä lähelle Claude Opus 5:tä ja GPT-5.6 Solia. LongCat-mallien luvut ovat Meituanin omia mittauksia, ja yhtiön mukaan ne ovat vain suuntaa antavia.
Alla on neljän testin pisteet. Terminal-Bench mittaa komentorivitehtäviä, DeepSWE virheiden korjaamista oikeissa repositorioissa ja BrowseComp verkkohakua.
| Testi | LongCat-2.5 | LongCat-2.0 | Claude Opus 5 | GPT-5.6 Sol | DeepSeek-V4.1-Flash |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88,4 | 70,8 | 89,1 | 88,8 | 90,6 |
| Terminal-Bench 4.0 | 38,5 | 3,0 | 53,9 | 37,3 | 31,2 |
| DeepSWE 1.1 | 64,6 | 9,7 | 68,8 | 72,7 | 74,2 |
| BrowseComp | 91,9 | 79,9 | 90,8 | 90,4 | 91,5 |
Lähde: Meituanin mallikortti, pisteinä. LongCat-mallien luvut ovat Meituanin mittaamia, kilpailijoiden luvut pääosin julkisista raporteista. DeepSeekin BrowseComp-tuloksen mittasi Meituan.
Taulukosta ei voi päätellä, miten LongCat-2.5 pärjää uusimpia malleja vastaan: The Decoderin mukaan Claude Opus 5.5 ja GPT-6.1 Sol puuttuvat vertailusta. BrowseCompissa LongCat-2.5 sai taulukon korkeimman tuloksen. Meituan kuitenkin ajoi testin omalla harnessillaan eli agenttia ohjaavalla ohjelmalla, joka antaa mallille työkalut ja ajaa sen työvaiheet.
4-bittinen versio ja käyttöönotto
Erillisessä repositoriossa on versio, jonka osaverkkojen painot ja aktivaatiot on pakattu 4-bittisiksi luvuiksi. Kiinalaiset kiihdyttimet laskevat niillä suoraan. Meituanin mukaan tarkkuus vastaa arvioiduissa testeissä likimain pakkaamatonta mallia. Yhtiön kuormitustesteissä läpäisykyky kasvoi 8-bittiseen versioon verrattuna kehotteen käsittelyssä 43,3 % ja vastauksen tuottamisessa 42,77 %.
Mallikortin mukaan mallin voi ajaa NPU-tekoälykiihdyttimillä, ja kortti viittaa GitHubissa olevaan SGLang-FluentLLM-ohjeeseen. The Decoderin mukaan ohjeen esimerkkiklusterissa on 194 Huawein Ascend Atlas A2 -kiihdytintä, eikä Nvidian GPU:ille ole ohjeita.
MIT-lisenssi sallii kaupallisen käytön ja muokkaamisen. Mallia voi kokeilla keskustelupalvelussa longcat.ai. The Decoderin mukaan rajapinta tukee OpenAI:n ja Anthropicin muotoja ja toimii esimerkiksi Claude Coden ja Codexin kanssa. Rajapinnan konteksti-ikkuna on miljoona tokenia, ja määräaikainen tarjoushinta on noin 0,27 € miljoonalta syötteen tokenilta ja 1,07 € miljoonalta vastauksen tokenilta.
Lue lisää: Mallit