LongCat-2.5 від Meituan: ШІ-модель на 1,6 трлн параметрів

Китайський гігант доставки їжі та локальних сервісів Meituan випустив LongCat-2.5 — нову модель своєї ШІ-команди LongCat. Компанія називає її нативно мультимодальною моделлю для довгих агентних задач: це роботи, де ШІ має пройти багато кроків поспіль, наприклад зібрати цілий програмний проєкт. Подробиці — в офіційному блозі LongCat та анонсі Meituan від 2 листопада.

Головні характеристики

• Розмір: 1,6 трлн параметрів в архітектурі mixture-of-experts (MoE), з яких на кожен токен задіяно близько 48 млрд. MoE-моделі одночасно використовують лише частину «експертів», тож обчислень на одну відповідь потрібно значно менше, ніж підказує загальне число.
• Мультимодальність від початку: зображення перетворюються на багаторівневі дискретні токени, тому одна й та сама модель обробляє картинки й текст в одному форматі. За словами Meituan, це допомагає з «візуальним кодингом» (перетворенням макета на робочу сторінку), дизайном і 3D-задачами.
• Під агентів: у навчання додали більше довгих послідовностей задач і масштабне навчання з підкріпленням на реальних кодових базах. Також Meituan перетворює помилки реальних агентів на відтворювані навчальні завдання.
• Китайське залізо: навчання та інференс оптимізовано під вітчизняні ШІ-прискорювачі з пам'яттю менше 80 ГБ на кожен. Компанія описує 4-бітний (W4A4) інференс, який у її стрес-тестах підняв пропускну здатність prefill на 43,3%, а decode — на 42,77% порівняно з 8-бітною базою.

Як вона виглядає на тлі конкурентів (за даними Meituan)

У блозі є велика таблиця порівняння з GPT-5.5, GPT-5.6-Sol, Claude Opus 4.8, Claude Opus 5 та іншими китайськими моделями. Результати конкурентів частково взято з публічних звітів, частково отримано власними прогонами, тож це орієнтир, а не незалежна перевірка. Кілька прикладів:

• Terminal Bench v4.0 (агентне програмування): у LongCat-2.5 — 38,5, менше, ніж у Claude Opus 5 (53,9) і GLM-5.3 (41,8).
• BrowseComp (пошук і дослідження в мережі): 91,9, трохи більше, ніж у Claude Opus 5 (90,8).
• AutomationBench: 51,8 — вище за Claude Opus 5 (50,3), але нижче за DeepSeek-V4.1-Flash (54,8).

Загальна картина: сильна агентна модель, конкурентна в пошуку та автоматизації, але не лідер у складних тестах з кодування.

Як спробувати

LongCat-2.5 уже доступна в чат-сервісі LongCat і через API-платформу Meituan. Ваги компанія обіцяє викласти на GitHub і Hugging Face — тоді це буде одна з найбільших моделей із відкритими вагами. Але очікування варто тримати реалістичними: навіть із 48 млрд активних параметрів модель на 1,6 трлн потребує обладнання рівня дата-центру. Чому так, пояснює наш гід скільки відеопам'яті потрібно для локального ШІ, а що саме дозволяє «відкритість», розповідаємо в матеріалі що таке моделі з відкритими вагами.

Чому це важливо

Meituan — не профільна ШІ-лабораторія, але вже випускає моделі на трильйони параметрів, повністю навчені на китайських чипах. Це ще один знак того, що американські обмеження на експорт обладнання Nvidia не зупинили китайські компанії у створенні систем фронтирного масштабу. До того ж ринок китайських агентних моделей стає дедалі тіснішим: поруч DeepSeek, Kimi та GLM, і всі змагаються ціною та відкритістю.