Meituan выпустила веса LongCat-2.5: 1,6 трлн параметров для ИИ-агентов
Китайская компания Meituan открыла веса модели LongCat-2.5 с 1,6 трлн параметров. Модель обучена полностью на китайском оборудовании и по кодингу догоняет западные аналоги уровня Claude Opus 5.
Коротко
- Meituan выпустила веса LongCat-2.5 — модели с 1,6 трлн параметров, обученной на китайских чипах.
- Модель показывает результаты, близкие к Claude Opus 5, на бенчмарках по кодингу и агентным задачам.
- Весовая доступна под лицензией MIT, что позволяет коммерческое использование и модификацию.
Китайская компания Meituan, известная сервисом доставки еды, выпустила веса своей новой модели LongCat-2.5. Это модель с 1,6 триллиона параметров, построенная по архитектуре mixture-of-experts (смесь экспертов — когда для каждого токена активируется только часть специализированных подсетей). Из 1,6 трлн параметров на каждый токен (единица текста, примерно часть слова) активно около 48 миллиардов.
Что произошло
Команда LongCat из Meituan выпустила веса LongCat-2.5 через неделю после официальной презентации модели. Модель предназначена для ИИ-агентов (автономных программ, выполняющих многошаговые задачи), особенно в кодинге. По данным Meituan, на нескольких бенчмарках (тестах) она приближается к лучшим западным моделям.
LongCat-2.5 понимает текст, изображения и видео, отвечает текстом, а также позволяет включать и выключать режим рассуждения. Через API модель обрабатывает до 1 миллиона токенов за раз и генерирует ответы длиной до 128 000 токенов. Изображения она преобразует в токены и обрабатывает вместе с текстом, а не использует отдельный кодировщик изображений.
Для обучения с подкреплением (reinforcement learning) команда использовала реальные задачи из GitHub pull request'ов и воссозданные ошибки агентов. Во время обучения разработчики блокировали доступ в интернет, удаляли Git-историю и кэшированные файлы, а языковая модель проверяла решения на наличие «трюков». Также в LongCat-2.5 дистиллировали (перенесли знания) от нескольких специализированных учительских моделей для агентной работы, рассуждений и диалога.
Пример развёртывания работает на 194 чипах Huawei Ascend из серии Atlas A2: 2 чипа обрабатывают изображения, 64 — приём промптов (входных запросов), 128 — генерацию ответов. Инструкций для Nvidia GPU нет. Meituan квантизует (сжимает) веса и активации экспертов до 4-битной точности, что даёт прирост пропускной способности на 43,3% для обработки промптов и на 42,77% для генерации ответов по сравнению с 8-битной версией, при сохранении точности.
На бенчмарке Terminal Bench v2.1 (тест для агентов на командной строке) LongCat-2.5 набрал 88,4 балла. Для сравнения: Claude Opus 5 — 89,1, GPT-5.6 Sol — 88,8, Deepseek-V4.1-Flash — 90,6. На тесте DeepSWE (исправление багов в реальных репозиториях) модель улучшилась с 9,7 до 64,6 баллов, но отстаёт от Deepseek-V4.1-Flash (74,2) и GPT-5.6 Sol (72,7). На более сложном Terminal Bench v4.0 LongCat-2.5 показал 38,5 балла, обогнав GPT-5.6 Sol (37,3), но уступив Claude Opus 5 (53,9). На бенчмарке BrowseComp (веб-поиск) модель набрала 91,9 — самый высокий результат в таблице, но тест проводился в собственной среде Meituan.
Веса доступны под лицензией MIT, что разрешает коммерческое использование, модификацию и распространение. Модель можно попробовать в чате на longcat.ai. API поддерживает форматы OpenAI и Anthropic и подключается к агентным инструментам вроде Claude Code, Codex и Hermes. На старте Meituan предлагает промо-цену: примерно €0,27 за миллион входных токенов и €1,07 за миллион выходных.
Почему это важно
LongCat-2.5 — одна из первых крупных моделей, полностью обученная на китайском оборудовании (более 50 000 чипов для предшественника LongCat-2.0). Открытые веса под лицензией MIT позволяют разработчикам и компаниям по всему миру использовать модель для коммерческих проектов, дообучать её и адаптировать под свои задачи без привязки к Nvidia. Это особенно актуально для регионов, где доступ к западным чипам ограничен. Кроме того, модель демонстрирует, что китайские open-weight модели (с открытыми весами) вплотную приблизились к топ-уровню западных аналогов на стандартных бенчмарках.
Источники
Материал подготовлен с помощью ИИ на основе открытых источников и может содержать неточности. Нашли ошибку — напишите на hello@tolk.media.