Meituan veröffentlichte LongCat-2.5 am 2. November und fügte seiner LongCat-Reihe ein natives multimodales Modell mit 1,6 Billionen Parametern hinzu – und bestimmte die Agentencodierung mit langem Horizont und nicht Chat als seine Hauptaufgabe. Laut TechNode, der über den Start über IT Home berichtet, aktiviert das Modell etwa 48 Milliarden Parameter für jeden Token, eine Architektur, die darauf ausgelegt ist, Kapazität im Grenzbereich bereitzustellen, ohne die vollen Inferenzkosten der gesamten Parameteranzahl bei jeder Anfrage zu bezahlen.
Bei der Veröffentlichung handelt es sich um den Produktionsnachfolger von LongCat-2.5-Preview, das Meituan Ende September als 1,6T-Agentenmodell mit gemischten Experten und einem 1-Millionen-Token-Kontextfenster auslieferte, so die damalige Berichterstattung von Pandaily. Weitere Informationen zu dieser Geschichte und dem breiteren Modellrennen finden Sie in unserer KI-Modellberichterstattung.
Entwickelt für Agenten, die stundenlang und nicht sekundenlang arbeiten
Die entscheidende Wette von LongCat-2.5 besteht darin, dass sich die Grenze von der Beantwortung von Fragen zur Erledigung von Aufgaben verlagert hat. Meituan sagte, es habe das Training auf lange Aufgabensequenzen ausgeweitet und verstärktes Lernen in großem Maßstab angewendet, um die Arbeit des Modells an komplexen Codebasen und vollständigen Softwareprojekten zu verbessern – den ausgedehnten, mehrstufigen Aufgaben, bei denen Agentensysteme dazu neigen, zu driften, ins Stocken zu geraten oder stillschweigend auszufallen.
Eine Trainingstechnik sticht heraus. Das Unternehmen gab an, dass es Fehler, auf die echte Agenten stoßen, in reproduzierbare Trainingsaufgaben umwandelt und so den Kreis zwischen den Fehlern der Produktionsagenten und dem, was das Modell als nächstes lernt, schließt. Dabei handelt es sich um einen Ansatz, bei dem Agentenausfälle nicht als Anekdote, sondern als Lehrplan behandelt werden – und er signalisiert, dass Meituan harte Trainingsdaten aus eingesetzten Systemen in einem Umfang sammelt, den die meisten Labore nicht erreichen können, da die Lebensmittellieferungs- und Logistikabläufe des Unternehmens enorme Mengen an realem Aufgabenverkehr generieren.
Native Multimodalität in einem einheitlichen Token-Framework
Laut der Einführungsberichterstattung verarbeitet LongCat-2.5 visuelle und Texteingaben innerhalb eines einheitlichen Token-Frameworks – das bedeutet, dass Bilder und Text in die gleiche zugrunde liegende Darstellung konvertiert werden, anstatt durch separate Encoder zusammengefügt zu werden. Laut Meituan ermöglicht dies visuelle Codierung, kreatives Design und 3D-Aufgaben neben herkömmlichen Software-Engineering-Arbeiten.
Der multimodale Schwerpunkt ist ein Unterscheidungsmerkmal in der Nische der Agentenkodierung, wo die meisten Wettbewerber weiterhin auf Text setzen. Ein Agent, der ein Designmodell lesen, über eine 3D-Szene nachdenken oder einen Screenshot eines Fehlerberichts interpretieren kann, kann einen größeren Teil der tatsächlichen Produktentwicklungsarbeit übernehmen als einer, der nur Code sieht.
Die Ökonomie von 48 Milliarden aktivierten Parametern
Es lohnt sich, den 1,6T-Gesamt-/~48B-Aktiv-Split auszupacken, denn er erklärt, für wen dieses Modell gedacht ist. Bei einem Expertenmix-Design feuert nur ein kleiner Teil des Netzwerks auf ein bestimmtes Token, was die Ausführung eines Billionen-Modells erschwinglich macht: Die Kapazität ist für die Anforderungen vorhanden, die sie benötigen, während die Kosten pro Token die Anzahl der aktiven Parameter verfolgen. Für Agenten-Workloads werden die mathematischen Verbindungen berechnet. Ein Agent, der stundenlang arbeitet, generiert durch Planung, Toolaufrufe und Codebearbeitungen Hunderttausende oder Millionen von Token – die Lücke zwischen der Bezahlung von 48 Milliarden aktiven Parametern und der Bezahlung von 1,6 Billionen bei jedem Schritt macht also den Unterschied zwischen einem brauchbaren Produkt und einer Forschungsdemo aus.
In Kombination mit dem 1-Millionen-Token-Kontextfenster, das das Vorschaumodell laut Pandaily eingeführt hat, ist die Zielarbeitslast eindeutig: ein Agent, der eine gesamte Codebasis, seine Dokumentation und seinen Fehlerverlauf im Arbeitsspeicher hält, während er eine in Stunden gemessene Aufgabenliste ausführt.
Verfügbarkeit: Chat und API jetzt, offene Gewichtungen zum Folgen
Laut TechNode ist das Modell ab sofort über den Online-Chat-Dienst und die API-Plattform von Meituan verfügbar. Es ist geplant, GitHub- und Hugging Face-Releases zu veröffentlichen – eine Reihenfolge, die das Spielbuch anderer chinesischer Labore widerspiegelt, die zunehmend zuerst gehosteten Zugriff und kurz darauf offene Gewichte ausliefern.
Die inszenierte Veröffentlichung ist für zwei Zielgruppen von Bedeutung. Für Unternehmen bedeutet die heutige API-Verfügbarkeit, dass LongCat-2.5 sofort für Coding-Agent-Workloads evaluiert werden kann. Für das Open-Source-Ökosystem wird die versprochene Gewichtungsfreigabe darüber entscheiden, ob LongCat-2.5 eine Grundlage für fein abgestimmte Agentensysteme wird, wie es frühere offen veröffentlichte chinesische Modelle getan haben.
Eine überfüllte Woche für chinesische Model-Releases
Der Start erfolgt inmitten einer Welle von Aktivitäten im chinesischen KI-Sektor. Am selben Tag berichtete TechNode, dass SenseTime ein 9-Milliarden-Parameter-Modell als Open-Source-Lösung bereitgestellt habe, das Schichten für eine tiefere Verarbeitung wiederverwendet, und dass das DeepSeek-Team einen proaktiven Forschungsprototyp für Coding-Agenten als Open-Source-Lösung bereitgestellt habe. Meituan, weltweit vor allem als Lebensmittellieferriese bekannt, hat im Stillen eines der glaubwürdigsten KI-Forschungsprogramme des Landes aufgebaut – und LongCat-2.5 ist sein Argument dafür, dass die von Grund auf multimodale Agentencodierung die Arbeitsbelastung darstellt, auf die es ankommt.
Ob die Vollversion das Vorschaumodell bei den Benchmarks übertrifft, die Agenturen und Entwicklern wichtig sind – Aufgabenerledigung über einen längeren Zeitraum, Bearbeitungen auf Codebasisebene, multimodale Grundlage –, wird der unmittelbare Test sein. Was bereits klar ist, ist die strategische Ausrichtung: Das nächste umkämpfte Feld für große Modelle sind nicht triviale Antworten oder das Schreiben von Essays, sondern stundenlanges autonomes Arbeiten an echter Software.
---
Der KI einen Schritt voraus seinErhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Weitere KI-Neuigkeiten lesen →
