Meituan heeft op 2 november LongCat-2.5 uitgebracht, waarbij een native multimodaal model met 1,6 biljoen parameters aan zijn LongCat-assortiment is toegevoegd - en agentische codering met lange horizon, en niet chatten, als zijn primaire missie is aangemerkt. Volgens TechNode, dat rapporteert over de lancering via IT Home, activeert het model ongeveer 48 miljard parameters voor elk token, een architectuur die is ontworpen om capaciteit op grensschaal te leveren zonder de volledige gevolgtrekkingskosten van het totale aantal parameters voor elk verzoek te betalen.
De lancering is het productievervolg op LongCat-2.5-Preview, dat Meituan eind september uitbracht als een 1,6T mix-of-experts agentmodel met een contextvenster van 1 miljoen token, volgens de berichtgeving van Pandaily destijds. Voor meer informatie over dit verhaal en de bredere modellenrace, zie onze dekking over AI-modellen.
Gebouwd voor agenten die urenlang werken, geen seconden
De bepalende weddenschap van LongCat-2.5 is dat de grens is verschoven van het beantwoorden van vragen naar het voltooien van taken. Meituan zei dat het de training over lange takenreeksen heeft uitgebreid en grootschalig versterkend leren heeft toegepast om het werk van het model op complexe codebases en complete softwareprojecten te verbeteren - de uitgebreide, meerstapstaken waarbij agentsystemen de neiging hebben af te drijven, vast te lopen of stilletjes te falen.
Eén trainingstechniek valt op. Het bedrijf zegt dat het fouten waarmee echte agenten te maken krijgen, omzet in reproduceerbare trainingstaken, waardoor de cirkel wordt gesloten tussen wat productieagenten fout doen en wat het model vervolgens leert. Het is een aanpak die het falen van agenten niet als anekdotes behandelt, maar als leerplan – en het geeft aan dat Meituan harde trainingsgegevens verzamelt van geïmplementeerde systemen op een schaal die de meeste laboratoria niet kunnen evenaren, aangezien de voedselbezorging en logistieke activiteiten van het bedrijf enorme hoeveelheden real-world taakverkeer genereren.
Native multimodaliteit in een uniform tokenframework
LongCat-2.5 verwerkt visuele en tekstinvoer binnen een uniform tokenframework, volgens de berichtgeving over de lancering – wat betekent dat afbeeldingen en tekst worden omgezet in dezelfde onderliggende representatie in plaats van aan elkaar te worden gekoppeld via afzonderlijke encoders. Meituan zegt dat dit visuele codering, creatief ontwerp en 3D-taken mogelijk maakt naast conventioneel software-engineeringwerk.
De multimodale nadruk is een onderscheidende factor in de niche van agentische codering, waar de meeste concurrenten tekst-eerst blijven. Een agent die een ontwerpmodel kan lezen, over een 3D-scène kan redeneren of een screenshot van een bugrapport kan interpreteren, kan een groter deel van het echte productontwikkelingswerk op zich nemen dan iemand die alleen code ziet.
De economie van 48 miljard geactiveerde parameters
De 1,6T totaal / ~48B actieve verdeling is het uitpakken waard, omdat het uitlegt voor wie dit model bedoeld is. In een ontwerp met een mix van experts wordt slechts een klein deel van het netwerk op een bepaald token geactiveerd, wat het gebruik van een model op een biljoen schaal betaalbaar maakt: er is capaciteit voor de verzoeken die dit nodig hebben, terwijl de kosten per token het aantal actieve parameters volgen. Voor agentische werkbelastingen zijn de wiskundige verbindingen. Een agent die urenlang werkt, genereert honderdduizenden of miljoenen tokens tijdens de planning, het aanroepen van tools en het bewerken van code. Het verschil tussen het betalen voor 48 miljard actieve parameters en het betalen voor 1,6 biljoen bij elke stap is dus het verschil tussen een levensvatbaar product en een onderzoeksdemo.
Gecombineerd met het contextvenster van 1 miljoen tokens dat het preview-model volgens Pandaily heeft geïntroduceerd, is de beoogde werklast ondubbelzinnig: een agent die een volledige codebase, de bijbehorende documentatie en de storingsgeschiedenis in het werkgeheugen bewaart terwijl hij een in uren gemeten takenlijst uitvoert.
Beschikbaarheid: chat en API nu, open gewichten om te volgen
Volgens TechNode is het model onmiddellijk beschikbaar via de online chatservice en het API-platform van Meituan. GitHub- en Hugging Face-releases zullen volgen – een volgorde die aansluit bij het speelboek van andere Chinese laboratoria, die steeds vaker gehoste toegang eerst en kort daarna open gewichten verzenden.
De geënsceneerde release is van belang voor twee doelgroepen. Voor ondernemingen betekent de beschikbaarheid van API's tegenwoordig dat LongCat-2.5 onmiddellijk kan worden geëvalueerd voor werklasten van codeeragenten. Voor het open-source-ecosysteem zal de beloofde release van gewichten bepalen of LongCat-2.5 een basis wordt voor verfijnde agentische systemen zoals eerdere openlijk vrijgegeven Chinese modellen dat hebben gedaan.
Een drukke week voor Chinese modelreleases
De lancering vindt plaats te midden van een uitbarsting van activiteit in de Chinese AI-sector. Op dezelfde dag meldde TechNode dat SenseTime een model met 9 miljard parameters open source heeft gemaakt dat lagen hergebruikt voor diepere verwerking, en dat het team van DeepSeek een proactief onderzoeksprototype voor codeeragenten open source heeft gemaakt. Meituan, wereldwijd vooral bekend als voedselbezorggigant, heeft stilletjes een van de geloofwaardigste AI-onderzoeksprogramma's van het land opgebouwd – en LongCat-2.5 is het argument dat agentische codering, multimodaal vanaf de basis, de werklast is die er toe doet.
Of de volledige release beter presteert dan het preview-model op de benchmarks waar bureaus en ontwikkelaars om geven – voltooiing van taken op lange horizon, bewerkingen op codebase-niveau, multimodale basis – zal de onmiddellijke test zijn. Wat al duidelijk is, is de strategische richting: het volgende betwiste gebied voor grote modellen is niet het beantwoorden van triviale vragen of het schrijven van essays, maar urenlang autonoom werken aan echte software.
---
Blijf AI een stap voorOntvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.
Lees meer AI-nieuws →
