Meituan släppte LongCat-2.5 den 2 november, och lade till en inbyggd multimodal modell med 1,6 biljoner parametrar till sin LongCat-linje – och utsedd agentkodning med lång horisont, inte chatt, som sitt primära uppdrag. Enligt TechNode, som rapporterar om lanseringen via IT Home, aktiverar modellen cirka 48 miljarder parametrar för varje token, en arkitektur designad för att leverera kapacitet i gränsöverskridande skala utan att betala hela slutkostnaden för den totala parameterräkningen på varje begäran.
Lanseringen är produktionsuppföljningen till LongCat-2.5-Preview, som Meituan skickade i slutet av september som en 1,6T blandning av experter agentmodell med ett 1 miljon tokens kontextfönster, enligt Pandailys täckning vid den tiden. För mer om den här historien och det bredare modellloppet, se vår AI-modellbevakning.
Byggd för agenter som arbetar i timmar, inte sekunder
Den avgörande insatsen för LongCat-2.5 är att gränsen har flyttats från att svara på frågor till att slutföra uppgifter. Meituan sa att det utökade utbildningen på långa uppgiftssekvenser och tillämpade storskalig förstärkningsinlärning för att förbättra modellens arbete på komplexa kodbaser och kompletta programvaruprojekt - de utökade jobben i flera steg där agentsystem tenderar att driva, stanna eller tyst misslyckas.
En träningsteknik sticker ut. Företaget sa att det omvandlar misslyckanden som verkliga agenter stöter på till reproducerbara träningsuppgifter, vilket stänger slingan mellan vad produktionsagenter får fel och vad modellen lär sig härnäst. Det är ett tillvägagångssätt som inte behandlar agentmisslyckanden som anekdoter utan som en läroplan – och det signalerar att Meituan skördar hård träningsdata från utplacerade system i en skala som de flesta labb inte kan matcha, med tanke på att företagets matleveranser och logistikverksamhet genererar enorma volymer av verklig uppgiftstrafik.
Inbyggd multimodalitet i ett Unified Token Framework
LongCat-2.5 bearbetar visuella och textinmatningar inom ett enhetligt token-ramverk, enligt lanseringstäckningen - vilket innebär att bilder och text konverteras till samma underliggande representation snarare än att lappas ihop genom separata kodare. Meituan säger att detta möjliggör visuell kodning, kreativ design och 3D-uppgifter tillsammans med konventionellt mjukvaruutvecklingsarbete.
Den multimodala betoningen är en differentiator i den agentkodande nischen, där de flesta konkurrenter förblir text-first. En agent som kan läsa en designmockup, resonera kring en 3D-scen eller tolka en skärmdump av en buggrapport kan ta på sig en större del av verkligt produktutvecklingsarbete än en som bara ser kod.
Ekonomin för 48 miljarder aktiverade parametrar
1.6T-total / ~48B-active split är värt att packa upp, eftersom det förklarar vem denna modell är till för. I en blandning av experter är det bara en liten bråkdel av nätverket som avfyrar på en given token, vilket är det som gör en biljonskalig modell överkomlig att köra: kapaciteten finns för de förfrågningar som behöver den, medan kostnaden per token spårar antalet aktiva parameter. För agentiska arbetsbelastningar de matematiska föreningarna. En agent som arbetar i timmar genererar hundratusentals eller miljontals tokens för planering, verktygsanrop och kodredigering – så klyftan mellan att betala för 48 miljarder aktiva parametrar och att betala för 1,6 biljoner för varje steg är skillnaden mellan en livskraftig produkt och en forskningsdemo.
I kombination med det 1 miljon tokens kontextfönster som förhandsgranskningsmodellen introducerade, per Pandaily, är målarbetsbelastningen entydig: en agent som håller en hel kodbas, dess dokumentation och dess felhistorik i arbetsminnet medan den kör en uppgiftslista mätt i timmar.
Tillgänglighet: Chatt och API nu, öppna vikter att följa
Modellen är tillgänglig omedelbart genom Meituans onlinechatttjänst och API-plattform, enligt TechNode. GitHub och Hugging Face-släpp är planerade att följa — en sekvens som återspeglar spelboken från andra kinesiska labb, som i allt större utsträckning levererar värdadkomst först och öppna vikter strax efter.
Den iscensatta releasen är viktig för två publik. För företag innebär API-tillgänglighet idag att LongCat-2.5 kan utvärderas omedelbart för arbetsbelastningar för kodningsagenter. För ekosystemet med öppen källkod kommer den utlovade viktreleasen att avgöra om LongCat-2.5 blir en grund för finjusterade agentsystem på samma sätt som tidigare öppet släppta kinesiska modeller har gjort.
En trång vecka för kinesiska modellsläpp
Lanseringen landar mitt i en explosion av aktivitet från Kinas AI-sektor. Samma dag rapporterade TechNode att SenseTime öppnade en modell med 9 miljarder parametrar som återanvänder lager för djupare bearbetning, och att DeepSeeks team skapade en proaktiv forskningsprototyp för kodningsagenter med öppen källkod. Meituan, mest känd globalt som en matleveransjätte, har i det tysta byggt ett av de mer trovärdiga AI-forskningsprogrammen i landet - och LongCat-2.5 är dess argument att agentkodning, multimodal från grunden, är den arbetsbelastning som är viktig.
Huruvida den fullständiga utgåvan överträffar förhandsgranskningsmodellen på de riktmärken som byråer och utvecklare bryr sig om – slutförande av uppgifter med lång horisont, redigeringar på kodbasnivå, multimodal jordning – kommer att bli det omedelbara testet. Det som redan är klart är den strategiska riktningen: nästa omtvistade mark för stora modeller är inte triviasvar eller uppsatsskrivande, utan timmarlångt autonomt arbete med riktig programvara.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
