Das LongCat-Team von Meituan hat am 1. November LongCat-2.5 veröffentlicht. Gegenüber der Vorschauversion vom 25. September gibt es nun einen vollständigen technischen Bericht samt Benchmark-Tabelle. Das Modell lässt sich auf der Website bereits testen, die API ist angebunden, eine Open-Source-Version gibt es vorerst nicht: Die Einstiege zu GitHub und HuggingFace zeigen auf der Seite „demnächst“. Das unterscheidet sich vom Weg bei LongCat-2.0 Ende Juni, das schon zum Start als Open Source erschien.
Die Modellgröße bleibt gleich: 1,6 Billionen Parameter insgesamt, pro Token werden etwa 48 Milliarden aktiviert. Geändert hat sich die Stoßrichtung: Zum einen ist das Modell nun nativ multimodal, zum anderen auf agentisches Programmieren für langfristige Aufgaben ausgelegt.
Gegenüber 2.0 ein großer Sprung, gegenüber der Spitze mal vorn, mal hinten
Die offizielle Tabelle führt über 30 Benchmarks auf. Wir haben einige repräsentative herausgegriffen:
| Benchmark | LongCat-2.5 | LongCat-2.0 | GPT-5.6 Sol | Opus 5 | GLM-5.3 | Kimi K3 | DeepSeek V4.1 Flash |
|---|---|---|---|---|---|---|---|
| Terminal Bench v4.0 | 38.5 | 3.0 | 37.3 | 53.9 | 41.8 | 12.6 | 31.2 |
| Program Bench | 25.5 | 2.5 | 23.0 | 37.0 | 19.0 | 17.5 | 20.3 |
| DeepSWE v1.1 | 64.6 | 9.7 | 72.7 | 68.8 | 66.9 | 67.5 | 74.2 |
| NL2Repo | 60.5 | 40.9 | 56.8 | 75.3 | 58.0 | 58.0 | 65.4 |
| BrowseComp | 91.9 | 79.9 | 90.4 | 90.8 | 81.0 | 91.2 | 91.5 |
| 3DCodeBench | 55.4 | - | 52.3 | 54.3 | 53.4 | 49.3 | 53.3 |
Einige Signale sind recht deutlich. Bei Projekten, die einen kompletten Entwicklungsablauf über lange Zeit durchlaufen müssen, ist der Fortschritt gegenüber 2.0 am größten: Terminal Bench v4.0 und Program Bench haben sich jeweils mehr als verzehnfacht. Bei BrowseComp, ResearchRubrics, ALE und 3DCodeBench erzielt LongCat-2.5 den Höchstwert in der offiziellen Tabelle. Bei den meisten Coding-Aufgaben liegt es weiterhin hinter Opus 5, und die 64,6 Punkte bei DeepSWE sind der niedrigste Wert unter den hier gezeigten Konkurrenten.
Beim Lesen der Tabelle sind drei Dinge zu beachten. Erstens fehlen unter den Vergleichsmodellen die GPT-6-Reihe, Opus 5.5 und Fable 5.1; LongCat-2.5 tritt also nicht gegen diese neueren Modelle an. Zweitens stammen die Werte der Konkurrenz mit Sternchen aus öffentlichen Berichten, die ohne Sternchen hat Meituan selbst gemessen; offiziell ist dies außerdem als „nur zur Orientierung“ vermerkt. Drittens sind Harness und Parameter nicht über alle Benchmarks hinweg einheitlich. Unabhängige Reproduktionen liegen bislang nicht vor, die Werte sind daher vorerst nur als Selbstauskunft von Meituan zu verstehen.
Wie das Sehen in den Kern kommt
Für die Multimodalität werden Bilder in mehrstufige, diskrete Token kodiert, sodass das Hauptmodell Bild und Text in derselben Token-Form verarbeitet. Da der visuelle Tokenizer fest ist, lassen sich die Token-IDs vorab berechnen und zwischenspeichern; im Trainingsgraphen gibt es deshalb keinen Vision-Encoder mehr. Laut Team vereinfacht das das Packen langer Sequenzen und verbessert den Lastausgleich beim verteilten Training.
Meituan stellt diese Fähigkeit gemeinsam mit dem Programmieren vor und nennt sie Visual Coding. Die Demos zeigen eine Echtzeit-Flüssigkeitssimulation, eine 3D-Ausstellung von Kulturgütern und ein Stadtmodell.
Die Fähigkeiten für lange Aufgaben werden per Reinforcement Learning aufgebaut. Die Trainingsaufgaben werden aus öffentlichen GitHub-Repositories und internen Code-Szenarien synthetisiert; auch Trajektorien, in denen echte Agenten gescheitert sind, werden zu reproduzierbaren Trainingsaufgaben umgebaut. Damit das Modell nicht trickst, wird in der Umgebung das Netzwerk gekappt sowie Git-Verlauf und Datei-Cache gelöscht; zusätzlich überwacht ein LLM-Judge die Trajektorie und zieht bei wiederholtem Denken und wiederholten Tool-Aufrufen zusätzlich Punkte ab.
Die Zahlen zur Rechenleistung
Der Bericht widmet viel Raum den heimischen Beschleunigerkarten; der Grafikspeicher von unter 80 GB pro Karte wird dabei immer wieder als Einschränkung genannt. Zwei veröffentlichte Optimierungsergebnisse:
- Training mit langen Sequenzen: Nach dem Wechsel auf eine für Supernodes ausgelegte FSDP-Konfiguration steigt der Durchsatz pro Karte gegenüber der DDP-Basis um 86 %;
- W4A4-Inferenz: Sowohl Expertengewichte als auch Aktivierungen werden auf 4 Bit quantisiert. Im Lasttest im Livebetrieb steigt gegenüber der W8A8-Basis der Prefill-Durchsatz um 43,3 % und der Decode-Durchsatz um 42,77 %, TTFT und TPOT sinken um 15,91 % bzw. 19,72 %.
Der Bericht nennt weder, welcher Hersteller die Karten geliefert hat, noch wie viele davon genutzt wurden oder wie viel das Training gekostet hat. Auch der technische Blog führt keine API-Preise für die finale Version auf; für die Vorschau galt ein befristeter Preis, neue Preise richten sich nach den Ankündigungen der offenen Plattform. Ein Zeitpunkt für die Open-Source-Veröffentlichung fehlt ebenfalls. Erst wenn die Gewichte freigegeben sind, kann die Außenwelt diese Benchmark-Tabelle selbst überprüfen.
Quellen: Offizieller technischer Bericht und Benchmark-Tabelle von LongCat, CocoLoop, ITHome; alle Werte entsprechen den offiziell veröffentlichten Angaben, die Werte der Konkurrenz stammen teils aus öffentlichen Berichten, teils hat Meituan sie selbst gemessen.