El equipo LongCat de Meituan lanzó LongCat-2.5 el 1 de noviembre. Respecto a la versión preliminar del 25 de septiembre, ahora hay un informe técnico completo y una tabla de evaluaciones. Ya se puede probar en la web oficial y la API está integrada, pero la versión de código abierto todavía no se ha publicado: los accesos a GitHub y HuggingFace en la página muestran "próximamente". Es distinto del camino de LongCat-2.0, a finales de junio, que se abrió desde el primer día.
La escala del modelo no cambia: 1,6 billones de parámetros en total y unos 48.000 millones activados por token. Lo que cambia es la orientación de sus capacidades: por un lado, multimodalidad nativa; por otro, programación con agentes para tareas de largo recorrido.
Gran salto frente a la 2.0, resultados desiguales frente a los líderes
La tabla oficial enumera más de 30 evaluaciones; hemos elegido algunas representativas:
| Evaluación | 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 |
Hay varias señales claras. En los proyectos que exigen ejecutar una obra de ingeniería completa durante mucho tiempo, es donde más avanza respecto a la 2.0: Terminal Bench v4.0 y Program Bench se multiplican por más de diez. En BrowseComp, ResearchRubrics, ALE y 3DCodeBench, obtiene la puntuación más alta de la tabla oficial. En la mayoría de las pruebas de escritura de código sigue por detrás de Opus 5, y los 64,6 puntos de DeepSWE son el valor más bajo entre los rivales de la tabla anterior.
Al leer esta tabla hay que tener en cuenta tres cosas. Primero, entre los modelos de comparación no están la serie GPT-6, Opus 5.5 ni Fable 5.1, es decir, no se mide contra esos modelos más recientes. Segundo, las puntuaciones de los rivales con asterisco proceden de informes públicos y las que no lo llevan son mediciones propias de Meituan; la propia empresa también las marca como "solo de referencia". Tercero, el harness y los parámetros no son uniformes entre las pruebas. Por ahora no se han visto reproducciones de organismos independientes, así que estas puntuaciones solo pueden tomarse como lo que cuenta Meituan de sí misma.
Cómo entra la visión en el tronco del modelo
En la parte multimodal, las imágenes se codifican como tokens discretos de varios niveles, de modo que el modelo principal procesa visión y texto con la misma forma de token. El tokenizador visual es fijo, así que se pueden calcular de antemano los ID de token y guardarlos en caché, y el grafo de cómputo del entrenamiento ya no incluye un codificador visual. El equipo dice que esto simplifica el empaquetado de secuencias largas y mejora el equilibrio de carga del entrenamiento distribuido.
La empresa presenta esta capacidad junto con la programación y la llama Visual Coding; las demostraciones incluyen una simulación de fluidos en tiempo real, una exhibición 3D de reliquias culturales y una maqueta urbana.
La capacidad para tareas largas se levanta con aprendizaje por refuerzo. Las tareas de entrenamiento se sintetizan a partir de repositorios públicos de GitHub y escenarios de código internos, y las trayectorias en las que fallaron agentes reales también se convierten en ejercicios reproducibles. Para evitar que el modelo haga trampas, el entorno corta la red y borra el historial de git y la caché de archivos, y un LLM judge vigila la trayectoria y descuenta puntos adicionales por pensamiento repetido y llamadas repetidas a herramientas.
Las cifras del lado del cómputo
El informe dedica mucho espacio a las tarjetas aceleradoras nacionales, y el límite de menos de 80 GB de memoria por tarjeta es una restricción que menciona una y otra vez. Los dos resultados de optimización publicados son:
- Entrenamiento con secuencias largas: tras pasar a una configuración de FSDP diseñada para supernodos, el rendimiento por tarjeta mejora un 86 % frente a la línea base de DDP;
- Inferencia W4A4: tanto los pesos de los expertos como las activaciones se cuantizan a 4 bits; en pruebas de carga en línea, frente a la línea base W8A8, el rendimiento de prefill sube un 43,3 % y el de decode un 42,77 %, mientras que TTFT y TPOT bajan un 15,91 % y un 19,72 %, respectivamente.
El informe no indica qué fabricante suministró las tarjetas, cuántas se usaron ni cuánto costó el entrenamiento. El blog técnico tampoco enumera el precio de la API de la versión oficial; la versión preliminar tuvo un precio promocional por tiempo limitado, y los nuevos precios dependen de los anuncios de la plataforma abierta. Tampoco se ha dado fecha para el código abierto. Solo cuando se publiquen los pesos podrá el exterior comprobar por sí mismo esta tabla de evaluaciones.
Fuentes: informe técnico oficial y tabla de evaluaciones de LongCat, CocoLoop, ITHome; todas las puntuaciones siguen el criterio publicado oficialmente, y las de los rivales proceden en parte de informes públicos y en parte de mediciones propias de Meituan.