L'équipe LongCat de Meituan a publié LongCat-2.5 le 1er novembre. Par rapport à la préversion en ligne depuis le 25 septembre, on dispose désormais d'un rapport technique complet et d'un tableau d'évaluations. Le modèle peut déjà être essayé sur le site officiel et l'API est branchée, mais la version open source n'est pas encore publiée : les entrées GitHub et HuggingFace de la page affichent « bientôt disponible ». C'est différent de LongCat-2.0, fin juin, qui avait été ouvert dès sa sortie.
La taille du modèle ne change pas : 1,6 billion de paramètres au total, environ 48 milliards activés par token. Ce qui change, c'est l'orientation des capacités : d'une part la multimodalité native, d'autre part le codage agentique pour les tâches de longue haleine.
Un bond face à la 2.0, des résultats contrastés face aux ténors
Le tableau officiel recense plus de 30 évaluations ; nous en avons retenu quelques-unes, représentatives :
| Évaluation | 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 |
Plusieurs signaux sont assez nets. Sur les projets qui demandent de mener un chantier d'ingénierie complet sur la durée, c'est là que la progression par rapport à la 2.0 est la plus grande : Terminal Bench v4.0 et Program Bench ont tous deux été multipliés par plus de dix. Sur BrowseComp, ResearchRubrics, ALE et 3DCodeBench, c'est le meilleur score du tableau officiel. Sur la plupart des épreuves d'écriture de code, il reste derrière Opus 5, et les 64,6 points de DeepSWE sont le plus bas des concurrents du tableau ci-dessus.
Trois précautions pour lire ce tableau. D'abord, parmi les modèles comparés, on ne trouve ni la série GPT-6, ni Opus 5.5, ni Fable 5.1 : LongCat-2.5 n'est donc pas confronté à ces modèles plus récents. Ensuite, les scores des concurrents marqués d'un astérisque proviennent de rapports publics, ceux sans astérisque ont été mesurés par Meituan elle-même, et la société précise elle-même « à titre indicatif uniquement ». Enfin, le harness et les paramètres ne sont pas homogènes d'une évaluation à l'autre. On ne voit pour l'instant aucune reproduction par un organisme indépendant : ces scores ne peuvent donc être pris que comme les déclarations de Meituan.
Comment la vision entre dans le tronc du modèle
Côté multimodal, les images sont encodées en tokens discrets à plusieurs niveaux, afin que le modèle principal traite vision et texte sous une même forme de token. Le tokenizer visuel étant figé, les identifiants de tokens peuvent être calculés à l'avance et mis en cache, si bien que le graphe de calcul de l'entraînement ne comporte plus d'encodeur visuel. L'équipe affirme que cela simplifie le conditionnement des séquences longues et améliore l'équilibrage de charge de l'entraînement distribué.
L'entreprise présente cette capacité avec le codage, sous le nom de Visual Coding ; les démonstrations comprennent une simulation de fluides en temps réel, une présentation 3D de reliques culturelles et une maquette urbaine.
Les capacités sur les tâches longues sont construites par apprentissage par renforcement. Les tâches d'entraînement sont synthétisées à partir de dépôts GitHub publics et de scénarios de code internes, et les trajectoires où de vrais agents ont échoué sont aussi transformées en exercices reproductibles. Pour empêcher le modèle de tricher, l'environnement coupe le réseau, efface l'historique git et le cache de fichiers, puis un LLM judge surveille la trajectoire et retire des points supplémentaires en cas de réflexion répétée et d'appels d'outils répétés.
Les chiffres côté calcul
Le rapport consacre beaucoup de place aux cartes accélératrices nationales, la limite de mémoire de moins de 80 Go par carte étant une contrainte qu'il évoque à plusieurs reprises. Les deux résultats d'optimisation rendus publics sont :
- Entraînement sur séquences longues : après le passage à une configuration FSDP conçue pour les supernœuds, le débit par carte progresse de 86 % par rapport à la base DDP ;
- Inférence W4A4 : les poids des experts comme les activations sont quantifiés sur 4 bits ; lors de tests de charge en ligne, par rapport à la base W8A8, le débit de prefill augmente de 43,3 % et celui de decode de 42,77 %, tandis que le TTFT et le TPOT baissent respectivement de 15,91 % et de 19,72 %.
Le rapport ne précise ni quel fabricant a fourni les cartes, ni combien ont été utilisées, ni le coût de l'entraînement. Le blog technique ne donne pas non plus le prix de l'API de la version officielle ; la préversion bénéficiait d'un tarif promotionnel limité dans le temps, et les nouveaux prix sont à vérifier dans les annonces de la plateforme ouverte. La date de l'ouverture du code n'a pas non plus été donnée. Ce n'est qu'une fois les poids publiés que l'extérieur pourra vérifier lui-même ce tableau d'évaluations.
Sources : rapport technique officiel et tableau d'évaluations de LongCat, CocoLoop, ITHome ; tous les scores suivent le périmètre publié officiellement, ceux des concurrents provenant en partie de rapports publics et en partie de mesures propres à Meituan.