Tim LongCat Meituan merilis LongCat-2.5 pada 1 November, menambahkan laporan teknis lengkap dan tabel evaluasi pada versi pratinjau yang meluncur pada 25 September. Model ini sudah bisa dicoba di situs resmi dan API-nya sudah tersambung, tetapi versi sumber terbuka belum dirilis: tautan GitHub dan HuggingFace di halaman itu sama-sama bertuliskan "segera hadir". Ini berbeda dari LongCat-2.0 pada akhir Juni, yang langsung dibuka sumbernya saat dirilis.
Ukuran modelnya tidak berubah, yakni total parameter 1.6 triliun dengan sekitar 48 miliar parameter aktif per token. Yang berubah adalah arah kemampuannya: pertama, multimodal native, dan kedua, pemrograman agentik untuk tugas jangka panjang.
Lonjakan besar dibanding 2.0, hasil campuran melawan model papan atas
Tabel resmi memuat lebih dari 30 butir evaluasi. Kami memilih beberapa yang representatif:
| Evaluasi | 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 |
Beberapa sinyal terlihat jelas. Pada proyek yang menuntut penyelesaian satu proyek rekayasa utuh dalam waktu lama, peningkatannya terhadap 2.0 paling besar: Terminal Bench v4.0 dan Program Bench sama-sama naik lebih dari sepuluh kali lipat. Pada BrowseComp, ResearchRubrics, ALE, dan 3DCodeBench, model ini mencetak skor tertinggi dalam tabel resmi. Di sebagian besar butir pemrograman, model ini masih tertinggal dari Opus 5, dan skor 64.6 di DeepSWE adalah yang terendah di antara para pesaing pada tabel di atas.
Ada tiga hal yang perlu diperhatikan saat membaca tabel ini. Pertama, model pembanding tidak mencakup seri GPT-6, Opus 5.5, maupun Fable 5.1, artinya model ini belum diadu dengan model-model yang lebih baru itu. Kedua, skor pesaing yang bertanda bintang diambil dari laporan publik, sedangkan yang tanpa bintang diuji sendiri oleh Meituan, dan pihak resmi sendiri menandainya "hanya sebagai referensi". Ketiga, harness dan parameter yang dipakai tidak seragam di tiap butir. Sejauh ini belum terlihat hasil replikasi dari lembaga independen, sehingga skor-skor ini untuk sementara hanya bisa dianggap sebagai klaim Meituan sendiri.
Bagaimana visi masuk ke tulang punggung model
Pendekatan multimodalnya adalah mengodekan gambar menjadi token diskret berlapis-lapis, sehingga model utama memproses visi dan teks dalam bentuk token yang sama. Tokenizer visualnya tetap, sehingga ID token bisa dihitung lebih dulu dan disimpan di cache, dan graf komputasi pelatihan tidak lagi memuat encoder visual. Tim menyebut hal ini menyederhanakan pengemasan sekuens panjang dan juga memperbaiki penyeimbangan beban pada pelatihan terdistribusi.
Secara resmi, kemampuan ini dijelaskan bersama pemrograman dengan nama Visual Coding. Demonya mencakup simulasi fluida waktu nyata, tampilan 3D artefak budaya, dan maket kota.
Kemampuan jangka panjang dibangun lewat reinforcement learning. Tugas pelatihan disintesis dari repositori publik GitHub dan skenario kode internal, dan lintasan dari Agent sungguhan yang gagal juga diubah menjadi soal latihan yang bisa direproduksi. Agar model tidak mengakali tugas, lingkungan memutus jaringan, menghapus riwayat git dan cache berkas, lalu sebuah LLM judge mengawasi lintasan dan memberi pengurangan nilai tambahan untuk pemikiran berulang dan pemanggilan alat berulang.
Angka dari sisi komputasi
Laporan menghabiskan banyak ruang untuk kartu akselerator buatan dalam negeri, dengan memori per kartu di bawah 80GB sebagai kendala yang berulang kali disebut. Dua hasil optimasi yang dipublikasikan adalah:
- Pelatihan sekuens panjang: setelah beralih ke konfigurasi FSDP yang dirancang untuk supernode, throughput per kartu naik 86% dibanding baseline DDP.
- Inferensi W4A4: dengan bobot pakar dan aktivasi sama-sama dikuantisasi ke 4 bit, uji beban langsung terhadap baseline W8A8 menunjukkan throughput prefill naik 43.3% dan decode naik 42.77%, sementara TTFT dan TPOT turun masing-masing 15.91% dan 19.72%.
Laporan tidak menyebut kartu dari produsen mana yang dipakai, berapa jumlahnya, atau berapa biaya pelatihannya. Blog teknisnya juga tidak mencantumkan harga API versi resmi; versi pratinjau saat itu diberi harga terbatas waktu, dan harga baru harus merujuk pada pengumuman platform terbuka. Jadwal sumber terbuka pun belum diberikan, dan baru setelah bobot dirilis pihak luar bisa memverifikasi sendiri tabel evaluasi ini.
Sumber: laporan teknis resmi dan tabel evaluasi LongCat, CocoLoop, ITHome. Seluruh skor evaluasi mengikuti angka yang dipublikasikan resmi; skor pesaing sebagian diambil dari laporan publik dan sebagian diuji sendiri oleh Meituan.