메이퇀(Meituan) LongCat 팀이 11월 1일 LongCat-2.5를 공개했다. 9월 25일 나온 프리뷰 버전에 완전한 기술 보고서와 평가표가 더해졌다. 공식 웹사이트에서 이미 체험할 수 있고 API도 연동됐지만, 오픈소스 버전은 아직 나오지 않았다. 페이지의 GitHub와 HuggingFace 입구는 모두 '곧 공개'로 표시돼 있다. 6월 말 LongCat-2.0이 출시와 동시에 오픈소스로 풀린 것과는 다른 경로다.
모델 규모는 그대로 총 파라미터 1.6조 개, 토큰당 활성화 약 480억 개다. 달라진 것은 능력의 방향이다. 하나는 네이티브 멀티모달이고, 다른 하나는 장기 과제를 겨냥한 에이전트형 코딩이다.
2.0과 비교하면 급등, 선두권과는 엇갈린다
공식 표에는 30개 넘는 평가 항목이 올라 있다. 그중 대표적인 몇 개를 골랐다.
| 평가 항목 | 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 |
눈에 띄는 신호가 몇 가지 있다. 완성된 엔지니어링 프로젝트를 오래 돌려야 하는 과제에서는 2.0 대비 향상 폭이 가장 크다. Terminal Bench v4.0과 Program Bench 모두 10배 넘게 올랐다. BrowseComp, ResearchRubrics, ALE, 3DCodeBench에서는 공식 표 안에서 가장 높은 점수를 기록했다. 코드 작성 계열의 다수 항목에서는 여전히 Opus 5에 뒤지며, DeepSWE의 64.6점은 위 표의 비교 대상 가운데 가장 낮다.
이 표를 읽을 때 유의할 점이 세 가지 있다. 첫째, 비교 모델에 GPT-6 시리즈, Opus 5.5, Fable 5.1이 없다. 이 더 새로운 모델들과는 같은 무대에서 겨루지 않았다는 뜻이다. 둘째, 별표가 붙은 상대 모델의 점수는 공개 보고서에서 가져온 것이고, 별표가 없는 것은 메이퇀이 자체 측정한 것이다. 공식도 '참고용'이라고 표기했다. 셋째, 항목마다 사용한 harness와 파라미터가 일치하지 않는다. 지금까지 독립 기관의 재현 결과는 확인되지 않았으므로, 이 점수는 당분간 메이퇀의 자체 주장으로만 봐야 한다.
시각 정보를 주 모델에 넣는 방식
멀티모달 방식은 이미지를 다층 계층의 이산 토큰으로 인코딩해, 주 모델이 시각과 텍스트를 같은 토큰 형태로 처리하게 하는 것이다. 시각 토크나이저가 고정돼 있어 토큰 ID를 미리 계산해 캐시할 수 있고, 그래서 학습 연산 그래프에서 비전 인코더가 사라졌다. 팀은 이렇게 하면 긴 시퀀스 패킹이 단순해지고 분산 학습의 부하 분산도 좋아진다고 설명한다.
공식은 이 능력을 코딩과 묶어 Visual Coding이라고 부른다. 시연 사례로는 실시간 유체 시뮬레이션, 3D 문화재 전시, 도시 샌드박스 모형이 있다.
장기 과제 능력은 강화학습으로 쌓아 올렸다. 학습 과제는 GitHub 공개 저장소와 내부 코드 환경에서 합성하며, 실제 에이전트가 실패한 궤적도 재현 가능한 학습 문제로 바뀐다. 모델이 꼼수를 쓰지 못하도록 환경에서는 네트워크를 끊고 git 이력과 파일 캐시를 지우며, LLM judge가 궤적을 감시해 같은 생각을 반복하거나 같은 도구를 반복 호출하면 추가로 감점한다.
연산 자원 쪽 수치
보고서는 국산 가속 카드에 많은 분량을 할애했고, 카드 한 장의 메모리가 80GB에 못 미친다는 점을 반복해서 제약으로 꼽았다. 공개된 두 가지 최적화 효과는 다음과 같다.
- 긴 시퀀스 학습: 슈퍼노드용으로 설계한 FSDP 구성으로 바꾸자 카드당 처리량이 DDP 기준선보다 86% 늘었다.
- W4A4 추론: 전문가 가중치와 활성화를 모두 4비트로 양자화한 뒤 실서비스 부하 테스트에서 W8A8 기준선과 비교하면, prefill 처리량이 43.3%, decode가 42.77% 늘었고 TTFT와 TPOT는 각각 15.91%, 19.72% 줄었다.
보고서에는 어느 업체의 카드를 몇 장 썼는지, 학습에 비용이 얼마나 들었는지가 적혀 있지 않다. 기술 블로그에도 정식 버전의 API 가격이 나와 있지 않으며, 프리뷰 버전은 한시 가격이었다. 새 가격은 오픈 플랫폼 공지를 기준으로 확인해야 한다. 오픈소스 시점도 제시되지 않았다. 가중치가 공개돼야 외부에서 이 평가표를 직접 검증할 수 있다.
참고 출처: LongCat 공식 기술 보고서 및 평가표, CocoLoop, ITHome. 평가 점수는 모두 공식 발표 기준이며, 상대 모델 점수는 일부는 공개 보고서에서 가져오고 일부는 메이퇀이 자체 측정한 것이다.