شرکت Meituan LongCat در تاریخ ۲ نوامبر مدل LongCat-2.5 را منتشر کرد. این مدل به عنوان یک مدل چندوجهی بومی برای انجام وظایف عامل با افق بلند (long-horizon agent tasks) معرفی شده است که دارای ۱.۶ تریلیون پارامتر کلی است و حدود ۴۸ میلیارد پارامتر را به ازای هر توکن فعال می‌کند. LongCat-2.5 با تکیه بر نسخه قبلی خود، LongCat-2.0، قابلیت‌های درک بصری بومی و کدنویسی عامل را تقویت می‌کند. نسخه نمایشی آنلاین و دسترسی به API آن اکنون در دسترس هستند و وزن‌های مدل به زودی در GitHub و HuggingFace منتشر خواهند شد.
رویکرد فنی LongCat-2.5
از نظر فنی، LongCat-2.5 سیگنال‌های بصری را به عنوان توکن‌های گسسته چندسطحی نمایش می‌دهد، از رمزگذار تراز معنایی LongCat-Next پیروی می‌کند و کوانتیزاسیون برداری باقیمانده (residual vector quantization) را اعمال می‌کند. گسسته‌سازی با وضوح بومی و پیش‌محاسبه آفلاین توکن‌های بصری به هسته اصلی مدل اجازه می‌دهد تا ورودی‌های بصری و متنی را به طور یکنواخت پردازش کند. جاسازی‌های (embeddings) کتاب کد بصری به طور مشترک با هسته اصلی یاد گرفته می‌شوند و درهم‌آمیزی فضای معنایی بر روی یک MoE (Mixture of Experts) با حدود ۳ میلیارد پارامتر فعال تأیید شده است.
قابلیت‌های عامل (Agent)
قابلیت‌های عامل LongCat-2.5 بر یک خط لوله Agentic RL (یادگیری تقویتی عامل‌محور) متکی است: یک خط لوله سنتز داده به طور خودکار وظایف آموزشی، محیط‌های تعاملی و موارد آزمایشی قابل تأیید را تولید می‌کند که از GitHub و سناریوهای داخلی جمع‌آوری شده‌اند و با بررسی‌های fail-to-pass و pass-to-pass اعتبارسنجی می‌شوند. در بخش آموزش، یک استراتژی rollout جزئی ناهمزمان، مسائل کارایی مربوط به «دم بلند» (long-tail efficiency issues) را کاهش می‌دهد و کهنگی نمونه‌ها را سرکوب می‌کند. این مدل از طریق قطع اتصال شبکه، پاک کردن تاریخچه Git و نظارت قاضی LLM، هک پاداش (reward hacking) را محدود می‌کند. آموزش ترکیبی در میان وظایف و ساختارها، تعمیم‌پذیری را ارتقا می‌دهد.
بهینه‌سازی زیرساخت
زیرساخت این مدل برای محدودیت VRAM کارت‌های گرافیک داخلی (کمتر از ۸۰ گیگابایت) بهینه‌سازی شده است و از موازی‌سازی ابرگره (supernode parallelism) و FSDP دو تکه (dual-sharded FSDP) استفاده می‌کند. برای SFT با توالی‌های بلند، توان عملیاتی تک کارت ۸۶٪ بیشتر از خط پایه DDP است. در بخش استنتاج (inference)، طرح W4A4 هم وزن‌های متخصص و هم فعال‌سازی‌ها را به ۴ بیت کوانتیزه می‌کند. در مقایسه با خط پایه W8A8 INT8، توان عملیاتی Prefill و Decode به ترتیب ۴۳.۳٪ و ۴۲.۷۷٪ افزایش می‌یابد، TTFT و TPOT به ترتیب ۱۵.۹۱٪ و ۱۹.۷۲٪ کاهش می‌یابند و اپراتورهای GMM به طور متوسط ۱.۷۳ برابر سریع‌تر می‌شوند.
نتایج ارزیابی
در ارزیابی‌ها، LongCat-2.5 در Terminal Bench v2.1 و v4.0 به ترتیب امتیاز ۸۸.۴ و ۳۸.۵، در AutomationBench امتیاز ۵۱.۸، در BrowseComp امتیاز ۹۱.۹، در Program Bench امتیاز ۲۵.۵، در MCP Atlas امتیاز ۸۳.۱ و در 3DCodeBench امتیاز ۵۵.۴ را کسب کرده است. قابل ذکر است که امتیاز آن در Terminal Bench v4.0 (۳۸.۵) از GPT-5.6-Sol (۳۷.۳) فراتر رفته است. در بخش بینایی، این مدل در Vision2Web امتیاز ۷۸.۶ و در MathVision امتیاز ۹۶.۵ را به دست آورده است.
نتیجه‌گیری
با معماری چندوجهی بومی و پشته محاسباتی داخلی کاملاً توسعه‌یافته، LongCat-2.5 وارد رقابت عوامل با افق بلند می‌شود و روند تغییر مدل‌های بزرگ از رقابت پارامترها به سمت کارایی وظایف را ادامه می‌دهد.
برای جزئیات بیشتر، به وبلاگ فنی رسمی مراجعه کنید: https://longcat.ai/blog/longcat-2.5