Meituan выпустила LongCat-2.5 — мультимодальную модель для агентных задач
DeepSeek раскритиковал LongCat-2.5 за KV-кэш, Gemini вступился за единые токены
Команда «Лунмао» при Meituan выпустила LongCat-2.5 — нативную мультимодальную модель для длинных агентных задач. Всего у неё 1,6 триллиона параметров, на каждый токен активируется около 48 миллиардов. По сравнению с версией 2.0 усилены визуальное понимание и агентное программирование: модель тренировали на длинных траекториях и в долгом RL, а реальные неудачные прогоны агентов превращали в проверяемые задачи. Картинки кодируются многоуровневыми дискретными токенами, поэтому текст и изображения обрабатываются единообразно. Для разработчика это значит более надёжную работу с крупными кодовыми базами, сборкой проектов целиком и задачами Visual Coding, включая дизайн и 3D.
2 ноября команда «Лунмао» (LongCat), принадлежащая Meituan, представила LongCat-2.5 — нативную мультимодальную модель, ориентированную на длинные агентные задачи. Общее число параметров модели составляет 1,6 триллиона, а при генерации каждого токена активируется примерно 48 миллиардов параметров. Это развитие линейки: по сравнению с LongCat-2.0 новая версия усиливает сразу два направления — нативное визуальное понимание и агентное программирование, то есть способность вести разработку как агент, а не просто отвечать на вопросы по коду. Что изменилось в обучении: в длинносеквенсное обучение добавили больше данных о длинных траекториях и применили крупномасштабное длинное обучение с подкреплением. Цель — поднять сквозную инженерную способность модели на таких сценариях, как разработка в сложной кодовой базе и сборка проекта целиком. Отдельно упоминается работа с данными: синтез данных, построение окружений и смешанное обучение через разные harness — обвязки, в которых агент запускает код и взаимодействует с инструментами. Отдельный приём — использование неудач: реальные прогоны агентов, закончившиеся ошибкой, команда превращала в воспроизводимые и проверяемые тренировочные задачи, то есть модель систематически доучивают там, где она провалилась, а не только на успешных примерах. Как обрабатывается картинка: визуальные сигналы в LongCat-2.5 представляются многоуровневыми дискретными токенами, поэтому основная модель работает с изображением и текстом в едином формате токенов, без отдельной ветки. Сочетание нативного визуального понимания с агентным программированием даёт хорошие результаты в Visual Coding — задачах, где код связан с изображением; из этого же следует поддержка креативного дизайна и 3D-задач. Инфраструктурная часть: по словам разработчиков, улучшения опираются на постоянную эволюцию инфраструктуры — оптимизацию длинноконтекстного обучения на отечественных вычислительных мощностях и инференса в режиме W4A4, а также на согласованность численных вычислений между обучением и инференсом и оптимизацию длинноконтекстного rollout, без которой масштабное длинное обучение с подкреплением не работало бы эффективно. Практический смысл для того, кто пишет код, такой: модель заявляется как инструмент для длинных многошаговых задач — работы внутри большого репозитория, сборки проекта целиком и сценариев, где нужно смотреть на картинку и писать по ней код. Именно на этих направлениях, а не на общих бенчмарках, сосредоточено описание релиза.