El modelo, y para qué sirve
Meituan anunció LongCat-2.5 el 2 de noviembre y lo describe en su publicación de lanzamiento como un modelo multimodal nativo para tareas agénticas de horizonte largo, con 1,6 billones de parámetros totales y aproximadamente 48.000 millones activados por token. Se construye sobre LongCat-2.0, y la empresa dice que las mejoras vienen de incorporar más trayectorias de horizonte largo al entrenamiento de secuencias largas y de aplicar aprendizaje por refuerzo a gran escala sobre trabajo de ingeniería de extremo a extremo: desarrollo de bases de código complejas y construcción de proyectos completos.
Un detalle del proceso de entrenamiento merece mención: Meituan dice que convierte trayectorias reales de fallo de agentes en tareas de entrenamiento reproducibles y verificables, y que filtra solicitudes de incorporación de cambios de GitHub y sus incidencias vinculadas en entornos sintéticos validados con pruebas de fallo-a-éxito y de éxito-a-éxito.
En el lado multimodal, el modelo representa las señales visuales como tokens discretos de varios niveles, de modo que el tronco maneja imágenes y texto en un único formato de tokens y no por una vía de visión separada.
Las puntuaciones de la propia empresa
Meituan publicó una tabla de evaluación, y todas sus cifras las aporta el fabricante. La línea más llamativa es Terminal Bench v4.0, donde LongCat-2.5 obtiene 38,5 frente al 3,0 de LongCat-2.0, un salto de más de doce veces en una sola versión. En esa misma fila Meituan sitúa a Claude Opus 5 en 53,9, a GLM-5.3 en 41,8 y a GPT-5.6-Sol en 37,3, de modo que el modelo no lidera el banco de pruebas en el que más mejoró.
El patrón se repite en las filas de código agéntico. En DeepSWE v1.1 el modelo pasa de 9,7 a 64,6, con Claude Opus 5 en 68,8 y DeepSeek-V4.1-Flash en 74,2. En Program Bench va de 2,5 a 25,5, frente al 37,0 de Claude Opus 5. Donde la tabla de Meituan sí lo coloca primero es en navegación y trabajo de agente general: 91,9 en BrowseComp, por delante del 91,5 y el 91,2 que atribuye a DeepSeek-V4.1-Flash y a kimi-k3, y 81,0 en ResearchRubrics. Ninguna de estas cifras ha sido reproducida de forma independiente.
Silicio chino, y aún sin pesos
La sección de infraestructura contiene la frase con más probabilidad de viajar. Meituan dice que optimizó el entrenamiento de contexto largo y la inferencia W4A4 en aceleradores de IA nacionales —es decir, chips de fabricación china en lugar de hardware de Nvidia— y que la consistencia numérica entre entrenamiento e inferencia, junto al trabajo sobre despliegues de contexto largo, hizo viable el aprendizaje por refuerzo a gran escala.
El modelo se puede probar a través de la interfaz de chat de Meituan y de su plataforma de API. Los enlaces de GitHub y Hugging Face en la página de lanzamiento dicen ambos que llegarán próximamente, así que los pesos no están disponibles y las únicas puntuaciones comprobables son las de la tabla de Meituan.
Qué vigilar
Dos cosas lo resolverían. Una evaluación independiente en los bancos de pruebas de código agéntico mostraría si el salto de doce veces en Terminal Bench se sostiene fuera del entorno del fabricante. Y una publicación de los pesos permitiría a cualquiera comprobar la afirmación sobre los aceleradores nacionales ejecutando el modelo en otro sitio.
