Modellen, och vad den är till för
Meituan presenterade LongCat-2.5 den 2 november och beskriver den i sitt släppinlägg som en inföddt multimodal modell för agentiska uppgifter med långt tidshorisont, med 1,6 biljoner parametrar totalt och omkring 48 miljarder aktiverade per token. Den bygger på LongCat-2.0, och bolaget uppger att förbättringarna kommer från att väva in fler långa uppgiftsförlopp i träningen på långa sekvenser och från storskalig förstärkningsinlärning på ingenjörsarbete från början till slut: utveckling i komplexa kodbaser och bygge av hela projekt.
En detalj i träningskedjan förtjänar att nämnas: Meituan uppger att bolaget omvandlar verkliga misslyckade agentförlopp till reproducerbara, verifierbara träningsuppgifter, och filtrerar pull requests och kopplade ärenden från GitHub till syntetiska miljöer som valideras med fail-to-pass- och pass-to-pass-tester.
På den multimodala sidan representerar modellen visuella signaler som diskreta token i flera nivåer, så att stommen hanterar bilder och text i ett enda tokenformat i stället för via en separat synväg.
Bolagets egna resultat
Meituan publicerade en utvärderingstabell, och varje siffra i den kommer från leverantören själv. Den skarpaste raden är Terminal Bench v4.0, där LongCat-2.5 får 38,5 mot 3,0 för LongCat-2.0 — ett hopp på mer än tolv gånger i en enda version. På samma rad anger Meituan Claude Opus 5 till 53,9, GLM-5.3 till 41,8 och GPT-5.6-Sol till 37,3, så modellen leder inte det benchmark den förbättrat mest på.
Mönstret återkommer i raderna för agentisk kodning. På DeepSWE v1.1 går modellen från 9,7 till 64,6, med Claude Opus 5 på 68,8 och DeepSeek-V4.1-Flash på 74,2. På Program Bench går den från 2,5 till 25,5, mot 37,0 för Claude Opus 5. Där Meituans tabell däremot sätter den först är webbnavigering och allmänt agentarbete: 91,9 på BrowseComp, före de 91,5 och 91,2 bolaget anger för DeepSeek-V4.1-Flash och kimi-k3, och 81,0 på ResearchRubrics. Ingen av siffrorna har reproducerats oberoende.
Kinesiskt kisel, och inga vikter än
Infrastrukturavsnittet innehåller den rad som sannolikt sprider sig mest. Meituan uppger att bolaget optimerat träning med långt kontext och W4A4-inferens på inhemska AI-acceleratorer — alltså kinesiskt tillverkade kretsar i stället för Nvidia-hårdvara — och att numerisk överensstämmelse mellan träning och inferens tillsammans med arbete på långa utrullningar gjorde den storskaliga förstärkningsinlärningen praktiskt genomförbar.
Modellen går att prova via Meituans chattgränssnitt och bolagets API-plattform. Länkarna till GitHub och Hugging Face på släppsidan säger båda att de kommer snart, så vikterna är inte ute och de enda resultat någon kan kontrollera är de i Meituans egen tabell.
Att följa
Två saker skulle avgöra detta. En oberoende utvärdering på benchmarken för agentisk kodning skulle visa om det tolvfaldiga hoppet på Terminal Bench håller utanför leverantörens eget upplägg. Och ett släpp av vikterna skulle låta vem som helst pröva påståendet om inhemska acceleratorer genom att köra modellen någon annanstans.
