Meituan открыла веса мультимодальной модели LongCat-2.5 под свободной лицензией MIT

Где пригодится зрение модели

LongCat-2.5 может подойти для задач, где нужно одновременно оценивать интерфейс и писать код. Например, агент получает снимок экрана с неисправным оформлением заказа, находит связанные компоненты в репозитории, предлагает исправление и проверяет страницу в браузере.

В техническом описании Meituan говорится, что модель представляет визуальную информацию в виде токенов и обрабатывает её вместе с текстом. Через API можно передавать снимки экрана, диаграммы, изображения и видео: изображение добавляют прямо в запрос или передают по ссылке, а для видео документация описывает интерфейс, принимающий URL. Это ограничивает варианты для команд, работающих с внутренними записями экрана.

Для проверки на разработке интерфейсов и продуктов стоит начать с визуальной ошибки, для которой уже известно исправление. Модели дают проблемный снимок экрана, доступ к тестовому репозиторию и возможность отобразить изменённую страницу. Проверяют, нашла ли она причину и внесла ли точечную правку, сохранив навигацию с клавиатуры и адаптацию под разные размеры экрана. Похожим способом можно превращать дизайн-референсы в прототипы, но важно оценивать не только внешний вид: код должен соответствовать библиотеке компонентов и правилам взаимодействия команды.

Meituan показала демки разработчиков: сайт запуска автомобиля от Tasihi, интерфейс фэнтезийной игры от ИИ Maverick Frank и сайт управления магазином от Aigc Lancet. В собственных примерах компании есть интерактивная симуляция жидкости и трёхмерная выставка. Такие работы могут быть отправной точкой для демо или внутренних инструментов. Прототип магазина и рабочий интернет-магазин проходят разные проверки: код для последнего должен отвечать тем же требованиям к функциям, доступности и дальнейшему сопровождению, что и изменения, написанные человеком.

Результаты на программировании и зрении

В опубликованных Meituan тестах LongCat-2.5 заметно опережает предыдущую версию. На Terminal Bench v2.1 модель набрала 88,4 балла против 70,8 у LongCat-2.0; на DeepSWE v1.1 — 64,6 против 9,7; на тесте вопросов и ответов по кодовым базам SWE Atlas — 58,3 против 33,1. Эти результаты дают повод заново проверить модель на работе с репозиториями, если LongCat-2.0 уже не прошла внутренний отбор.

Сравнения с другими моделями в материалах Meituan неоднозначны. На Terminal Bench v2.1 LongCat-2.5 отстаёт от GPT-5.6 Sol и Claude Opus 5 меньше чем на один балл. На версии 4.0 результат LongCat-2.5 — 38,5 балла, а Claude Opus 5 — 53,9. На DeepSWE среди четырёх сравниваемых моделей лидирует DeepSeek-V4.1-Flash. На 3DCodeBench впереди LongCat-2.5, а на Vision2Web — Claude Opus 5. Разница важна для команд: работа в терминале, исправление репозитория и перенос интерфейса со снимка экрана на веб-страницу — разные задачи.

В качестве закрытых моделей для сравнения Meituan выбрала GPT-5.6 Sol и Claude Opus 5, хотя к выходу LongCat-2.5 у обеих уже появились преемники. OpenAI выпустила GPT-6.1 Sol 29 сентября, а Anthropic представила Claude Opus 5.5 22 сентября. Выбор более ранних моделей позволяет Meituan показать LongCat-2.5 как альтернативу предыдущему поколению платных моделей на отдельных задачах по более низкой цене за токены. Однако опубликованные компанией результаты не устанавливают место LongCat-2.5 среди актуальных передовых моделей.

Таблица Meituan объединяет результаты её собственных запусков и опубликованные показатели. Результаты GPT-6.1 Sol и Opus 5.5 в таблице Terminal-Bench 4.0 взяты с таблицы лидеров: модели работали с максимальным уровнем усилий и собственными инструментами для программирования — Codex и Claude Code. Это ориентиры для той же версии бенчмарка, но полученные в других условиях, поэтому прямое сравнение ограничено. Прочерк означает, что проверенного результата для сравнения нет. Цены API указаны в долларах за миллион входных и выходных токенов без кэширования.

Meituan указывает для LongCat-2.5 цену $0,15 / $0,60 в непиковое время и $0,30 / $1,20 в пиковое. В таблице модель DeepSeek обозначена как DeepSeek-V4.1-Flash, но в документации API DeepSeek говорится, что размещённый сервис Flash использует контрольную точку 1017. Суффикс контрольной точки в таблице Meituan не указан.

Более свежие результаты Terminal-Bench меняют трактовку почти равного счёта LongCat-2.5 и GPT-5.6 Sol в таблице Meituan для версии 4.0. GPT-6.1 Sol и Opus 5.5 получили на таблице лидеров результаты выше, чем 38,5 у LongCat, хотя разные условия тестирования не позволяют сделать однозначный вывод о превосходстве одной модели.

Для корпоративного испытания более полезными ориентирами будут GPT-6.1 Sol и Opus 5.5. Если команде уже нужны передовые модели для сложных задач, можно также проверить GPT-6 Astra и Claude Fable 5.2: Anthropic выпустила последнюю 9 ноября. Сравнение стоит проводить на одинаковых условиях: дать всем моделям одно состояние репозитория, браузер, набор тестов, разрешения на инструменты и лимит времени, а часть задач повторить, чтобы оценить стабильность результата.

При проверке переноса снимка экрана в код нужно отдельно оценивать отображённый результат и сам код. Для исправления ошибок важно проверить, устраняет ли правка причину и приходится ли проверяющему переделывать её. Аккуратный ответ может скрывать неудачный вызов инструмента или изменение, которое нарушает другую функцию.

Цена, лицензия и пробный запуск

В прайс-листе Meituan указана временная цена $0,006 за миллион входных токенов с кэшированием, $0,30 за миллион входных токенов без кэширования и $1,20 за миллион выходных. При объёме в 200 000 входных токенов без кэширования и 100 000 оплачиваемых выходных токенов модельные токены обойдутся в $0,18.

Для того же объёма токенов расчётная стоимость составит $0,09 по непиковому тарифу DeepSeek, $1,40 у GPT-6.1 Sol, $2,80 у Opus 5.5, $7 у GPT-6 Astra и $5,60 у Fable 5.2 по указанным выше тарифам. Расчёт предполагает одинаковый расход токенов и остаётся ниже порога, после которого OpenAI повышает цену GPT-6.1 Sol. На практике модели могут тратить разное число токенов на рассуждение, повторно вызывать инструменты или требовать второй попытки.

Новые модели меняют и ценовое сравнение. По базовым тарифам GPT-6.1 Sol обходится вдвое дешевле за входные и выходные токены, чем рекламный тариф GPT-5.6 Sol, а Opus 5.5 стоит за токен дешевле Opus 5. LongCat при этом сохраняет заметное ценовое преимущество даже перед более дешёвыми преемниками. Непиковая цена DeepSeek — более строгий ориентир для стоимости модели с загружаемыми весами и конкурентными результатами в программировании.

Для закупок полезно считать стоимость одного принятого результата. В расчёт входят повторные попытки, время браузера или изолированной среды, запасной вызов другой модели и время инженеров на проверку изменений. Тарифы на кэширование особенно важны для агентов, которые многократно отправляют неизменный префикс промта или большой объём контекста репозитория. Поэтому нужно измерять фактическую долю попаданий в кэш в используемом инструменте: одного размера контекстного окна для оценки счёта недостаточно.

Лицензия MIT на веса Meituan разрешает коммерческое использование, изменение и распространение при соблюдении требований к уведомлениям. Размещение через сервис компании — отдельное решение. Перед передачей проприетарного кода или снимков экрана нужно выяснить, как сервис обрабатывает хранение, доступ и удаление данных. Для первичной проверки подойдут открытые или синтетические материалы в изолированной среде.

Что нужно для собственного размещения

По карточке модели Meituan, LongCat-2.5 использует около 48 млрд параметров на токен из 1,6 трлн общего числа параметров. Модель направляет каждый токен к части своих экспертов, но для обслуживания запросов вся контрольная точка должна быть доступна системе.

Если условно представить 1,6 трлн параметров в равномерном 16-битном формате, при двух байтах на параметр одни только веса займут около 3,2 ТБ. Это примерный расчёт: он не учитывает буферы во время работы и память для хранения контекста запроса и не описывает фактический размер контрольной точки.

В снимке репозитория Hugging Face в метаданных указано 1,8 трлн параметров, тогда как в техническом описании Meituan — 1,6 трлн. Для оценки размещения нужно ориентироваться на файлы и конкретный формат обслуживания модели.

Для нейропроцессоров Meituan приводит руководство по развертыванию SGLang-FluentLLM. В техническом блоге компании также описано снижение точности весов экспертов и активаций до четырёх бит на китайских ускорителях. Это подтверждает работоспособность оптимизаций в проверенной Meituan конфигурации, но командам с другими ускорителями нужно отдельно убедиться, что среда обслуживания загружает контрольную точку и сохраняет способность модели анализировать изображения и пользоваться инструментами. Затем следует измерить, сколько длинных запросов кластер обрабатывает одновременно, сколько времени это занимает и как меняется скорость под нагрузкой.

Собственное размещение имеет смысл изучать, если объём или чувствительность задач визуальной разработки оправдывают эксплуатацию такого стека. Для команды, которая время от времени делает прототипы, проще начать с оценки через размещённый сервис.

Для обслуживания кода, в основном связанного с текстом, полезным первым ориентиром будет DeepSeek: у модели есть опубликованные результаты в программировании и более низкая непиковая цена. Если важнее время проверяющего или последствия ошибки, чем стоимость запроса, стоит оставить запасную модель с более высокими результатами на соответствующем внутреннем тесте.

Сначала нужно проверить, улучшает ли LongCat-2.5 уже существующий процесс команды. Для этого подойдут три задачи: исправление ошибки по снимку экрана, перенос дизайна в код и текстовая задача по репозиторию для сравнения. Если модель чаще проводит визуальные задачи через проверку и снижает полную стоимость, их можно поручить ей. Покупку кластера можно отложить, пока испытание не покажет, насколько регулярно проявляется это преимущество и сколько оно стоит.

Ограничения для работы с государственными заказчиками

Американским и западным компаниям, рассматривающим LongCat-2.5, важно учитывать растущее внимание Вашингтона к китайским моделям. В октябре Министерство внутренней безопасности США сообщило о распоряжении, которое предписывает федеральным гражданским ведомствам исключить DeepSeek из закупок и удалить его технологии из охватываемых систем, в том числе поставленных через третьих лиц. Распоряжение относится к DeepSeek и связанным с ним организациям.

По состоянию на 9 ноября VentureBeat не нашло публично объявленных ограничений федеральных закупок или использования в США, которые прямо называли бы Meituan или LongCat-2.5. При этом правила могут быстро измениться. В феврале VentureBeat сообщало, что министр обороны Пит Хегсет 27 февраля объявил о намерении признать Anthropic риском для национальной безопасности в цепочке поставок; 3 марта он оформил это решение. Эти два случая показывают, насколько быстро решения о безопасности цепочек поставок могут изменить перечень технологий, доступных ведомствам и их поставщикам.

Для компаний, работающих или планирующих работать с госзаказчиками США, место запуска модели и разрешение на её использование по контракту — разные вопросы. Собственное размещение или запуск весов в облаке под контролем предприятия в США дают больше контроля над тем, куда попадают промты и журналы, какая версия модели используется и какие инструменты ей доступны. Но ограничение может распространяться и на стороннее размещение технологии, как показывает распоряжение по DeepSeek.

Даже при отсутствии публичного распоряжения, прямо называющего LongCat-2.5, поставщикам стоит проверить условия контрактов и применимые федеральные ограничения на цепочки поставок до использования модели в проектах для государственных заказчиков. Вторую модель нужно заранее проверить на тех же задачах, чтобы возможное изменение допустимости не потребовало перестраивать процесс в спешке.

По оценке Dataist, открытая лицензия и низкая стоимость делают LongCat-2.5 доступной для испытаний, но сами по себе не подтверждают её пригодность для конкретной разработки: это нужно проверять на одинаковых задачах и с учётом полной стоимости проверки результата. Для организаций, работающих с госзаказчиками США, отдельно остаются вопросы контрактных ограничений и применимых решений о цепочках поставок.